基于卷积与深度学习的时间序列序数分类技术
机器学习
2026-04-23 v3
摘要
时间序列分类（TSC）涵盖监督学习问题，其输入数据以随时间重复观测得到的值序列形式提供，目标是预测其所属类别。当类值有序时，考虑此点的分类器可比名义分类器表现更好。时间序列序数分类（TSOC）正是填补这一空白的领域，但文献中尚未被探索。存在大量展现有序标签结构的时间序列问题，而忽略顺序关系的TSC技术丢弃了有用信息。因此，本文提出TSOC方法的首次基准测试，利用目标标签的顺序提升当前TSC最优水平的性能。基于卷积和深度学习的方法（名义TSC中表现最佳的备选）被改造用于TSOC。实验中，从两个知名档案中选取了29个序数问题。由此，本文为确立TSOC的最优水平做出贡献。序数版本所获得的结果在序数性能指标上显著优于当前名义TSC技术，凸显了处理此类问题时考虑标签顺序的重要性。
引用
@article{arxiv.2306.10084,
title = {Convolutional and Deep Learning based techniques for Time Series Ordinal Classification},
author = {Rafael Ayllón-Gavilán and David Guijo-Rubio and Pedro Antonio Gutiérrez and Anthony Bagnall and César Hervás-Martínez},
journal= {arXiv preprint arXiv:2306.10084},
year = {2026}
}
备注
13 pages, 9 figures, 2 tables