Algorithm 为一组时间序列信号生成相似性排序

给定一组24小时信号，每小时数据点代表能源消耗模式，是否为每个信号提供相似性分数？峰值在信号中的高度、宽度和位置各不相同。其目的是对这些信号进行排序，以便得分更接近的人比得分更高的人更相似（比如年龄或收入如何工作）。也就是说，这两者之间应该有一个较低的差距 比

找到每个信号与基本情况之间的相关性是不够的，因为如果一个信号在上午有一个高峰，下午有一个低谷，则峰值相反的信号将被归类为与第一个信号类似的信号。收益相关性也不合适。在信号和基本情况之间使用RMSE时也会产生相同的问题

经过一番思考，我试图找到信号的峰值，然后按照以下方式对峰值进行评分：

  public double score(){
            int b1 = max-start;
            int b2 = end - max;
            double h1 = maxHeight-startHeight;
            double h2 = maxHeight - endHeight;

            double a1 = 0.5*h1*b1;
            double a2 = 0.5*h2*b2;

            return Math.sqrt(Math.pow(h1,2)+ Math.pow(h2,2));
  }

其中start、max和end分别表示峰值的开始时间、最大时间和结束时间

我认为这可能是一种工作方法；然而，我很难找到峰本身。我尝试过的所有方法都有一些缺陷

我在这篇文章中尝试过这种方法： 一些峰值被定义为开始太早。由于某些峰值可能持续数小时，我尝试延长滞后时间。但是，如果滞后时间过长，则会错过时间=滞后时间之前开始的峰值

我还尝试使用梯度的标准偏差作为峰值开始的信号。即，如果给定点的梯度为因子*stdev（所有梯度），则峰值开始*因子为0.6

当某些信号在晚上有一个非常陡峭的峰值，而在早上有一个较浅的峰值时（反之亦然），这就失败了。梯度的stdev太高，算法错过了较浅的峰值。如果我将因子设置得足够低，以拾取浅峰，则会检测到假峰

---

受上面帖子中方法的启发，我尝试使用渐变的移动stdev。但是，该算法仍然漏掉了一些峰值。

简单的

（vow）/（|V |*| W |）有什么问题？

？这个值是什么？像某种投影？我对问题进行了编辑以使其更清晰，但我的目标是对分数进行排序，以便分数越接近的信号比分数越高的信号（如年龄或收入）更相似。如果我通过保持V为一个信号并改变W来计算你的建议值，这能做到吗？这个值是

sum（V[I]*W[I]）/sqrt（sum（V[I]^2））/sqrt（sum（W[I]^2））

。在N维欧几里德空间中，它的几何表示为两个向量之间夹角的余弦。（没有人能想象出24个维度，但从数学上来说仍然是如此。）当一个维度与另一个维度相同但比例不同时，它将是1。当一个是另一个的负数时，它将是-1。你的意思是

sum（V[i]*W[i]）/sqrt（sum（V[i]^2））*sqrt（sum（W[i]^2））

？你有这个想法，但要确保你得到了正确的操作顺序。我不是指

（sum（V[I]*W[I]）/sqrt（sum（V[I]^2））*sqrt（sum（W[I]^2））

。我的意思是

sum（V[I]*W[I]）/（sqrt（sum（V[I]^2））*sqrt（sum（W[I]^2））

，它与

（sum（V[I]*W[I]）/sqrt（sum（V[I]^2））/sqrt（sum（W[I]^2））相同。（仔细注意括号的位置。）简单的
（vow）/（|V |*| W |）
有什么问题？这个值是多少？像某种投影？我对问题进行了编辑以使其更清晰，但我的目标是对分数进行排序，以便分数越接近的信号比分数越高的信号（如年龄或收入）更相似。如果我通过保持V为一个信号并改变W来计算你的建议值，这能做到吗？这个值是
sum（V[I]*W[I]）/sqrt（sum（V[I]^2））/sqrt（sum（W[I]^2））
。在N维欧几里德空间中，它的几何表示为两个向量之间夹角的余弦。（没有人能想象出24个维度，但从数学上来说仍然是如此。）当一个维度与另一个维度相同但比例不同时，它将是1。当一个是另一个的负数时，它将是-1。你的意思是
sum（V[i]*W[i]）/sqrt（sum（V[i]^2））*sqrt（sum（W[i]^2））
？你有这个想法，但要确保你得到了正确的操作顺序。我不是指
（sum（V[I]*W[I]）/sqrt（sum（V[I]^2））*sqrt（sum（W[I]^2））
。我的意思是
sum（V[I]*W[I]）/（sqrt（sum（V[I]^2））*sqrt（sum（W[I]^2））
，它与
（sum（V[I]*W[I]）/sqrt（sum（V[I]^2））/sqrt（sum（W[I]^2））相同。（注意括号的位置。）