深度学习用于时间序列分类：综述
机器学习
2019-05-15 v4 人工智能
机器学习
摘要
时间序列分类（TSC）是数据挖掘中一个重要且具有挑战性的问题。随着时间序列数据可用性的增加，已有数百种 TSC 算法被提出。在这些方法中，仅有少数考虑了使用深度神经网络（DNNs）来执行该任务。这令人惊讶，因为深度学习近年来已有非常成功的应用。DNNs 确实革新了计算机视觉领域，特别是随着残差网络和卷积神经网络等新型更深架构的出现。除图像外，文本与音频等序列数据也可用 DNNs 处理，从而在文档分类与语音识别上达到最先进性能。在本文中，我们通过呈现对最新 DNN 架构用于 TSC 的实证研究，来研究深度学习算法用于 TSC 的当前最先进性能。我们在统一的 DNNs 用于 TSC 分类体系下，概述了各时间序列域中最成功的深度学习应用。我们还向 TSC 社区提供了一个开源深度学习框架，其中我们实现了每种被比较的方法，并在单变量 TSC 基准（UCR/UEA 档案）与 12 个多变量时间序列数据集上进行了评估。通过在 97 个时间序列数据集上训练 8,730 个深度学习模型，我们提出了迄今为止对 DNNs 用于 TSC 最详尽的研究。
引用
@article{arxiv.1809.04356,
title = {Deep learning for time series classification: a review},
author = {Hassan Ismail Fawaz and Germain Forestier and Jonathan Weber and Lhassane Idoumghar and Pierre-Alain Muller},
journal= {arXiv preprint arXiv:1809.04356},
year = {2019}
}
备注
Accepted at Data Mining and Knowledge Discovery