motif差分场：一种用于分类的简洁高效时间序列图像表示
机器学习
2020-01-22 v1 计算机视觉与模式识别
机器学习
摘要
时间序列motif在时间序列分析中起着重要作用。基于motif的时间序列聚类用于发现时间序列数据中的高阶模式或结构。受基于时间序列图像表示的卷积神经网络（CNN）分类器启发，我们提出了motif差分场（MDF）。与其他时间序列图像表示相比，MDF简单且易于构建。以全卷积网络（FCN）作为分类器，MDF在UCR时间序列数据集上与其他时间序列分类方法的基准测试中展现出优越性能。有趣的是，三元时间序列motif在测试中给出了最佳结果。由于MDF中反映的motif聚类，借助梯度加权类激活映射（Grad-CAM）检测到了显著motif。Grad-CAM中高权重的MDF区域对具有与时间序列中特征模式相关的期望序数模式的显著motif有高贡献。然而，基于时间序列的神经网络分类器无法直接识别这些特征模式。
引用
@article{arxiv.2001.07582,
title = {Motif Difference Field: A Simple and Effective Image Representation of Time Series for Classification},
author = {Yadong Zhang and Xin Chen},
journal= {arXiv preprint arXiv:2001.07582},
year = {2020}
}