用于时间序列分类的时间流式批量主成分分析
机器学习
2024-10-29 v1 信息检索
摘要
在多变量时间序列分类中，尽管当前的序列分析模型具有出色的分类能力，但在处理长序列多变量数据时表现出显著的不足，如训练时间过长和准确率下降。本文旨在通过减轻延长时间序列和多个变量对模型的影响，优化长序列多变量数据的模型性能。我们提出了一种基于主成分分析（PCA）的时间序列数据时间流式压缩与降维算法（时间流式批量 PCA，TSBPCA），该算法通过带有时间块更新的流式 PCA 时间估计，持续更新整个序列的紧凑表示，从而增强一系列序列分析模型的数据表示能力。我们在五个真实数据集上使用各种模型对该方法进行了评估，实验结果表明我们的方法在分类准确率和时间效率方面表现良好。值得注意的是，我们的方法表现出随着序列长度增加而有效性提升的趋势；在两个最长序列数据集上，准确率提高了约 7.2%，执行时间减少了 49.5%。
引用
@article{arxiv.2410.20820,
title = {Temporal Streaming Batch Principal Component Analysis for Time Series Classification},
author = {Enshuo Yan and Huachuan Wang and Weihao Xia},
journal= {arXiv preprint arXiv:2410.20820},
year = {2024}
}