TEASER：早期且准确的时间序列分类

早期时间序列分类（eTSC）是指在尽可能少的测量之后以尽可能高的准确率对时间序列进行分类的问题。任何 eTSC 方法最关键的在于决定何时已观测到足够的时间序列数据以做出决策：等待更多数据点通常使分类问题更容易，但延迟了做出分类的时间；相反，更早的分类须应对更少的输入数据，常导致较低的准确率。最先进的 eTSC 方法计算一个固定的最优决策时间，假设每个时间序列具有相同的确定起始时间（如开启一台机器）。然而，在许多现实应用中，测量始于任意时刻（如测量患者心跳），这意味着做出决策的最佳时间在不同时间序列间差异很大。我们提出 TEASER，一种将 eTSC 建模为两层分类问题的新算法：在第一层，分类器周期性地评估输入的时间序列以计算类别概率。但这些类别概率仅当第二层分类器判定预测标签足够可靠时才作为输出标签，而这可以发生在不同数量的测量之后。在基于 45 个基准数据集的评估中，TEASER 的预测比其竞争方法早两到三倍，同时达到相同或更高的分类准确率。我们进一步利用现实用例（即能耗监测与步态检测）展示了 TEASER 的优越性能。