算法 XXXX：tsdistances——一个支持 GPU 的高性能 Python 库，用于时间序列距离计算

《ACM Transactions on Mathematical Software》：Algorithm XXXX: tsdistances: A High-Performance Python Library for Time Series Distances with GPU support

时间序列距离计算在金融、医疗等领域至关重要，但大规模数据对计算效率提出挑战。本文提出tsdistances库，结合CPU和GPU实现弹性距离算法优化，动态规划与GPU并行化技术显著提升处理速度，对比现有方法验证了其高效性特别是在大数据场景下的优势。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

时间序列距离度量在许多领域中都是基础性的，包括金融、医疗保健和信号处理，它们能够支持模式识别、异常检测和预测建模等关键任务。然而，许多应用需要在大型数据集中计算所有时间序列对之间的距离，这是一个计算密集型任务，可能会成为分析流程中的重大瓶颈。tsdistances 是一个高性能的 Python 包，专为计算时间序列之间的距离而设计，并支持使用 GPU 加速处理。本文介绍了 tsdistances 及其关键特性，重点介绍了弹性距离算法的实现及其优化方法。我们展示了 CPU 和 GPU 实现方案，强调了动态规划技术以及基于 GPU 的并行化等优化措施。将 tsdistances 的性能与文献中的现有方法进行了比较，结果显示其在处理大规模时间序列分析任务时具有显著的速度提升。

AI 摘要

AI 生成的摘要（实验性）

此摘要是通过自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助读者发现相关内容、评估文章的相关性，并帮助来自相关研究领域的读者理解文章内容。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的摘要版本。

要查看此由 AI 生成的通俗语言摘要，您必须拥有高级访问权限。