对比相似性感知双路径Mamba用于多元时间序列节点分类

多元时间序列（MTS）数据通过多个传感器生成，涵盖工程应用、健康监测和物联网等多个领域，其特点是时间变化和高维特性。在过去几年中，许多研究探索了MTS中的长程依赖性和相似性。然而，由于时间变化，长程依赖性难以建模，而高维性使得有效且高效地获取相似性变得困难。因此，为了解决这些问题，我们提出了对比相似性感知双路径Mamba用于MTS节点分类（CS-DPMamba）。首先，为了获取每个样本的动态相似性，我们最初使用时间对比学习模块来获取MTS表示。然后，我们使用快速动态时间规整（FastDTW）构建MTS表示之间的相似性矩阵。其次，我们应用DPMamba来考虑MTS的双向性质，从而更好地捕捉数据中的长程和短程依赖性。最后，我们利用Kolmogorov-Arnold网络增强的图同构网络来完成矩阵中的信息交互和MTS节点分类任务。通过综合考虑长程依赖性和动态相似性特征，我们实现了精确的MTS节点分类。我们在多个东英吉利大学（UEA）MTS数据集上进行了实验，这些数据集涵盖了不同的应用场景。我们的结果通过MTS分类任务上的监督和半监督实验证明了我们方法的优越性。