时间序列的早期分类:分类体系和基准
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
本文提出了一种采用新的优化准则的分类算法,该准则考虑了分类错误的成本和等待决策的成本,并尝试通过使用聚类或分类器来减少误判和延迟的影响,实验结果表明,这种方法优于传统的基于经验策略的方法。
May, 2020
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
本文系统地回顾了当前文献中针对一元和多元时间序列早期分类的各种方法,将这些方法划分为基于前缀、基于形状、基于模型和其他方法四个类别,并讨论了在医疗保健、金融和智能交通等领域中早期分类的应用。未来的研究方向也得到了总结。
May, 2020
本文提出了基于 End-to-End Learned Early Classification of Time Series (ELECTS) 的模型,通过训练远程感知卫星获取的时间序列数据来进行预测并提高农作物分类的准确性和判断速度。该模型不仅可以提高分类准确性,同时还能在不降低准确性的情况下尽可能地减少需要下载、存储和处理的数据量。
Jan, 2019
本篇论文介绍了针对时间序列数据异常检测的分类方法,并对传统和深度学习技术进行了评估和比较,为选择最适合特定应用设置的方法提供了指导,并提出了研究方向。
Sep, 2022
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(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