High Performance Discovery in Time Series: Techniques and Case Studies

داده‌های سری زمانی - داده‌هایی که به ترتیب زمانی می‌رسند یا جریان داده‌ها - را می‌توان در زمینه‌هایی مانند فیزیک، امور مالی، موسیقی، شبکه و ابزار دقیق پزشکی یافت. طراحی الگوریتم‌های سریع و مقیاس‌پذیر برای تجزیه و تحلیل سری‌های زمانی منفرد یا چندگانه می‌تواند به اکتشافات علمی، تشخیص‌های پزشکی و شاید سود منجر شود.

کشف با عملکرد بالا در سری‌های زمانی </ EM> تکنیک‌های کشف سریع را برای یافتن بخش‌هایی از سری‌های زمانی با رویدادهای متعدد (مثلاً پراکندگی پرتو گاما) و یافتن سری‌های زمانی نزدیک (یعنی قیمت‌ها و تاریخ‌های بازگشت بسیار مرتبط یا ملودی‌های موسیقی) ارائه می‌کند. یک تکنیک سری زمانی معمولی ممکن است یک سری زمانی \"اجماع\" را - از مجموعه ای از سری های زمانی - برای استفاده از تحلیل رگرسیون برای پیش بینی نقاط زمانی آینده محاسبه کند. در مقابل، هدف این کتاب به‌جای پیش‌بینی، کشف کارآمد در سری‌های زمانی است، و تازگی آن در مشارکت‌های الگوریتمی و الگوریتم‌های ساده و کاربردی و مطالعات موردی آن نهفته است. فقط با حساب دیفرانسیل و انتگرال و برخی جبر خطی آشنا است.

موضوعات و ویژگی ها:

*الگوریتم های کارآمدی برای کشف ارائه می دهد انفجارهای غیرمعمول فعالیت در پایگاه‌های داده سری زمانی بزرگ

* ریاضیات و الگوریتم‌هایی را برای یافتن روابط همبستگی بین هزاران یا میلیون‌ها سری زمانی در پنجره‌های ثابت یا متحرک توصیف می‌کند.

*برنامه‌های قوی و مرتبط را نشان می‌دهد که بر پایه‌ی علمی محکم ساخته شده‌اند

*نشان می‌دهد که چگونه خوانندگان می‌توانند تکنیک‌ها را برای نیازها و اهداف خود تطبیق دهند.

*الگوریتم هایی را برای پرس و جو با زمزمه کردن، تشخیص انفجار پرتو گاما، تجارت جفت، و تشخیص چگالی توضیح می دهد

*پیشنهادات توصیف‌های مستقل موجک‌ها، تبدیل فوریه سریع، و طرح‌هایی که در تحلیل سری‌های زمانی اعمال می‌شوند

این تک‌نگاره جدید، بررسی فنی مفاهیم و تکنیک‌ها را برای توصیف و تحلیل ارائه می‌کند. جریان های داده سری زمانی در مقیاس بزرگ این پوشش ضروری این موضوع را برای دانشمندان رایانه، فیزیکدانان، محققان پزشکی، ریاضیدانان مالی، موسیقی شناسان، و محققان و متخصصانی که باید سری های زمانی عظیم را تجزیه و تحلیل کنند، ارائه می دهد. علاوه بر این، می‌تواند به عنوان یک متن/مرجع ایده‌آل برای دانشجویان تحصیلات تکمیلی در بسیاری از رشته‌های غنی از داده‌ها باشد.

Time-series data—data arriving in time order, or a data stream—can be found in fields such as physics, finance, music, networking, and medical instrumentation. Designing fast, scalable algorithms for analyzing single or multiple time series can lead to scientific discoveries, medical diagnoses, and perhaps profits.

High Performance Discovery in Time Series presents rapid-discovery techniques for finding portions of time series with many events (i.e., gamma-ray scatterings) and finding closely related time series (i.e., highly correlated price and return histories, or musical melodies). A typical time-series technique may compute a "consensus" time series—from a collection of time series—to use regression analysis for predicting future time points. By contrast, this book aims at efficient discovery in time series, rather than prediction, and its novelty lies in its algorithmic contributions and its simple, practical algorithms and case studies. It presumes familiarity with only basic calculus and some linear algebra.

Topics and Features:

*Presents efficient algorithms for discovering unusual bursts of activity in large time-series databases

* Describes the mathematics and algorithms for finding correlation relationships between thousands or millions of time series across fixed or moving windows

*Demonstrates strong, relevant applications built on a solid scientific basis

*Outlines how readers can adapt the techniques for their own needs and goals

*Describes algorithms for query by humming, gamma-ray burst detection, pairs trading, and density detection

*Offers self-contained descriptions of wavelets, fast Fourier transforms, and sketches as they apply to time-series analysis

This new monograph provides a technical survey of concepts and techniques for describing and analyzing large-scale time-series data streams. It offers essential coverage of the topic for computer scientists, physicists, medical researchers, financial mathematicians, musicologists, and researchers and professionals who must analyze massive time series. In addition, it can serve as an ideal text/reference for graduate students in many data-rich disciplines.