| Abstract: | Time series have become essential in the data industry and are present in all
fields (sensors, IoT, ...). Their exploitation offers a huge potential but presents a
great challenge. Indeed, their nature and their large dimensionality make the usual
methods of data mining and pattern recognition not very efficient. As a result,
several time series representations capable of achieving significant dimensionality
reduction without losing important features have been developed. Each method of
representation has strengths and weaknesses. In this work, we make a bibliographical
review of the different methods of representation of time series and we make
a comparison between them. In our review, we are particularly interested in two
methods: SAX, a method that is already well established and has many successful
applications, and SSTS, a recently proposed but very promising method.***
Les séries temporelles sont devenues essentielles dans l’industrie des données et
sont présentes dans tous les domaines (capteurs, IdO, ...). Leur exploitation offre un
potentiel énorme mais représente un grand défi. En effet, leur nature et leur grande
dimensionnalité rendent les méthodes habituelles d’exploration de données et de reconnaissance
de formes peu efficaces. En conséquence, plusieurs représentations de
séries temporelles capables d’atteindre une réduction significative de la dimensionnalité
sans perdre des caractéristiques importantes ont été développées. Chaque
méthode de représentation présente des forces et des faiblesses. Dans ce travail,
nous faisons une revue bibliographique des différentes méthodes de représentation
des séries temporelles et nous les comparons entre elles. Dans notre revue, nous
nous intéressons particulièrement à deux méthodes : SAX, une méthode déjà bien
établie et qui a de nombreuses applications réussies, et SSTS, une méthode récemment
proposée mais très prometteuse. |
