基于不同维度输入转换的多元时间序列分类的实证评估

ICMLOct, 2022

基于不同维度输入转换的多元时间序列分类的实证评估

An Empirical Evaluation of Multivariate Time Series Classification with Input Transformation across Different Dimensions

PDF

Leonardos Pantiskas, Kees Verstoep, Mark Hoogendoorn, Henri Bal

TL;DR本研究旨在探讨多维时间数据的分类，考虑到数据预处理和尺度调整对模型准确性的影响，研究测试了 7 种不同的数据转换方法和 4 个时间维度，通过测定五种不同方法的分类准确度来说明多元时间序列数据的处理方法的影响。研究表明，在大多数数据集上，最佳数据转换维度配置相对于具有相同超参数并且不经过尺度调整的模型，可以提高 0.16 到 76.79% 的分类准确度，并且不同特定数据集和分类器的最优配置不尽相同。

Abstract

In current research, machine and deep learning solutions for the classification of temporal data are shifting from single-channel datasets (univariate) to problems with multiple channels of information (multivariate). The majority of these works are focused on the method novelty and ar

temporal data multivariate datasets scaling methods classification accuracy data transformation

发现论文，激发创造

跨通道和时间维度的多元时间序列早期分类

本研究提出了一种更灵活的早期分类流程，将早期分类范例扩展到通道维度，并利用强化学习技术和约束条件来实现此方法，在合成数据上进行实验并在实际数据集上评估其性能，结果表明该方法可以通过实现更精确的分类来增强早期分类范例。

Jun, 2023

多元时间序列分类的解释方法评估

多元时间序列分类中的解释方法主要关注基于显著性的解释方法，通过分析 ROCKET 和 dResNet 分类器，以及 SHAP 和 dCAM 两种解释方法在不同数据集上的表现，发现多元数据集的平坦化对分类效果有积极影响，同时也注意到了合成数据集不适合进行时间序列分析。

Aug, 2023

提升变压器的效率，用于多元时间序列分类

提出了一种基于模块裁剪和 Pareto 分析的方法，旨在研究模型效率与准确性及其复杂性之间的关系，以设计一种有效的网络架构来减少计算成本，实验结果在基准 MTS 数据集上验证了该方法的有效性。

Mar, 2022

多变量时间序列分类的数据增强：一个实验研究

我们的研究探讨了数据增强对多变量时间序列模型性能的影响，重点关注 UCR 存档中的数据集。尽管这些数据集规模有限，但我们通过使用 Rocket 和 InceptionTime 模型，在 13 个数据集中有 10 个实现了分类准确度的提升。这突显了充足数据在训练有效模型中的重要作用，并与计算机视觉领域取得的进展相一致。我们的工作在创新的方式下将现有方法适应并应用于多变量时间序列分类领域。我们对这些技术的全面探索为解决时间序列分析中的数据稀缺性设立了新标准，强调多样化的增强策略对于发掘传统和深度学习模型的潜力至关重要。此外，通过细致分析和应用各种增强技术，我们证明了战略性的数据丰富可以提高模型准确度。这不仅为未来的时间序列分析研究确立了基准，还强调了在有限数据可用性情况下采用多样化增强方法以提高模型性能的重要性。

Jun, 2024

基于 Transformer 的多变量时间序列表示学习框架

本文提出了一种基于 transformer 的无监督多元时间序列表示学习框架，可以应用于回归、分类、预测和缺失值插补等下游任务，并通过多项基准数据集的测试实验证明了该方法的优越性和效率。同时表明，与监督学习方法相比，该方法在样本有限、计算加速方面具有明显优势，未标注数据的无监督预训练可以改善模型性能。

Oct, 2020

多尺度变压器金字塔网络用于多变量时间序列预测

使用多尺度 Transformer 的多变量时间序列预测中，引入了不变量嵌入技术用于捕捉短期时间依赖并将数据投射到高维空间，同时保留时间步和变量维度。进一步，提出了一种新颖的 Multi-scale Transformer 金字塔网络 (MTPNet), 用于有效地捕捉多个不受约束尺度上的时间依赖。在九个基准数据集上的广泛实验证明，提出的 MTPNet 优于最新的先进方法。

Aug, 2023

利用 2D 信息进行长期时间序列预测的 Vanilla Transformer

通过 Transformer 架构，GridTST 模型将时间序列数据视为网格，结合创新的多方向关注机制，同时考虑时间和变量维度，提升了分析能力，并在各种真实数据集上实现了最先进的性能。

May, 2024

多维时序数据无监督可扩展表征学习

通过一种无监督方法，提出了在长度和标签稀疏性方面都很具有可扩展性的编码器，通过时间负采样的三元损失组合将其与基于因果膨胀卷积的编码器结合，用于生成变长时间序列的通用表示，表现出了良好的质量、可转移性和实用性。

Jan, 2019

Transformer 多变量预测：多多益善？

本研究提出了一种使用 PCA 增强的新型 Transformer 预测框架，以降低冗余信息、提高预测准确性并优化运行时间效率。通过与其他五个先进模型和四个真实世界数据集的评估结果显示，该框架能够在所有模型和数据集上最小化预测误差，并显著降低运行时间。其中 PCA+Crossformer 模型平均减少均方误差（MSE）33.3% 并缩短运行时间 49.2%。在电力数据集上，该框架降低 MSE 14.3% 和运行时间 76.6%；在交通数据集上，降低 MSE 4.8% 和运行时间 86.9%。本研究旨在推进各种先进模型，增强基于 Transformer 的时间序列预测能力，以适用于复杂数据。

Dec, 2023

多视角自监督学习用于多变量多通道时间序列

通过在多通道生物医学时间序列数据上进行自我监督对比学习，使用消息传递神经网络提取跨通道的单一表示，并结合 TS2Vec 损失函数，我们的方法在大多数设置中优于其他方法。

Jul, 2023