基于距离的时间序列分类综述
机器学习
2018-06-13 v1 机器学习
摘要
由于广泛领域中正产生海量时间序列数据，时间序列分类成为日益增多的研究课题。数据的特殊性使其具挑战性，已采取不同方法，包括基于距离的方法。1-NN因其简单且性能良好，在基于距离的时间序列分类中被广泛使用。然而，其优势可能归因于能在分类过程中使用针对时间序列的特定距离，而非分类器本身。为在更复杂分类器中利用这些距离，过去几年出现了可与1-NN方法竞争或超越之的新方法。某些情况下，这些新方法用距离度量将序列转换为特征向量，弥合时间序列与传统分类器间的鸿沟；其他情况下，距离被用于获得时间序列核，从而启用核方法进行时间序列分类。主要挑战之一是核函数须为半正定，本综述亦论及此问题。所述综述包含旨在用基于距离方法分类时间序列的所有方法的分类体系，并讨论各方法的优劣。
引用
@article{arxiv.1806.04509,
title = {A review on distance based time series classification},
author = {Amaia Abanda and Usue Mori and Jose A. Lozano},
journal= {arXiv preprint arXiv:1806.04509},
year = {2018}
}