MASA：噪声时间序列数据中的基序感知状态分配
机器学习
2019-06-25 v2 人工智能
机器学习
摘要
复杂系统（如飞机、汽车或金融市场）会产生多元时间序列数据，由一段时间内的大量系统测量值组成。此类数据可解释为状态序列，其中每个状态代表系统行为的原型。该领域的一个重要问题是识别重复的状态序列，即所谓基序（motif）。这类基序对应于捕捉常见状态转移序列的复杂行为。例如，在汽车数据中，“转弯”的基序可能表现为如下状态序列：减速、转动方向盘，然后重新加速。然而，发现这些基序具有挑战性，因为各个状态及其分配未知、持续时间不同，且需要从噪声时间序列中联合学习。在此我们提出基序感知状态分配（MASA），一种在噪声时间序列数据中发现常见基序并利用这些基序更鲁棒地将状态分配给测量值的方法。我们将基序发现问题表述为一个大型优化问题，并使用期望最大化类方法进行求解。MASA在输入数据存在噪声时表现良好，并可扩展到极大型数据集。在合成数据上的实验表明，MASA比最先进的基线方法高出至多38.2%，两个案例研究展示了我们的方法如何在真实世界时间序列数据的噪声存在下发现富有洞察力的基序。
引用
@article{arxiv.1809.01819,
title = {MASA: Motif-Aware State Assignment in Noisy Time Series Data},
author = {Saachi Jain and David Hallac and Rok Sosic and Jure Leskovec},
journal= {arXiv preprint arXiv:1809.01819},
year = {2019}
}