AUTOSHAPE：一种用于时间序列聚类的自编码器-形状子序列方法
机器学习
2022-08-19 v2 人工智能
摘要
时间序列形状子序列（shapelets）是近期被发现对时间序列聚类（TSC）有效的判别性子序列。形状子序列便于解释聚类结果。因此，TSC的主要挑战是发现高质量的可变长度形状子序列以区分不同聚类。本文提出一种新颖的自编码器-形状子序列方法（AUTOSHAPE），这是首项利用自编码器与形状子序列两者优势以无监督方式确定形状子序列的研究。专门设计的自编码器用于学习高质量形状子序列。更具体地，为引导潜在表示学习，我们采用最新的自监督损失来学习不同变量的可变长度形状子序列候选（时间序列子序列）的统一嵌入，并提出多样性损失以在统一空间中筛选判别性嵌入。我们引入重构损失以在原始时间序列空间中恢复形状子序列用于聚类。最后，我们采用Davies Bouldin指数（DBI）在学习过程中向AUTOSHAPE反馈聚类性能。我们对AUTOSHAPE进行了充分的实验。为评估单变量时间序列（UTS）上的聚类性能，我们使用UCR归档数据集将AUTOSHAPE与15种代表性方法比较。为研究多变量时间序列（MTS）性能，我们在30个UEA归档数据集上用5种竞争方法评估AUTOSHAPE。结果证实AUTOSHAPE在所有比较方法中最佳。我们用形状子序列解释聚类，并分别在两个UTS案例研究和一个MTS案例研究中获得关于聚类的有趣直觉。
引用
@article{arxiv.2208.04313,
title = {AUTOSHAPE: An Autoencoder-Shapelet Approach for Time Series Clustering},
author = {Guozhong Li and Byron Choi and Jianliang Xu and Sourav S Bhowmick and Daphne Ngar-yin Mah and Grace Lai-Hung Wong},
journal= {arXiv preprint arXiv:2208.04313},
year = {2022}
}