PromptTSS：一种用于交互式多粒度时间序列分割的基于提示的方法
机器学习
2025-08-15 v2 人工智能
摘要
在制造和可穿戴技术等各个领域收集的多变量时间序列数据，表现出多个粒度级别的状态，从粗粒度的系统行为到细粒度的详细事件。有效地分割和整合这些不同粒度之间的状态对于预测性维护和性能优化等任务至关重要。然而，现有的时间序列分割方法面临两个关键挑战：(1) 无法在统一模型中处理多个粒度级别，以及 (2) 对动态环境中新的、不断演变的模式适应性有限。为了应对这些挑战，我们提出了 PromptTSS，一种用于具有多粒度状态的时间序列分割的新颖框架。PromptTSS 使用一个带有提示机制的统一模型，该机制利用标签和边界信息来指导分割，在动态适应未见模式的同时捕获粗粒度和细粒度模式。实验表明，PromptTSS 在多粒度分割中将准确率提高了 24.49%，在单粒度分割中提高了 17.88%，在迁移学习中提高了高达 599.24%，证明了其对分层状态和不断演变的时间序列动态的适应性。我们的代码可在 https://github.com/blacksnail789521/PromptTSS 获取。
引用
@article{arxiv.2506.11170,
title = {PromptTSS: A Prompting-Based Approach for Interactive Multi-Granularity Time Series Segmentation},
author = {Ching Chang and Ming-Chih Lo and Wen-Chih Peng and Tien-Fu Chen},
journal= {arXiv preprint arXiv:2506.11170},
year = {2025}
}
备注
Accepted at the 34th ACM International Conference on Information and Knowledge Management (CIKM 2025)