趋势对齐特征相关性：时间序列数据的整体特征相关性度量

现有时间序列相关性研究方法往往过度依赖整体统计特征，而忽略数据在时间维度上的动态变化，尤其在趋势拐点识别与复杂相关性判别方面存在不足。本研究提出一种创新的趋势对齐特征相关性匹配方法（TAFC），突破了传统相关性分析的局限。TAFC采用精细的数据预处理流程，并引入两个独特指标：趋势重叠指数度量（Q）与数值相关性度量（P）。P度量通过结合归一化差值度量（NDM）与皮尔逊相关系数，有效捕捉数据间的数值相关性。此外，TAFC还引入一种定制化粒度平滑机制，以兼顾趋势特征保留与噪声抑制，旨在全面评估时间序列数据的多维、多粒度相关性。本研究基于卡方分布与多模态分布构建模拟场景数据开展实验验证，验证范围涵盖36组模拟数据。结果表明，该方法可显著区分具有不同趋势特征的数据集；粒度的引入已被验证有助于使趋势特征更加显化；同时，在引入5%随机噪声的情况下，算法误差被控制在5.60%–12.24%范围内。本研究为计算机辅助时间序列数据分析提供了一种新颖且精确的方法，具有重要应用价值。