Oct, 2023

提升流式时间序列分割的分类能力

PDF
TL;DRUbiquitous sensors produce high frequency streams of numerical measurements which can be segmented using the ClaSS algorithm based on self-supervised time series classification and statistical tests to detect change points.
ubiquitous sensorsstreaming time series segmentationclass algorithmself-supervised time series classificationchange points
发现论文，激发创造
  • ClaSP -- 无需参数的时间序列分割

    该论文介绍了 ClaSP 一种基于二元时间序列分类器的无超参数时间序列分割方法，通过两种新方法学习主要参数，并在 107 个数据集基准测试中优于现有技术，无需设置超参数且快速可扩展。

    Jul, 2022

  • 潜空间无监督语义分割

    本文提出了一种称为 LS-USS 的新型无监督分割算法，可轻松地处理在线和批处理数据的多维时间序列，并在多个真实数据集上将其与其他现有的变点检测算法进行比较。

    Jul, 2022

  • ESPRESSO：面向处理异构传感器数据的熵和形状感知时序分割

    本文提出了基于时间序列熵和形态学特性的 ESPRESSO 模型，在多维时间序列上进行分割，以提取信息丰富且有意义的时间段，该模型在七个公开数据集上表现优异，在人类活动识别、轨迹预测、手势识别和生活记录等应用场景中有着广泛的应用前景。

    Jul, 2020

  • 基于聚类的数据流分类框架

    本文提出了一种基于聚类的数据流分类框架，通过采用基于密度的流聚类算法，结合动态阈值和有效的主动标签查询策略，处理非平稳数据流，解决了标注的初始集问题和重叠类别之间的分类挑战。同时对聚类中的子簇结构进行探索，有效的解决了类别之间的重叠问题。实验结果和定量比较研究表明，该方法提供了比现有方法更好或可比较的性能。

    Jun, 2021

  • 基于片段类型特征化的时间序列聚类

    该研究提出一种基于两阶段聚类的时间序列聚类新技术，其中使用最小二乘多项式分段过程对每个时间序列进行分段，并将它们映射到相同维度的空间中进行一系列的聚类过程，最终结果很有前途，并在与两种最新方法相比较时显示出性能表现优异。

    Oct, 2018

  • 自动特征学习的时间序列分割

    本研究提出了一种新的基于深度学习的无监督方法，用于从 IoT 数据中映射出可解释的状态和转换。经过大量实验表明，该方法优于现有技术，并学习更微妙的断点边界。

    Jan, 2018

  • 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

  • T-SaS：面向流数据的移动感知动态适应

    在没有任何先兆的情况下，本文旨在解决连续数据建模中突发分布转变的问题。具体而言，我们设计了一个名为 T-SaS 的贝叶斯框架，使用离散分布建模变量捕捉数据的突变。然后，我们设计了一个模型，通过学习判断在完整网络中应该激活哪些神经元来实现与该离散变量的动态网络选择进行自适应。通过一组稀疏网络的重叠，采用动态遮罩策略来支持不同分布之间的互相转移。大量实验证明我们的方法在准确检测分布转变边界以获取不同分布的片段并有效适应下游预测或分类任务方面优越。

    Sep, 2023

  • 如何在开放时间序列中分类事件？

    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

  • 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