用于时间序列外在预测的感知野袋模型
机器学习
2023-12-01 v1 人工智能
摘要
高维时间序列数据因其动态特性、长度可变以及存在缺失值而带来挑战。这类数据需要大量预处理，限制了现有时间序列分类（Time Series Classification）和时间序列外在回归（Time Series Extrinsic Regression）技术的适用性。为此，我们提出 BORF，一种感知野袋（Bag-Of-Receptive-Fields）模型，它结合了时间序列卷积与 1D-SAX 的思想，以处理长度可变且含缺失值的单变量与多变量时间序列。我们使用完整的 UEA 和 UCR 数据集库，在时间序列分类和时间序列外在回归任务上评估 BORF，证明了其与最先进（state-of-the-art）方法相比具有竞争力。最后，我们概述了该表示如何自然地提供显著性与基于特征的解释。
引用
@article{arxiv.2311.18029,
title = {A Bag of Receptive Fields for Time Series Extrinsic Predictions},
author = {Francesco Spinnato and Riccardo Guidotti and Anna Monreale and Mirco Nanni},
journal= {arXiv preprint arXiv:2311.18029},
year = {2023}
}