功耗数据分类：一种新型局部时间规整与 LSTM 的混合方法
神经与进化计算
2017-06-08 v4 机器学习
摘要
本文以数据中心能耗监测与分析为目的，提出通过分类观测到的功耗序列来检测服务器中正在运行的程序。时间序列分类问题已被广泛研究，并发展了多种距离度量；近期基于深度学习的序列模型也被证明颇具前景。本文提出一种新型距离度量，并构建了一种混合最近邻与长短期记忆（LSTM）神经网络的时间序列分类算法。具体而言，首先我们提出一种称为局部时间规整（LTW）的新距离度量，它利用用户指定的局部规整集合，并被设计为非交换且非动态规划的。其次，我们将 1NN-LTW 与 LSTM 混合。特别地，我们结合 1NN-LTW 和 LSTM 的预测概率向量来确定测试样本的标签。最后，利用来自真实数据中心的功耗数据，我们证明所提出的 LTW 可将 DTW 的分类准确率从约 84% 提升至 90%。我们的实验结果表明，与现有 DTW 变体相比，所提出的 LTW 在我们的数据集上具有竞争力，且其非交换特性确实有益。我们还测试了 LTW 的线性版本，它能显著优于现有的线性时间复杂度下界方法如 LB_Keogh。此外，借助该混合算法，对于功耗序列分类任务，我们实现了高达约 93% 的准确率。我们的研究可启发更多关于时间序列距离度量以及深度学习模型与其他传统模型混合的研究。
引用
@article{arxiv.1608.04171,
title = {Power Data Classification: A Hybrid of a Novel Local Time Warping and LSTM},
author = {Yuanlong Li and Han Hu and Yonggang Wen and Jun Zhang},
journal= {arXiv preprint arXiv:1608.04171},
year = {2017}
}