ClaSP——无超参数的时间序列分割
机器学习
2023-02-17 v2 人工智能
数据库
摘要
对自然与人工过程的研究常产生长序列的时序有序值，即时间序列（TS）。此类过程通常由多个状态组成，例如机器的运行模式，使得观测过程中状态的变化导致测量值的形状分布发生变化。时间序列分割（TSS）试图在 TS 中事后发现此类变化，以推断数据生成过程的变化。TSS 通常被视作无监督学习问题，旨在识别可由某些统计性质区分的片段。当前 TSS 算法需要用户设定依赖于领域的超参数，对 TS 值分布或可检测变化的类型做出假设，这限制了其适用性。常见的超参数是片段同质性度量和变点数量，它们尤其难以针对每个数据集进行调参。我们提出 ClaSP，一种新颖、高精度、无超参数且领域无关的时间序列分割方法。ClaSP 以层次化方式将 TS 拆分为两部分。通过对每个可能拆分点训练一个二分类 TS 分类器并选择最能识别子序列来自任一部分的拆分，来确定变点。ClaSP 使用两种新颖的定制算法从数据中学习其两个主要模型参数。在使用 107 个数据集基准的实验评估中，我们表明 ClaSP 在准确性方面优于当前最优方法，并且快速且可扩展。此外，我们通过若干真实世界案例研究凸显了 ClaSP 的性质。
引用
@article{arxiv.2207.13987,
title = {ClaSP -- Parameter-free Time Series Segmentation},
author = {Arik Ermshaus and Patrick Schäfer and Ulf Leser},
journal= {arXiv preprint arXiv:2207.13987},
year = {2023}
}