Apr, 2023

使用 R 软件包 ctsfeatures 分析分类时间序列数据

PDF
TL;DR该研究介绍了 R 包 ctsfeatures 的主要特点和使用方法，该包为分析分类时间序列提供了一组有用的工具，包括提取统计特征和构建描述潜在时间模式的图形等，并可用于机器学习任务，如聚类、分类和异常检测。
categorical time seriesdata miningmachine learningr packagestatistical features
发现论文，激发创造
  • 利用 R 包 otsfeatures 进行序数时间序列分析

    该研究介绍了针对序数时间序列分析的 R 包 otsfeatures，提供了一系列用于分析序数时间序列的简单函数，并且可以用于传统机器学习任务包括聚类分类和异常值检测，同时该包还包含了用于聚类的金融时间序列以及三个合成数据库。

    Apr, 2023

  • catch22: 规范化时间序列特征

    通过系统比较卓越时间序列特征库中的时间序列的适当特征化表示形式，可以捕捉时间序列的动态特性，为时间序列应用程序提供高效的聚类和分类能力。我们通过减少时间序列特征的数量，从和特性库中的原始数量的 4791 种特征中提取出一个名为 catch22 的定义良好、准确有效并不冗余的时间序列特征集，这个集合只包含有 22 个时间序列特征。这种降维数据的方法可以在保持准确性的情况下大大减轻计算负担，并通过让科学、工业、金融和医学应用程序可以使用一种可解释性的时间序列特征语言，从而促进其应用。

    Jan, 2019

  • 基于 NLP 的分类时间序列异常检测

    研究使用机器学习基于分类时间序列和自然语言处理的类比进行异常检测和根本原因分析。

    Apr, 2022

  • 基于特征的高度比较时间序列分类

    一种高度比较，基于特征的时间序列分类方法，利用广泛的算法数据库从时间序列中提取数千个可解释的特征，并采用贪心前向特征选择与线性分类器选择最具信息的特征进行分类，实现了对时序列的降维并超越了传统的基于实例的分类器。

    Jan, 2014

  • 时间序列的早期分类：分类体系和基准

    提供了一个早期分类的时间序列问题的评价方法，并通过一系列实验评估了九种现有算法的性能，同时还介绍了一个包含大多数现有算法的开源库。

    Jun, 2024

  • 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

  • 动态用户细分与使用行为建模

    本文提出了一种利用二元值向量映射到低维连续特征空间所得到的隐含类别作为协变量类进行聚类的策略，实现了在分类大数据上有效地进行聚类，以提供个性化推荐系统和商业智能决策支持。

    May, 2023

  • 基于逻辑的时间序列数据聚类与学习

    本文研究利用 Parametric Signal Temporal Logic 设计无监督的时间序列数据特征以解决数据过载问题，以实现对复杂模型和实验产生的大量数据进行自动分类。作者通过几个示例说明了这种技术如何生产可解释性的公式，适合进行分析和理解。

    Dec, 2016

  • LightCTS: 一种用于相关时间序列预测的轻量级框架

    本研究旨在创建轻量级的相关时间序列预测模型，LightCTS 框架采用时间和空间运算符的简单堆叠，以及最后压缩方案，以提高计算效率，同时在单步和多步预测基准数据集上也表现出接近最先进的准确性。

    Feb, 2023

  • 大规模时间序列的预测：基于特征的方法

    在经济学及其他预测领域中，现实世界问题过于复杂，难以用单一模型假设一种具体的数据生成过程。两种基于时间序列特征的方法：基于特征的模型选择和基于特征的模型组合，对于预测大量时间序列时，各种方法的预测性能随时间序列的性质发生变化。本章讨论了最先进的基于特征的方法，并参考开源软件实现。

    Sep, 2023