MPTSNet：集成多尺度周期局部模式与全局依赖用于多变量时间序列分类
机器学习
2025-03-10 v1
摘要
多变量时间序列分类（MTSC）在环境监测、医疗脑电图分析和动作识别等广泛的实际应用中至关重要。现实世界的时间序列数据集通常表现出复杂的动态特性。为了捕捉这种复杂性，已经提出了基于RNN、CNN、Transformer和混合模型的方法。遗憾的是，当前基于深度学习的方法往往忽略了在不同时间尺度上同时构建局部特征和全局依赖关系，缺乏足够的特征提取能力以获得令人满意的分类准确率。为了应对这些挑战，我们提出了一种新颖的多尺度周期时间序列网络（MPTSNet），它集成了多尺度局部模式和全局相关性，以充分利用时间序列中的内在信息。认识到时间序列中的多周期性和复杂变量相关性，我们使用傅里叶变换提取主要周期，使我们能够将数据分解为多尺度周期段。利用CNN和注意力机制的固有优势，我们引入了PeriodicBlock，它自适应地捕捉局部模式和全局依赖关系，同时通过跨不同周期尺度的注意力集成提供增强的可解释性。在UEA基准数据集上的实验表明，所提出的MPTSNet在MTSC任务中优于21种现有的先进基线方法。
引用
@article{arxiv.2503.05582,
title = {MPTSNet: Integrating Multiscale Periodic Local Patterns and Global Dependencies for Multivariate Time Series Classification},
author = {Yang Mu and Muhammad Shahzad and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2503.05582},
year = {2025}
}
备注
Accepted by AAAI2025