NP-Free：一种面向开放式时间序列的实时无归一化无参数调优表示方法
机器学习
2023-04-14 v1
摘要
随着信息物理世界中更多连接设备的部署，以及数据被期望实时收集与处理，处理时间序列数据的能力变得愈发重要。为辅助数据挖掘应用中的时间序列分析，已有许多时间序列表示方法被提出，用于将原始时间序列转换为另一序列以表征原序列。然而，现有方法并非为开放式时间序列（即以固定间隔持续收集、无长度限制的数据点序列）而设计，因为它们需预先获知目标时间序列的总长度，并使用归一化方法对整个序列进行预处理。此外，许多表示方法要求用户事先配置并调优若干参数以获得满意的表示结果。本文中，我们提出NP-Free，一种面向开放式时间序列的实时无归一化(Normalization-free)且无参数调优(Parameter-tuning-free)的表示方法。无需任何归一化方法或参数调优，NP-Free可基于长短期记忆(LSTM)与回看-前向预测策略，通过将时间序列的每个数据点转换为均方根误差(RMSE)值，即时生成原始时间序列的表示。为展示NP-Free表示时间序列的能力，我们基于真实世界开源时间序列数据集开展了若干实验，并评估了NP-Free生成表示的时间消耗。
引用
@article{arxiv.2304.06168,
title = {NP-Free: A Real-Time Normalization-free and Parameter-tuning-free Representation Approach for Open-ended Time Series},
author = {Ming-Chang Lee and Jia-Chun Lin and Volker Stolz},
journal= {arXiv preprint arXiv:2304.06168},
year = {2023}
}
备注
9 pages, 12 figures, 9 tables, and this paper was accepted by 2023 IEEE 47th Annual Computers, Software, and Applications Conference (COMPSAC 2023)