CLaP——时间序列状态检测
机器学习
2025-08-26 v2 人工智能
数据库
摘要
来自机器、智能设备和环境的传感器数据的持续增长导致海量高分辨率、未标注的时间序列(时间序列)。这些记录编码了可被建模为抽象过程的潜在状态及其过渡的可被识别属性。时间序列状态检测(TSSD)的任务是无监督地局部化和识别这些状态及其过渡。当前的TSSD算法采用经典的无监督学习技术，直接从特征空间推断状态成员，这限制了其预测能力，而监督学习方法则可利用额外的标签信息。我们引入CLaP，这是一种新的、高度精确且高效的TSSD算法。它通过应用新颖的自监督技术，利用时间序列分类的预测能力进行TSSD，在无监督环境中检测数据片段是否来自同一状态。为此，CLaP对分类器进行交叉验证，以量化片段之间的混淆程度。当将高混淆片段的标签合并以代表同一潜在状态时，如果这会提高整体分类质量，CLaP就会执行此操作。我们在5个基准数据集上进行了实验评估，包含405个时间序列，我们发现CLaP在检测状态方面显著优于6种最先进的竞争方法。它实现了最佳的准确性-运行时权衡，并且可扩展到大规模时间序列。我们提供了CLaP的Python实现，可部署在时间序列分析工作流程中。
引用
@article{arxiv.2504.01783,
title = {CLaP -- State Detection from Time Series},
author = {Arik Ermshaus and Patrick Schäfer and Ulf Leser},
journal= {arXiv preprint arXiv:2504.01783},
year = {2025}
}