TEASER:时间序列早期准确分类
时间序列分类是时间序列挖掘中最重要的任务之一,本论文介绍了一种以效率为主要目标的新方法,通过简化时间序列的表示和考虑部分值的距离度量,实现对大型时间序列数据集的高效分类。实验结果表明,与其他高效方法相比,该方法不仅平均速度快 4 倍,而且在分类准确性上更为优越。
Dec, 2023
本文首次研究在流式事件没有预先定义终点的情况下,早期分类与准确性的平衡如何优化,并发现过去的算法可以用于新的问题,同时应用于预测性维护,最终取得了成功。
Apr, 2022
时间序列分类(TSC)一直是数据科学和知识工程中的一项关键且具有挑战性的问题。在过去的二十年里,有关 TSC 的研究受到了广泛关注,并涌现出许多基于相似度度量、区间、形状、字典、深度学习方法或混合集成方法的最新方法。近年来,人们还设计了几种从时间序列中提取无监督信息摘要统计(即特征)的工具。本文通过对 112 个时间序列数据集上进行的超过 10000 次学习实验的结果分析表明,基于特征的方法的性能与当前先进的 TSC 算法一样准确,因此在 TSC 文献中应该得到更多的关注。
Aug, 2023
本文提出了一种采用新的优化准则的分类算法,该准则考虑了分类错误的成本和等待决策的成本,并尝试通过使用聚类或分类器来减少误判和延迟的影响,实验结果表明,这种方法优于传统的基于经验策略的方法。
May, 2020
本文提出了一种时间序列分类方法 WEASEL,它使用滑动窗口方法将时间序列转换为特征向量,通过机器学习分类器进行分析。WEASEL 可以在时间序列分类问题中获得比当前最佳方法更高的准确性和更低的计算复杂度。
Jan, 2017
本文提出了基于 End-to-End Learned Early Classification of Time Series (ELECTS) 的模型,通过训练远程感知卫星获取的时间序列数据来进行预测并提高农作物分类的准确性和判断速度。该模型不仅可以提高分类准确性,同时还能在不降低准确性的情况下尽可能地减少需要下载、存储和处理的数据量。
Jan, 2019
提出了一种新的时间编码和模型结构,分别是 Time Encoding 机制和 Time Encoding Echo State Network (TE-ESN),该结构能够处理不规则时间序列,同时可以将长短期记忆和串联处理融入到模型中,用于更准确的预测。在一个混沌系统和三个实际数据集的实验证明,TE-ESN 比所有基线的表现更好,并具有更好的遗传特性。
May, 2021
本研究旨在评估制造业和工业环境中时序分类任务的 SoTA ML 和 DL 算法的性能。实验表明,ResNet、DrCIF、InceptionTime 和 ARSENAL 是性能最好的算法,其在 22 个制造业时序分类数据集上的平均准确率超过 96.6%。这些发现突显了卷积内核在捕捉时间序列数据中的时序特征方面的鲁棒性、效率、可扩展性和有效性。此外,LSTM、BiLSTM 和 TS-LSTM 算法在利用循环神经网络结构捕捉时间序列数据中的特征方面也值得肯定。
Oct, 2023