用于时间序列分类的多尺度卷积神经网络
计算机视觉与模式识别
2016-05-12 v4
摘要
时间序列分类（TSC）即预测时间序列类标签的问题，在数据挖掘与机器学习领域已存在数十年，并发现了许多重要应用，如生物医学工程与临床预测。然而，它仍具挑战性，且在分类精度与效率上有所不足。传统方法通常涉及使用动态时间规整（DTW）或 shapelet 变换从原始时间序列中提取判别特征，并基于此应用现成分类器。这些方法为临时性的，且将特征提取部分与分类部分分离，限制了其精度表现。此外，大多数现有方法未能考虑时间序列常具有不同时间尺度特征这一事实。为解决这些问题，我们提出一种新颖的端到端神经网络模型——多尺度卷积神经网络（MCNN），其将特征提取与分类纳入单一框架。利用新颖的多分支层和可学习卷积层，MCNN 自动提取不同尺度和频率的特征，带来优越的特征表示。MCNN 计算高效，因其天然利用 GPU 计算。我们在大量基准数据集上对各种现有方法进行了综合实证评估，表明 MCNN 通过取得优于其他领先方法的精度表现而推进了最先进水平。
引用
@article{arxiv.1603.06995,
title = {Multi-Scale Convolutional Neural Networks for Time Series Classification},
author = {Zhicheng Cui and Wenlin Chen and Yixin Chen},
journal= {arXiv preprint arXiv:1603.06995},
year = {2016}
}