时间序列分类的自动特征工程：评估与讨论
机器学习
2023-08-14 v1
摘要
时间序列分类(TSC)在过去二十年中备受关注，且仍是数据科学与知识工程中关键且具挑战性的问题。确实，随着时间序列数据可用性的增加，研究界在文献中提出了许多TSC算法。除基于相似度度量、区间、形状子序列(shapelets)、字典、深度学习方法或混合集成方法的最先进方法外，近年来还设计了若干用于从时间序列中提取无监督信息性汇总统计量（即特征）的工具。这些特征工程工具最初用于通过信息性和可解释特征对时间序列进行描述性分析与可视化，其中极少有工具针对TSC问题进行了基准测试，并在预测性能方面与最先进TSC算法比较。本文旨在填补这一空白，并提出一种简单的TSC流程来评估现有特征工程工具所得特征集的潜在预测性能。为此，我们呈现了一项针对112个时间序列数据集、将11种特征工程工具与9种监督分类器结合的实证研究。对超过10000次学习实验的结果分析表明，基于特征的方法与当前最先进TSC算法同样准确，因而应在TSC文献中得到应有的进一步关注。
引用
@article{arxiv.2308.01071,
title = {Automatic Feature Engineering for Time Series Classification: Evaluation and Discussion},
author = {Aurélien Renault and Alexis Bondu and Vincent Lemaire and Dominique Gay},
journal= {arXiv preprint arXiv:2308.01071},
year = {2023}
}