用于时间序列分类的时间字典集成（TDE）分类器
机器学习
2021-05-11 v1
摘要
使用词袋表示来描述时间序列是一种流行的时间序列分类方法。这类算法通过对序列上的窗口进行近似与离散化以形成词，再基于给定字典统计词频，并在所得词频直方图之上构建分类器。2017 年对一系列时间序列分类器的评估发现，基于符号傅里叶近似符号的词袋（BOSS）集成是各类基于字典的分类器中表现最佳的。它构成了基于变换的分层投票集成（HIVE-COTE）的组成部分之一，后者代表了当前最先进水平。此后，已有若干新的基于字典的算法被提出，它们在准确性或可扩展性（或两者兼具）上优于 BOSS。我们提出了对这些基于字典分类器的进一步扩展，其结合了其他分类器的最优要素，并辅以一种基于参数空间自适应高斯过程模型的集成成员构建新方法。我们证明时间字典集成（TDE）比其他基于字典的方法更准确。此外，与其他分类器不同，若以 TDE 替换 HIVE-COTE 中的 BOSS，HIVE-COTE 的准确性显著提升。我们还表明，这一新版本 HIVE-COTE 显著优于当前最佳的深度学习方案、近期提出的混合树集成，以及近期引入的利用高度随机卷积核的竞争性分类器。该进展代表了时间序列分类的新最先进水平。
引用
@article{arxiv.2105.03841,
title = {The Temporal Dictionary Ensemble (TDE) Classifier for Time Series Classification},
author = {Matthew Middlehurst and James Large and Gavin Cawley and Anthony Bagnall},
journal= {arXiv preprint arXiv:2105.03841},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1911.12008