基于符号表示的边缘端时间序列分类 -- ABBA-VSM

Meerzhan Kanatbekova; Shashikant Ilager; Ivona Brandic

基于符号表示的边缘端时间序列分类 -- ABBA-VSM

机器学习 2024-11-06 v2 人工智能

作者: Meerzhan Kanatbekova , Shashikant Ilager , Ivona Brandic

摘要

近年来，随着环境监测和智慧城市管理等多个行业的发展，边缘AI变得愈发普遍。边缘AI通过处理物联网 (IoT) 数据，为应用程序用户提供基于机器学习 (ML) 的低延迟和隐私保护服务，如时间序列分类 (TSC)。然而，现有TSC算法需要访问完整的原始数据，并在运行时需要大量计算资源，这使得它们在资源受限的边缘环境中难以部署。为此，本文提出了一种基于自适应Brownian桥符号聚合向量空间模型的TSC方法 (ABBA-VSM)。这是一种专为在边缘提供分类服务而设计的新型TSC模型。我们首先自适应地将原始时间序列压缩为符号表示，从而捕捉数据变化趋势。随后，我们直接在这些符号上训练分类模型。ABBA-VSM在开发面向边缘的资源高效TSC服务时，减少了IoT与边缘设备之间的通信数据以及计算周期。在使用来自UCR时间序列分类档案库的数据进行大规模实验评估我们的解决方案后，结果表明ABBA-VSM在二分类中实现最高80%的压缩比和90-100%的准确率。对于非二分类，平均压缩比为60%，准确率范围为60-80%。

引用

@article{arxiv.2410.10285,
  title  = {ABBA-VSM: Time Series Classification using Symbolic Representation on the Edge},
  author = {Meerzhan Kanatbekova and Shashikant Ilager and Ivona Brandic},
  journal= {arXiv preprint arXiv:2410.10285},
  year   = {2024}
}

备注

15 pages with references, 5 figures

基于符号表示的边缘端时间序列分类 -- ABBA-VSM

摘要

引用

备注

相关论文