面向时间序列分类的DTW全局约束学习
人工智能
2009-03-03 v1
摘要
基于动态时间规整(DTW)距离的1-最近邻分类器是时间序列领域最有效的分类器之一。自从语音社区引入全局约束以来，许多全局约束模型被提出，包括Sakoe-Chiba (S-C)带、Itakura平行四边形和Ratanamahatana-Keogh (R-K)带。R-K带是一种通用的全局约束模型，能够有效表示任意形状和大小的全局约束。然而，我们需要一种良好的学习算法来发现最合适的R-K带集合，而当前的R-K带学习算法仍然存在“过拟合”现象。本文提出了两种新的学习算法，即带边界提取算法和迭代学习算法。带边界提取根据每个类别中所有可能规整路径的边界计算得出，迭代学习则从原始R-K带学习算法调整而来。我们还使用轮廓系数(Silhouette index)——一种著名的聚类验证技术——作为启发式函数，并使用下界函数LB_Keogh来提高预测速度。我们使用来自SIGKDD 2007时间序列分类研讨会和挑战赛的20个数据集来评估我们的方法。
引用
@article{arxiv.0903.0041,
title = {Learning DTW Global Constraint for Time Series Classification},
author = {Vit Niennattrakul and Chotirat Ann Ratanamahatana},
journal= {arXiv preprint arXiv:0903.0041},
year = {2009}
}
备注
The first runner up of Workshop and Challenge on Time Series Classification held in conjunction with SIGKDD 2007. 8 pages, 5 figures