基于双谱的深度卷积神经网络非线性时间序列分类
机器学习
2020-03-06 v1 机器学习
摘要
利用新技术进行时间序列分类近来重新兴起，并受到统计学家、领域科学家以及工商业决策者的日益关注。这主要归因于技术进步所产生的海量复杂数据不断增长。一个 motivating example 是 Google 趋势数据，其表现出高度非线性行为。尽管已有丰富文献解决该问题，现有方法大多依赖时间序列的一阶和二阶性质，因为它们通常假设底层过程为线性。对于诸如 Google 趋势数据这类非线性时间序列数据的有效分类，这些方法往往不够充分。鉴于这些方法上的缺陷以及现实世界现象中大量存在的非线性时间序列，我们提出一种将高阶谱分析（HOSA）与深度卷积神经网络（CNNs）相融合的时间序列分类方法。我们使用模拟数据以及两个涉及 Google 趋势数据和电子设备能耗数据的行业实例说明了该方法的有效性。
引用
@article{arxiv.2003.02353,
title = {Nonlinear Time Series Classification Using Bispectrum-based Deep Convolutional Neural Networks},
author = {Paul A. Parker and Scott H. Holan and Nalini Ravishanker},
journal= {arXiv preprint arXiv:2003.02353},
year = {2020}
}