用于学习含缺失数据多元时间序列间相似性的时间序列聚类核
机器学习
2017-06-30 v2 机器学习
摘要
基于相似性的方法为时间序列分析代表了一个有前景的方向。然而，许多此类方法依赖于参数调优，并且如果时间序列是多元的（MTS），由于属性之间的依赖性，或者时间序列包含缺失数据，一些方法会存在缺点。在本文中，我们在核方法的强大背景下，通过提出鲁棒的时间序列聚类核（TCK）来解决这些挑战。该方法利用了带有信息先验分布增强的高斯混合模型（GMM）的缺失数据处理特性。通过结合多个 GMM 的聚类结果来形成最终的核，利用集成学习方法确保对参数的鲁棒性。我们在合成数据和真实数据上评估了 TCK，并与其他 SOTA 技术进行了比较。实验结果表明，TCK 对参数选择具有鲁棒性，在没有缺失数据的 MTS 上提供了有竞争力的结果，而在处理缺失数据时表现卓越。
引用
@article{arxiv.1704.00794,
title = {Time Series Cluster Kernel for Learning Similarities between Multivariate Time Series with Missing Data},
author = {Karl Øyvind Mikalsen and Filippo Maria Bianchi and Cristina Soguero-Ruiz and Robert Jenssen},
journal= {arXiv preprint arXiv:1704.00794},
year = {2017}
}
备注
23 pages, 6 figures