多变量时间序列分类综述 (一)

发布网友发布时间：2024-05-09 17:11

共1个回答

热心网友时间：2024-05-13 02:12

近年来，多变量时间序列分类（Multi-Variable Time Series Classification, MTSC）的研究引起了广泛关注，尤其是[1]《The great multivariate time series classification bake off》这篇综述性文章，为工程师和研究人员提供了丰富的实践指导。与单变量时间序列分类（Single-Variable Time Series Classification, SVTSC）相比，MTSC涉及跨维度特征的处理和海量数据的高效分析。其中，ROCKET算法[3]因其卓越的精度和快速训练速度，被推荐用于初步评估[2]。

MTSC的挑战在于如何有效融合不同维度的信息，如通过Distance Measures（如欧氏距离）衡量向量间的相似性。Adaptive warping策略采用阈值选择，如Shokoohi-Yekta的方法，通过信息增益来确定依赖还是独立的动态时间规整（DTW），这一过程依赖于训练数据集的特性[4]。

Ensemble methods如HIVE-COTE[3]通过集成单变量分类器，如STC和TSF，实现MTSC的提升。HIVE-COTE v1.0通过加权概率集成，实现了多变量数据的高效处理。Shapelets作为可解释的特征，如gRFS算法通过随机形状和决策树策略，利用bagging方法引入多样性[5]。

学习阶段，如Shapelet Learning，通过梯度下降优化形状片段的选择，通过欧氏距离进行分类。单一形状片段可能效果有限，但在组合使用时能提升分类性能[6]。例如，滑动窗口方法如Histograms over a dictionary通过SFA转换和卡方检验，再配合逻辑回归进行分类，如WEASEL+MUSE[7]方法。

Interval summarizing策略，如TSF和CIF，聚焦于时间间隔特征的提取和组合。TSF通过计算平均值、标准差和斜率等特征，结合随机森林和Entrance指标[8]。CIF在此基础上引入了Canonical Time-Series Characteristic (Catch22)特征，扩展到多变量场景，而CIF的实现细节通常需要借助CSTSA工具箱中的22个特征[9]。

值得注意的是，尽管这些算法最初设计为处理单变量，但在MTSC中，通常需要对多维度数据进行预处理。如CIF选取特征时，对每个维度进行随机选择，以适应多维度的复杂性[10]。综上所述，多变量时间序列分类是一个充满挑战和创新的领域，不断有新的方法和技术被提出，以应对不断增长的数据复杂性和多样性。