提升流式时间序列分割的 ClaSS 水平
机器学习
2025-04-04 v3 人工智能
数据库
摘要
当今无处不在的传感器发射出反映人类、动物、工业、商业与自然过程属性的高频数值测量流。此类过程的偏移（例如由外部事件或内部状态变化引起）表现为所记录信号中的变化。流式时间序列分割（STSS）任务是将流划分为与观测过程或实体状态相对应的连续变长段。划分操作本身在性能上必须能应对信号的输入频率。我们引入 ClaSS，一种新颖、高效且高精度的 STSS 算法。ClaSS 使用自监督时间序列分类评估潜在划分的同质性，并应用统计检验检测显著变化点（CPs）。在使用两个大型基准与六个真实世界数据归档的实验评估中，我们发现 ClaSS 比八种最先进竞品显著更精确。其空间与时间复杂度与段大小无关，且仅在滑动窗口大小上呈线性。我们还将 ClaSS 提供为窗口算子，在 Apache Flink 流式引擎中达到平均每秒 1k 数据点的吞吐量。
引用
@article{arxiv.2310.20431,
title = {Raising the ClaSS of Streaming Time Series Segmentation},
author = {Arik Ermshaus and Patrick Schäfer and Ulf Leser},
journal= {arXiv preprint arXiv:2310.20431},
year = {2025}
}