Performance Examination of Symbolic Aggregate Approximation in IoT Applications

Symbolic Aggregate approXimation（SAX）是一种常见的时序数据降维方法，已被应用于多个领域，包括时序数据的分类和异常检测。这些领域还包括形状识别，其中形状轮廓被转换为时序数据，例如对存档箭头的时代分类。本文提出了一种基于SAX算法的降维和形状识别方法，该应用需要在成本效益高、类似物联网的平台上进行响应。挑战主要在于处理物联网应用中SAX算法的计算开销，从简单的时序降维到形状识别。该方法基于降低维度空间，同时捕捉和保留形状最具代表性的特征。我们提出了三种逐渐增加的计算复杂度的场景，并通过性能特征的测量来支持我们的陈述。

论文旨在提出一种基于SAX算法的降维和形状识别方法，以解决在物联网等简单时间序列数据处理应用中SAX算法的计算开销问题。

论文提出的方法是通过降低维度空间的同时捕捉和保留形状的最具代表性的特征。

论文提出了三个不同复杂度的场景来展示算法的性能特征，实验结果表明该方法能够有效地减少计算开销并保持较高的准确性。

在相关研究方面，SAX算法已经被广泛应用于时间序列数据的分类和异常检测等领域。