时间序列分类问题的算法比较

被引：43

作者：

杨一鸣 ^{[1
]}

潘嵘 ^{[2
]}

潘嘉林 ^{[2
]}

杨强 ^{[1
]}

李磊 ^{[1
]}

机构：

[1] 中山大学软件研究所

[2] 香港科技大学计算机科学与工程系

来源：

计算机学报 | 2007年 / 08期

关键词：

分类; 时间序列; 基于模型聚类; 马尔可夫模型; 统计学习;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

时间序列分类是时间序列数据分析中的重要任务之一.不同于时间序列分析中常用的算法与问题,时间序列分类是要把整个时间序列当作输入,其目的是要赋予这个序列某个离散标记.它比一般分类问题困难,主要在于要分类的时间序列数据不等长,这使得一般的分类算法不能直接应用.即使是等长的时间序列,由于不同序列在相同位置的数值一般不可直接比较,一般的分类算法依然还是不适合直接应用.为了解决这些难点,通常有两种方法:第一,定义合适的距离度量(这里,最常用的距离度量是DTW距离),使得在此度量意义下相近的序列有相同的分类标签,这类方法属于领域无关的方法;第二,首先对时间序列建模(利用序列中前后数据的依赖关系建立模型),再用模型参数组成等长向量来表示每条序列,最后用一般的分类算法进行训练和分类,这类方法属于领域相关的方法.长期以来,研究者往往只倾向于使用其中一种算法,而这两类算法的比较却比较缺乏.文中深入分析了这两类方法,并且分别在不同的合成数据集和实际数据集上比较了两类方法.作者观测到了两类算法在不同因素影响下的性能表现,从而为今后发展新的算法提供了有力依据.

引用

页码：1259 / 1266

页数：8

共 9 条

[1]

Nearest Neighbor(NN)Norms:NN Pattern Classification Techniques. Dasarathy Belur V. . 1990

[2]

Aligning gene expressionti me series with ti me warping algorithms. Aach J,Church G. Bioinformatics . 2001

[3]

Fundamentals of Statistical Signal Process-ing:Esti mation Theory. Kay Steven M. . 1993

[4]

C4.5:Programs for Machine Learning. Quinlan J R. . 1993

[5]

Some methods for classification and analysis of multivariate observations//Proceedings of the5th Berkeley Symposium on Mathematical Statistics and Probability. MacQueen J B. Berkeley . 1967

[6]

A generative-discri minative hybrid for sequential data classification//Pro-ceedings of the IEEE International Conference on Acoustics and Signal Processing. Abou-Moustafa K T,Cheriet M,Suen C Y. Montreal . 2004

[7]

The Nature of Statistical Learning Theo-ry. Vapnik Vladi mir. . 1999

[8]

Haar wavelets for efficient si milarity search of ti me-series:With and without ti me warping. Chan Franky Kin-Pong,Fu Ada Wai-Chee,Yu Clement. IEEE Transactions on Knowledge and Data Engineering . 2003

[9]

The symmetric ti me warping al-gorithm:Fromcontinuous to discrete//Ti me Warps,String Edits and Macromolecules. Kruskall J B,Liberman M. . 1983

← 1 →