SummerTime：变长时间序列的定长摘要及其在体力活动分析中的应用
机器学习
2020-02-24 v1 机器学习
摘要
\textit{SummerTime}旨在对时间序列信号进行全局摘要，并提供变长时间序列的定长、鲁棒摘要。许多经典的用于分类与回归的机器学习方法依赖于具有固定数量特征的数据实例。因此，这些方法无法直接应用于变长时间序列数据。一种常见方法是在数据上以滑动窗口进行分类，并以某种方式聚合时间序列局部段落的决策，例如分类通过多数投票、回归通过平均。这种方法的缺陷在于少数局部信息在投票过程中丢失，且平均假设每次时间序列测量具有同等重要性。此外，由于时间序列长度可变，在投票接近平局或回归域呈双峰分布的情况下，投票与平均的质量可能大相径庭。\textit{SummerTime}方法所生成的摘要为一个定长特征向量，可替代时间序列数据集用于经典机器学习方法。我们在时间序列上对小尺寸等长不相交窗口使用高斯混合模型（GMM）将局部数据分组为簇。时间序列对每个簇的隶属度比率将作为摘要中的一个特征。该模型自然能够收敛到合适的簇数目。我们将结果与体力活动分类中的最先进研究进行比较，并展示仅使用摘要进行分类可带来高质量提升。最后，我们表明使用摘要进行回归可增强能量消耗估计，产生更鲁棒且精确的结果。
引用
@article{arxiv.2002.09000,
title = {SummerTime: Variable-length Time SeriesSummarization with Applications to PhysicalActivity Analysis},
author = {Kevin M. Amaral and Zihan Li and Wei Ding and Scott Crouter and Ping Chen},
journal= {arXiv preprint arXiv:2002.09000},
year = {2020}
}
备注
11 pages, 2 figures, 5 tables