tslearn.metrics.lb_keogh

tslearn.metrics.lb_keogh(ts_query, ts_candidate=None, radius=1, envelope_candidate=None)

计算 LB_Keogh。

LB_Keogh最初在[1]中提出。

Parameters:

ts_queryarray-like, shape=(sz1, 1) or (sz1,)

单变量查询时间序列以与候选者的包络进行比较。

ts_candidateNone or array-like, shape=(sz2, 1) or (sz2,) (default: None)

单变量候选时间序列。None 表示通过 envelope_candidate 参数提供包络，因此不需要再次计算。

radiusint (default: 1)

用于生成包络线的半径（时间索引i处的包络线将基于候选时间序列中索引在i-radius和i+radius之间的所有观测值生成）。如果ts_candidate为None，则不使用。

envelope_candidate: pair of array-like (envelope_down, envelope_up) or None

(default: None)

候选时间序列的预计算包络。如果设置为None，则基于ts_candidate进行计算。

Returns:

float

查询时间序列与候选时间序列包络之间的距离。

另请参阅

lb_envelope

计算与LB_Keogh相关的包络

注释

此方法要求ts_query和ts_candidate（或envelope_candidate，取决于调用）的大小相等。

参考文献

[1]

Keogh, E. 动态时间规整的精确索引。在《国际大型数据库会议》中，2002年。第406-417页。

示例

>>> ts1 = [1, 2, 3, 2, 1]
>>> ts2 = [0, 0, 0, 0, 0]
>>> env_low, env_up = lb_envelope(ts1, radius=1)
>>> lb_keogh(ts_query=ts2,
...          envelope_candidate=(env_low, env_up))  
2.8284...
>>> lb_keogh(ts_query=ts2,
...          ts_candidate=ts1,
...          radius=1)  
2.8284...

使用tslearn.metrics.lb_keogh的示例

LB_Keogh

LB_Keogh