nla-group/fABBA

⚡ fABBA: Nén & biểu diễn ký pháp thời gian tuần tự siêu nhanh

fABBA tối ưu quy trình gom nhóm bằng cách sắp xếp các đoạn đa giác và dùng điều kiện dừng sớm, giảm đáng kể độ phức tạp tính toán so với ABBA gốc.

fABBA (fast ABBA) là thư viện Python cài đặt phương pháp ABBA — xấp xỉ ký pháp nhanh và chính xác cho dữ liệu thời gian tuần tự. Phương pháp này thích hợp cho nén, phân cụm và phân loại chuỗi thời gian. fABBA trước tiên xấp xỉ một chuỗi thời gian bằng biểu diễn dây đa giác, sau đó gom các đoạn đa giác thành các nhóm biểu tượng.

Thư viện hỗ trợ nhiều biến thể ABBA bao gồm phương pháp gốc và phiên bản tối ưu fABBA. Khác với ABBA, fABBA tăng tốc quá trình gom nhóm bằng cách sắp xếp các mảnh đa giác và sử dụng các điều kiện dừng sớm, cải thiện đáng kể hiệu quả tính toán. Tuy nhiên, tốc độ này đổi lấy độ chính xác xấp xỉ thấp hơn một chút. Điểm khác biệt lớn nhất giữa fABBA và ABBA (được đề xuất bởi Elsworth và Güttel) là fABBA loại bỏ nhu cầu tính toán within-cluster-sum-of-squares nhiều lần, giảm độ phức tạp tính toán tổng thể.

✨ Điểm nổi bật

• Hỗ trợ nhiều biến thể ABBA: bao gồm phương pháp gốc ABBA và phiên bản tối ưu fABBA.
• Tăng tốc bằng sắp xếp đoạn đa giác: giảm thời gian gom nhóm nhờ kỹ thuật sắp xếp và dừng sớm.
• Không cần tính toán within-cluster-sum-of-squares lặp lại: giảm đáng kể độ phức tạp tính toán.
• Tự động chọn số ký tượng: dựa trên tham số dung sai tol và alpha, người dùng không cần chỉ định số lượng biểu tượng trước.
• Hỗ trợ nén và tái tạo chuỗi thời gian: cung cấp hàm transform và inverse_transform.
• Tích hợp Cython tăng tốc: phiên bản biên dịch nhanh hơn so với triển khai Python thuần.
• Hỗ trợ cài đặt qua pip và conda-forge: dễ dàng tích hợp vào môi trường phát triển.
• Chỉ hỗ trợ chuỗi thời gian đơn biến: dành cho multivariate dùng JABBA.

💡 Vì sao đáng chú ý

fABBA khác biệt từ các phương pháp biểu diễn ký pháp khác nhờ kết hợp hiệu quả giữa tốc độ và độ linh hoạt. Việc sử dụng sắp xếp đoạn đa giác và điều kiện dừng sớm giúp giảm đáng kể thời gian tính toán, đặc biệt hữu ích khi xử lý lượng dữ liệu lớn. Thêm vào đó, cơ chế tự động chọn số ký tượng dựa trên dung sai người dùng mang lại trải nghiệm sử dụng trực quan, không cần can thiệp thủ công.

#MachineLearning #TimeSeriesAnalysis #DimensionalityReduction #SymbolicRepresentation #Python #TiniX