RED CoMETS：一种面向符号表示多元时间序列的集成分类器
机器学习
2024-02-06 v2 机器学习
摘要
多元时间序列分类是一个快速发展的研究领域，在金融、医疗、工程等领域具有实际应用。多元时间序列数据分类的复杂性源于其高维性、时间依赖性与长度可变。本文提出一种称为 RED CoMETS（面向多元时间序列的随机增强协同眼，Random Enhanced Co-eye for Multivariate Time Series）的新型集成分类器，以应对这些挑战。RED CoMETS 建立在专用于符号表示单变量时间序列的集成分类器 Co-eye 的成功基础之上，并将其能力扩展至处理多元数据。RED CoMETS 在来自 UCR 档案的基准数据集上进行了评估，在多元设定下与最先进(state-of-the-art)技术相比展现出具竞争力的准确率。值得注意的是，它在 'HandMovementDirection' 数据集上取得了文献中报道的最高准确率。此外，相比 Co-eye 所提方法显著减少了计算时间，使其成为多元时间序列分类高效且有效的选择。
引用
@article{arxiv.2307.13679,
title = {RED CoMETS: An ensemble classifier for symbolically represented multivariate time series},
author = {Luca A. Bennett and Zahraa S. Abdallah},
journal= {arXiv preprint arXiv:2307.13679},
year = {2024}
}
备注
Accepted by AALTD 2023; fixed typos and minor error in Table 2