计算机工程

作者：陈振清, 万加富, 张锐

单位：1. 华南理工大学机械与汽车工程学院, 广东 广州 5106402. 山西省信息产业技术研究院有限公司, 山西 太原 030000

关键词：时序数据,自适应压缩,模式识别,门控循环单元,特征提取

基金：国家自然科学基金(U1801264)

面对复杂多样的时序数据模式, 单一的压缩算法难以保持高压缩比, 亟需根据不同数据模式选择合适的压缩算法。针对现有自适应压缩方案在确定最佳压缩算法时准确性较低的问题, 提出一种融合时序依赖性与数据特征的自适应无损分段压缩方法(ALSC-TDF)。该方法对时序数据进行分段压缩, 并根据各段模式选择最合适的压缩算法。ALSC-TDF将压缩算法选择问题转化为时间序列分类任务, 利用门控循环单元(GRU)捕捉时序依赖性, 并考量了与数据压缩比密切相关的压缩效率特征, 包括基本统计特征、排列和变化特征以及压缩程度特征。通过改进的GRU-全卷积网络(GRU-FCN)融合分析时序依赖性和数据特征, 以提高分类准确性和稳健性, 进而提升整体数据的压缩比。最后, 利用多种数据集验证了ALSC-TDF的有效性与优势, 其在分类准确率和F1值方面均优于对比模型, 准确率达到88.86%。同时, ALSC-TDF的压缩比显著超越现有压缩算法, 其总压缩比相较Elf算法提升15.62%。实验结果表明, 综合分析时间序列的数据特征及其时序依赖性, 可有效提高自适应压缩算法选择的准确性和稳健性, 从而实现更高的压缩比。

来源：2026年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第2期