Jan, 2022

面向相似度感知的时间序列分类

PDF
TL;DR提出了 Similarity-Aware Time-Series Classification (SimTSC) 框架，使用图神经网络建模时间序列的相似度信息，并结合深度学习模型实现时序分类。使用 ResNet 作为主干网络和 Dynamic Time Warping 作为相似度度量，在多个数据集上进行了广泛的实验，证明了该方法的有效性。
time-series classificationsimilarity-based methodsdeep learning modelsgraph neural networksdynamic time warping
发现论文，激发创造
  • LB-SimTSC: 高效相似性感知图神经网络用于半监督时间序列分类

    该论文提出了一种新的有效的半监督时序分类技术 LB-SimTSC，它基于 LB-Keogh 算法构建图神经网络，并在十个大型数据集上表现出与 SimTSC 相近的分类准确度，但是构建图时速度可达到快于 SimTSC 104 倍以上。

    Jan, 2023

  • 时间序列分类的深度学习综述

    本文通过一个基于深度神经网络结构的实证研究，介绍最新的深度学习算法在时间序列分类方面的最新状态，以及给出了一个自由开放的深度学习框架，并在 97 个时间序列数据集上进行了 8,730 种模型的训练来达到最全面的时间序列分类问题的深度学习算法的研究。

    Sep, 2018

  • 大规模时间序列数据的快速分类

    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

  • 时间序列分类的多尺度卷积神经网络

    提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

    Mar, 2016

  • 时间序列分类的自动特征工程：评估与讨论

    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

  • 时间序列分类的迁移学习

    本文探讨了如何将深度卷积神经网络用于时间序列分类任务，并提出了一种新的动态时间规整方法来指导迁移学习中的源数据集选择，结果表明迁移学习可以提高模型的准确性。

    Nov, 2018

  • 具有增量最近邻的强鲁棒性时间序列链发现

    本研究提出了一个能够更好地定位时序连续演化模式的时间序列链 (TSC) 定义，并提出了两个新的链质量评估指标，在实际数据检验时显著更具鲁棒性，能够揭示多个现实世界数据集中有意义规律。

    Nov, 2022

  • 事件触发时间序列的任务感知相似度学习

    该研究旨在开发一种无监督学习框架，能够在未标记的事件触发时间序列中学习任务感知的相似性，该框架利用多尺度自编码器和高斯混合模型有效地学习时间序列的低维表示，得到的相似度量易于解释，通过广泛的实验表明，该方法明显优于现有的方法。

    Jul, 2022

  • 基于卷积和深度学习的时间序列有序分类技术

    本研究通过建立 TSOC 基准测试来探讨序列分类问题。实验表明，相较于对同类问题的标准分类方法，TSOC 方法在有序标签结构的时间序列数据上的分类表现更好。

    Jun, 2023

  • 智能制造系统中的时间序列分类：最新机器学习算法的实验评估

    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