ShapeDBA：利用 ShapeDTW 重心平均生成有效的时间序列原型
机器学习
2023-09-29 v1
摘要
时间序列数据几乎见于从医疗到制造与无线通信的每一个领域。生成真实而有用的 exemplar 与原型是一项基础数据分析任务。本文研究一种为时间序列数据生成真实而有用的 exemplar 与原型的新方法。我们的方法使用一种新形式的时间序列平均，即 ShapeDTW 重心平均（ShapeDTW Barycentric Average）。因此我们将注意力转向以新方法精确生成时间序列原型。已有的时间序列原型方法依赖于动态时间规整（Dynamic Time Warping, DTW）相似度度量，如 DTW 重心平均（DBA）与 SoftDBA。这些已有方法存在一个共性问题，即在其原型中生成分布外伪影。这主要由所用 DTW 变体导致，其无法检测邻域相似性，而是检测绝对相似性。我们提出的方法 ShapeDBA 使用 DTW 的 ShapeDTW 变体，克服了该问题。我们选用时间序列聚类这一流行的时间序列分析形式，来评估 ShapeDBA 相对于其他原型方法的结果。结合 k-means 聚类算法，并在来自 UCR 档案的共 123 个数据集上评估，我们所提平均方法在调整兰德指数（Adjusted Rand Index）上取得了新的 SOTA 结果。
引用
@article{arxiv.2309.16353,
title = {ShapeDBA: Generating Effective Time Series Prototypes using ShapeDTW Barycenter Averaging},
author = {Ali Ismail-Fawaz and Hassan Ismail Fawaz and François Petitjean and Maxime Devanne and Jonathan Weber and Stefano Berretti and Geoffrey I. Webb and Germain Forestier},
journal= {arXiv preprint arXiv:2309.16353},
year = {2023}
}
备注
Published in AALTD workshop at ECML/PKDD 2023