將某一個統計指標的各個數值按時間先后順序排列便構成了時間序列。從金融領域到科學工程，從天文氣象到社會學，時間序列無處不在。由于實際應用中的時間序列往往具有高維、規模巨大、易受噪聲干擾等特點，直接在原始時間序列上進行數據分析、處理和挖掘變得非常困難，因此在對時間序列挖掘之前進行有效的預處理成為解決上述問題的關鍵。這其中時間序列特征表示和相似度量是預處理的關鍵。

　　相似度量是時間序列挖掘中一項重要的基礎任務，主流的度量算法通常自定義一個距離函數，選取的自變量為離散序列點坐標及其變形，序列之間的距離越小則序列越相似。常見的算法有：歐氏距離（ Euclidean Distance，ED），設定單一距離閾值，容易理解且算法簡單；動態時間規整（ Dynamic　Time Warping，DTW），借鑒語音數據處理的思路并運用動態規劃思想，通過彎曲時間軸來實現相似性度量；符號化距離，將時間序列預處理為字符串，利用查詢等概率劃分的正態分布完成相似度量；基于條件復雜性距離¨叫，嵌入信息論和計算理論，關注算法運行過程中的連接和壓縮操作，借助壓縮率來反映數據之間的相似性。
?