Question

我有一系列测量，例如：
测量＃1：{200,350,712,1023,1430,1555,1800,2036,2569}
测量＃2：{165,400,974,1124,1600,1893,1919,2032,2654,2932}
...
测量#N：{234,454,879,1432,1877,2000,2543,2876}

每个测量中元素的顺序很重要每个元素的价值都高于前一个元素每个测量中的元素数量可能不同，
但它们不应该变化很大。

现在我作为一个输入得到一个新的测量（让我们说：{212,354,978,1222,1454,1922,2013,2432,2987}）
并且应该从我已经拥有的测量集合中找到最接近的测量值。

我的问题是我应该使用什么算法来完成这项任务？

更多：
1.也可以在这样的肉食中扩展任务，相反输入一个测量值，我会得到一小部分测量值。
2.测量中的每个元素代表从开始到第二个时间的时间当测量值达到3600秒（1小时）时停止测量，因此最小可能值为0，最大值为3599.
在要创建的测量中创建每个元素的事件受到人类行为的影响。

感谢您的帮助：）

Answer 1

使用集合中的每个度量值找出新度量的平方误差总和。然后以最小的错误返回集合中的那个。

var measures = [
 [1, 2, 3, 4],
 [10, 20, 30, 40],
 [66, 77, 88, 99],
 [101, 202, 303, 404]
];

// ignores measurements that aren't the same length as the data
// uses the squared sum of differences (errors)
function findClosest(data) {
  var minError = 0x7FFFFFFF; // max 32bit signed int
  var result = null;
  for(var i=0; i < measures.length; i++) {
    if(data.length !== measures[i].length) { continue; }
    var error = 0;
    for(var j=0; j < data.length; j++) {
      error += Math.pow(measures[i][j] - data[j], 2);
    }
    if(error < minError) {
      minError = error;
      result = measures[i];
    }
  }
  return result;
}

// allows data that is different length than measurements by trying to best fit each element of data to an element of the tested measurement
// uses the squared sum of differences (error)
function findClosestV2(data) {
  var minError = 0x7FFFFFFF; // max 32bit signed int
  var result = null;
  for(var i=0; i < measures.length; i++) {
    var measure = measures[i];
    var error = 0;
    var minLocalError = 0x7FFFFFFF;
    for(var j=0; j < data.length; j++) {
      for(var k=0; k < measure.length; k++) {
        var localError = Math.pow(measure[k] - data[j], 2);
        if(localError < minLocalError) {
          minLocalError = localError;
        }
      }
      error += minLocalError;
    }
    if(error < minError) {
      minError = error;
      result = measures[i];
    }
  }
  return result;
}

// allows data that is different length than measurements by trying to best fit each element of data to an element of the tested measurement
// uses the average of the absolute error % using the previous measurement as the ideal value
function findClosestV3(data) {
  var minError = 0x7FFFFFFF; // max 32bit signed int
  var result = null;
  for(var i=0; i < measures.length; i++) {
    var measure = measures[i];
    var error = 0;
    var minLocalError = 0x7FFFFFFF;
    for(var j=0; j < data.length; j++) {
      for(var k=0; k < measure.length; k++) {
        var localError = Math.abs( (measure[k] - data[j]) / measure[k] );
        if(localError < minLocalError) {
          minLocalError = localError;
        }
      }
      error += minLocalError;
    }
    // average of sum of error percentages
    error /= data.length;
    if(error < minError) {
      minError = error;
      result = measures[i];
    }
  }
  return result;
}

console.log(findClosest([2,3,4,5])); // [1,2,3,4]
console.log(findClosest([70,80,90,100])); // [66,77,88,99]
console.log(findClosest([9,19,304,405])); // [101,202,303,404]

console.log(findClosestV2([404])); // [101,202,303,404]
console.log(findClosestV2([66,67,68,69])); // [66,77,88,99]
console.log(findClosestV2([9,19,304,405])); // [10,20,30,40]

console.log(findClosestV3([404])); // [101,202,303,404]
console.log(findClosestV3([66,67,68,69])); // [66,77,88,99]
console.log(findClosestV3([9,19,304,405])); // [10,20,30,40]

Answer 2

假设您的数据“模糊”，您可能想要研究的一类算法是dynamic programming。通过模糊我的意思是两组几乎对齐，但是一组可能插入额外的元素，与另一组相比被移除，匹配元素“几乎”匹配。

在这些类型的算法中，您通常通过定义在对齐中插入/移除元素的惩罚来定义距离分数，并且对于不完全匹配的两个元素的惩罚分数来定义距离分数。在您的情况下，您可以定义插入/删除罚分“100”秒以插入额外的计时事件，并将两元素距离分数定义为绝对距离（秒）。根据该定义，您可以轻松找到并修改needleman-wunsch算法实现或类似的东西。这将在可接受的时间内为您提供两组小测量之间的距离。但是，如果您的测量中的元素数量很大或者集合的数量很大，并且您需要毫秒级的答案，那么这是一个相当困难的问题，除非您能为您的问题找到很多好的约束。 / p>

以上只是一个例子，它归结为上下文。你的数据有噪音吗？如何“嘈杂”，中间有额外的元素，开始或结束或略微偏离位置？加上大量其他问题。

选择和实现模糊算法的范围可以很容易，几乎不可能完全取决于上下文以及您将使用的结果。它需要准确还是“足够好”。是否需要快速等等。

找到最接近某一测量值的测量算法

2 个答案: