随着时间序列数据挖掘技术的广泛应用,时间序列的相似性度量方法研究是一个重要的研究方向。针对传统的直接利用时间序列相关系数(皮尔逊、斯皮尔曼)和距离(欧氏距离、动态时间规整)的相似性度量方法,处理场景类时间序列效果不佳的问题,本文通过对场景时间序列形态特征的深入分析,结合场景时间序列的潮汐特性以及不同场景时间序列之间的微观结构差异特征,提出一种基于可视图特征的场景时间序列相似性度量方法。该方法是将时间序列转换为可视图复杂网络,提取网络的结构特征序列,然后计算特征序列之间的距离或者相关系数,作为原始时间序列的相似性度量。场景时间序列具有宏观结构相似、微观结构存在差异的特点,可视图方法构造复杂网络可以很好反映时间序列的凸凹特性。为了更好地反映时间序列局部结构差异,本文提出有限视距可视图方法。该方法可以将时间序列局部结构模式映射为更少的可视图网络模体,在距离空间归一化的情况下,可视图网络模体之间的距离比时间序列模式更大。由于经典可视图方法存在多种时间序列模式对应同一个可视图网络模体,为了更详细地描述同一种可视图网络模体的差异,本文利用可视角度作为权重,提出加权可视图模型。增加的可视角度权重信息可以反映时间序列的变化幅度差异,从而可以区分出相同可视图网络模体的不同时间序列模式。本文通过深入分析时间序列局部值和可视图网络模体之间的变化关系,发现在时间序列局部存在模式差异且导致可视图复杂网络结构改变的情况下,时间序列局部值的微小改变会引起可视图网络的特征序列如节点度序列多处发生变化,因此通过可视图方法将时间序列转换为复杂网络后,网络结构的变化在大概率下放大了时间序列的细微变化,并分别通过模拟数据和实证数据检验。实验结果表明,基于可视图特征的时间序列相似性度量方法,在处理宏观结构相似微观结构相异的场景时间序列相似性度量问题时,与基于原始时间序列相似度方法相比,具有更加优异的性能。