时间序列中多周期滑动窗口聚合的快速自动特征选择
机器学习
2020-12-03 v1
摘要
作为最知名的人工特征采样器之一，滑动窗口广泛应用于存在空间和时间信息的场景，如计算机视觉、自然语言处理、数据流和时间序列。其中时间序列常见于信用卡支付、用户行为和传感器等许多场景。针对滑动窗口聚合提取特征的一般特征选择需要耗时的迭代来生成特征，然后采用传统特征选择方法对它们排序。关键参数（即滑动窗口的周期）的决策依赖于领域知识且繁琐。目前尚无自动方法处理滑动窗口聚合特征选择。由于不同周期和滑动窗口的特征生成耗时巨大，枚举全部再选择非常困难。本文提出一个使用马尔可夫链的一般框架来解决该问题。该框架高效且准确，能够对多种特征和周期选项进行特征选择。我们以 2 种常见滑动窗口和 3 类聚合算子详述之，并且通过利用现有马尔可夫链理论易于在此框架中扩展更多滑动窗口和聚合算子。
引用
@article{arxiv.2012.01037,
title = {Fast Automatic Feature Selection for Multi-Period Sliding Window Aggregate in Time Series},
author = {Rui An and Xingtian Shi and Baohan Xu},
journal= {arXiv preprint arXiv:2012.01037},
year = {2020}
}
备注
ICDM 2020