用于多变量时间序列分类的小波概率循环卷积网络

本文提出一种小波概率循环卷积网络（Wavelet Probabilistic Recurrent Convolutional Network, WPRCN），用于多变量时间序列分类（Multivariate Time Series Classification, MTSC），在处理非平稳环境、数据稀缺和噪声扰动方面尤为有效。我们引入一种灵活的小波概率模块，用于提取和分析概率特征，可无缝集成到各种神经网络架构中。该概率模块由自适应小波概率特征生成器（Adaptive Wavelet Probabilistic Feature Generator, AWPG）和基于通道注意力的概率时间卷积网络（Channel Attention-based Probabilistic Temporal Convolutional Network, APTCN）组成。这种表述将小波概率神经网络的应用范围扩展到多变量时间序列分类的深度神经网络中。AWPG构建一个 ensemble 概率模型，以解决不同的数据稀缺和非平稳性问题；它自适应地选择最佳方案并为APTCN生成概率特征。APTCN分析特征之间的相关性，并与现有的MTSC模型一起构建完整的特征空间用于分类。我们将所提出的模块实例化为与长短期记忆网络（Long Short-Term Memory, LSTM）和因果全卷积网络（Causal Fully Convolutional Network, C-FCN）并行工作，展示了其在时间序列分析中的广泛适用性。WPRCN在30个多样化的MTS数据集上进行评估，平均准确率和排名均优于所有基准算法，在处理稀缺数据和受扰动和非平稳性制约的生理数据方面表现突出。