基于WEASEL的快速准确时间序列分类
数据结构与算法
2017-12-19 v1 机器学习
机器学习
摘要
时间序列(TS)出现在许多科学和商用应用中，从地球监测到工业自动化再到智能电网。一类重要的TS分析是分类，例如，通过基于自动传感器记录的能耗曲线检测电子设备类型，可改善智能电网中的能源负荷预测。此类传感器驱动的应用通常具有特征：(a)非常长的TS和(b)需要分类的非常大TS数据集。然而，当前的时间序列分类(TSC)方法无法在可接受精度下应对如此数据量；它们要么可扩展但分类质量较差，要么达到 state-of-the-art 分类质量但无法扩展到大数据量。本文中，我们提出WEASEL (Word ExtrAction for time SEries cLassification，时间序列分类词提取)，一种可扩展且准确的新型TSC方法。像其他 state-of-the-art TSC方法一样，WEASEL将时间序列转换为特征向量，使用滑动窗口方法，然后通过机器学习分类器分析。WEASEL的新颖性在于其推导特征的特定方法，产生更小但更具判别力的特征集。在流行的UCR 85个TS数据集基准上，WEASEL比当前最佳非集成算法更准确，且分类和训练时间低几个数量级，并且几乎与集成分类器一样准确，而后者的计算复杂度使其甚至不适用于中等规模数据集。WEASEL的出色鲁棒性也在两个真实智能电网数据集上的实验中得到证实，它开箱即用几乎达到与高度调优的、特定领域方法相同的精度。
引用
@article{arxiv.1701.07681,
title = {Fast and Accurate Time Series Classification with WEASEL},
author = {Patrick Schäfer and Ulf Leser},
journal= {arXiv preprint arXiv:1701.07681},
year = {2017}
}