我试图了解如何对一组时间序列数据（每日股票价格，温度等）进行细分，并且遇到了一本书，该书解释了如何进行SWAB（滑动窗口和自下而上）细分算法，但我不太了解。这种分割是超声算法的一部分。以下文本来自“多媒体数据挖掘和分析：颠覆性创新”。
SWAB分段算法获得四个参数-输入文件（时间序列数据），输出文件（分段数据），最大误差和标称属性的指示。在对不同大小的时间序列使用不同的分段数值进行大量实验后，我们选择了合适的默认分段数，如下所示。少于100个观测值的时间序列的时间序列大小的25–50％，具有100–200个观测值的时间序列的时间序列大小的20–35％，具有200个以上观测值的时间序列的时间序列大小的15–25％。如果用户出于某种原因对使用默认值不感兴趣，则可以输入自己的段数作为算法的参数。从最小和最大误差的默认值开始，我们第一次运行分段算法，并在给定的时间序列中获得了最少的分段数（最大误差越大，找到的分段越少）。然后，我们通过将基数除以2的幂来减小最大误差（从而增加找到的段的数量），以缩小误差的上限和下限（类似于二进制搜索）。每次使用当前最大误差运行分割算法后，我们都会测试该值是否为最佳分段数提供更好的近似值，因此为最佳最大误差提供更好的上下限。如果是这样，我们将对此值进行适当的限制。开始时，仅上限受到影响。但是，一旦我们发现下界提供的细分比最佳细分更多，我们将继续通过较小的步骤寻找最佳段数：下一个最大误差是当前上限和下限之间的平均值。根据我们对许多不同时间序列数据库的经验，通常在3-4次迭代中可以找到最佳的最大误差。收敛速度取决于输入时间序列数据库本身。如果算法在20次迭代中仍未收敛，我们将停止搜索，并使用在20次迭代中找到的片段继续下一个超声步骤。收敛速度取决于输入时间序列数据库本身。如果算法在20次迭代中仍未收敛，我们将停止搜索，并使用在20次迭代中找到的片段继续下一个超声步骤。收敛速度取决于输入时间序列数据库本身。如果算法在20次迭代中仍未收敛，我们将停止搜索，并使用在20次迭代中找到的片段继续下一个超声步骤。
因此，例如，如果我有150个观测值的时间序列数据（对应于20-35％的默认分段数），我需要采取哪些确切的步骤来对数据进行分段？
非常感谢您的任何帮助。