网络化时间序列的时序特征选择
机器学习
2016-12-23 v2
摘要
本文形式化了从网络化时间序列数据中学习判别性特征（即片段）的问题，并考虑了时间序列之间的关联信息。例如，社交网络用户可被视为持续生成社交信号（推文）的社交传感器，这些信号表示为时间序列。判别性片段在时间序列中常被称为 shapelets。为时间序列分类提取 shapelets 已被广泛研究。然而，现有的 shapelet 选择工作假设时间序列是独立同分布的（i.i.d.）。这一假设限制了它们在社交网络化时间序列分析中的应用，因为用户的行为可能与其社交关联相关。本文提出了一种新的网络正则化最小二乘（NetRLS）特征选择模型，该模型结合了典型时间序列数据和用户网络数据进行分析。在真实世界的网络化时间序列 Twitter 和 DBLP 数据上的实验证明了所提方法的性能。在真实数据上，NetRLS 的表现优于当前最先进的时间序列特征选择方法 LTS。
引用
@article{arxiv.1612.06856,
title = {Temporal Feature Selection on Networked Time Series},
author = {Haishuai Wang and Jia Wu and Peng Zhang and Chengqi Zhang},
journal= {arXiv preprint arXiv:1612.06856},
year = {2016}
}
备注
submitted to a blind review journal