用于多变量时间序列表示与分类的储备池计算方法
神经与进化计算
2020-06-09 v3
摘要
多变量时间序列（MTS）的分类已通过多种方法加以解决，并应用于广泛的场景。储备池计算（RC）提供了高效的工具来生成 MTS 的向量式定长表示，可进一步由标准分类器处理。尽管具有无可比拟的训练速度，但基于标准 RC 架构的 MTS 分类器无法达到全可训练神经网络的同等准确率。本文引入储备池模型空间，这是一种基于 RC 的无监督方法，用于学习 MTS 的向量表示。每个 MTS 被编码在一个线性模型的参数中，该模型被训练以预测储备池动力学的低维嵌入。与其他 RC 方法相比，得益于中间的降维过程，我们的模型空间产生了更好的表示，并获得了相当的计算性能。作为第二项贡献，我们提出了一个用于 MTS 分类的模块化 RC 框架，并附带一个开源 Python 库。该框架提供了不同模块，以无缝实现高级 RC 架构。这些架构与其他 MTS 分类器（包括深度学习模型和时间序列核）进行了比较。在基准和真实世界 MTS 数据集上获得的结果表明，RC 分类器速度极快，且当使用我们提出的表示时，也实现了更优的分类准确率。
引用
@article{arxiv.1803.07870,
title = {Reservoir computing approaches for representation and classification of multivariate time series},
author = {Filippo Maria Bianchi and Simone Scardapane and Sigurd Løkse and Robert Jenssen},
journal= {arXiv preprint arXiv:1803.07870},
year = {2020}
}