多变量时间序列分类算法基准测试
机器学习
2023-04-27 v2 机器学习
摘要
时间序列分类（TSC）涉及从有序的实值属性中为离散目标变量构建预测模型。近年来，一系列新的 TSC 算法被开发出来，相较于先前的 SOTA 取得了显著提升。其主要关注点在于单变量 TSC，即每个样本具有单个序列和一个类标签的问题。在现实中，更常见的是多变量 TSC（MTSC）问题，即多个序列与单个标签相关联。尽管如此，MTSC 受到的关注远少于单变量情形。2018 年发布的包含 30 个 MTSC 问题的 UEA 档案使得算法比较变得更加容易。我们回顾了近期提出的基于深度学习、shapelets 和词袋方法的定制 MTSC 算法。MTSC 最简单的方法是在多变量维度上对单变量分类器进行集成。我们在 30 个 MTSC 档案问题中数据等长的 26 个问题上，将这些定制算法与这些维度独立方法进行了比较。我们证明，HIVE-COTE 分类器的独立集成是最准确的，但与单变量分类不同的是，动态时间规整在 MTSC 中仍然具有竞争力。
引用
@article{arxiv.2007.13156,
title = {Benchmarking Multivariate Time Series Classification Algorithms},
author = {Alejandro Pasos Ruiz and Michael Flynn and Anthony Bagnall},
journal= {arXiv preprint arXiv:2007.13156},
year = {2023}
}
备注
Data Min Knowl Disc (2020)