Aug, 2023

时间序列分类的自动特征工程：评估与讨论

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 早期时间序列分类算法：实证比较

    本研究旨在评估和比较现有的早期时序分类算法，为生命科学和海事领域提供分类预测，并建立一个可用于相关技术测试的基准。

    Mar, 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

  • XTSC-Bench：时间序列分类模型解释器的定量基准测试

    该研究提出了一个标准化基准工具 XTSC-Bench，用于评估解释方法在时间序列分类中的效果，并分析了 3 种扰动方法、6 种梯度方法和 2 种示例方法的表现，发现改善解释器的鲁棒性和可靠性对于多变量数据尤为重要。

    Oct, 2023

  • 面向相似度感知的时间序列分类

    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。

    Jan, 2022

  • 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

  • TEASER：时间序列早期准确分类

    TEASER 是一种新算法，它将早期时间序列分类建模为两个级别的分类问题，并在使用 45 个基准数据集进行评估时比竞争对手提前两至三倍地预测，同时达到相同或更高的分类准确性。

    Aug, 2019

  • 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