一种基于网络科学的细粒度时间序列分割方法
机器学习
2026-02-20 v2 信号处理
摘要
时间序列分割（TSS）是时间序列（TS）分析技术之一，相比其他TS相关任务受到的关注要少得多。近年来，深度学习架构已被引入TSS，但它们对滑动窗口的依赖由于固定的窗口大小和步长而限制了分割粒度。为克服这些挑战，我们提出了一种新的更细粒度的TSS方法，该方法利用加权双视角可见图（WDPVG）将TS转化为图，并将其与图注意力网络（GAT）结合。通过将TS转化为图，我们能够捕捉数据在原始形式下会隐藏的不同结构方面。通过利用图神经网络的表示学习能力，我们的方法能够有效地识别TS中的有意义片段。为了更好地理解我们方法的潜力，我们还实验了不同的TS到图的转换并比较了它们的性能。我们的贡献包括：a) 将TSS形式化为图上的节点分类问题；b) 使用TSSB存储库中的基准数据集对各种TS到图的转换进行了广泛分析；c) 提供了首个关于在TSS背景下利用GNN分析TS图表示的详细研究；d) 证明了我们的方法的有效性，在59个多样化的TSS基准数据集上实现了平均F1分数0.97；e) 在F1分数方面比seq2point基线方法高出0.05；以及f) 与基线方法相比减少了所需的训练数据。
引用
@article{arxiv.2505.17640,
title = {A Network Science Approach to Granular Time Series Segmentation},
author = {Ivana Kesić and Carolina Fortuna and Mihael Mohorčič and Blaž Bertalanič},
journal= {arXiv preprint arXiv:2505.17640},
year = {2026}
}
备注
20 pages, 11 figures