研究论文

时间序列分类的深度学习：综述

作者:

哈桑伊斯梅尔·法瓦兹,

日尔曼弗赖斯蒂尔,

乔纳森韦伯,

哈桑伊多姆加尔，以及

皮尔雷·阿莱恩穆勒作者信息和声明

数据挖掘与知识发现,体积33,发行4

页917-963

https://doi.org/10.1007/s10618-019-00619-1

出版:2019年7月1日出版历史

摘要

时间序列分类（TSC）是数据挖掘中一个重要且具有挑战性的问题。随着时间序列数据可用性的提高，已有数百种TSC算法被提出。在这些方法中，只有少数方法考虑了深度神经网络（DNN）来执行这项任务。这是令人惊讶的，因为在过去几年中，深度学习的应用非常成功。DNN确实给计算机视觉领域带来了革命性的变化，特别是随着新型深层结构的出现，如残余和卷积神经网络。除了图像之外，还可以使用DNN处理文本和音频等顺序数据，以达到文档分类和语音识别的最先进性能。在本文中，我们通过对TSC最新DNN体系结构的实证研究，研究了TSC深度学习算法的当前最新性能。我们概述了在TSC的DNN统一分类法下，各种时间序列域中最成功的深度学习应用程序。我们还为TSC社区提供了一个开源的深度学习框架，在那里我们实现了每种比较方法，并在一个单变量TSC基准（UCR/UEA档案）和12个多元时间序列数据集上对其进行了评估。通过在97个时间序列数据集上训练8730个深度学习模型，我们提出了迄今为止TSC最详尽的DNN研究。

工具书类

[1]

Abadi M、Agarwal A、Barham P、Brevdo E、Chen Z、Citro C、Corrado GS、Davis A、Dean J、Devin M、Ghemawat S、Goodfellow I、Harp A、Irving G、Isard M、Jia Y、Jozefowicz R、Kaiser L、Kudlur M、Levenberg J、ManéD、Monga R、Moore S、Murray D、Olah C、Schuster M、Shlens J、Steiner B、Sutskever I、Talwar K、Tucker P、Vanhoucke V、Vasudevan V、Vi gas F、，Vinyals O，Warden P，Wattenberg M，Wicke M，Yu Y，Zheng X（2015）TensorFlow:异构系统上的大规模机器学习。https://www.tensorflow.org/2019年2月28日访问

[2]

Al-Jowder O、Kemsley E和Wilson R中红外光谱和选定肉类的真实性问题：可行性研究食品化学1997 59 2 195-201

[3]

Aswolinskiy W，Reinhart RF，Steil J（2016）《储层和模型空间的时间序列分类：比较》。In:模式识别中的人工神经网络，第197–208页

[4]

Aswolinskiy W、Reinhart RF和Steil J储层和模型空间中的时间序列分类神经过程Lett2017 48 789-809

[5]

判别自回归时间序列的Bagnall A和Janacek G A游程变换J类2014 31 2 154-178

[6]

Bagnall A、Lines J、Hills J、Bostrom A（2016）《COTE的时间序列分类：基于转换的信号群集合》。在：国际数据工程会议，第1548-1549页

[7]

Bagnall A、Lines J、Bostrom A、Large J和Keogh E伟大的时间序列分类烘焙：最近算法进展的回顾和实验评估数据最小知识发现2017 31 3 606-660

[8]

Bahdanau D，Cho K，Bengio Y（2015）联合学习对齐和翻译的神经机器翻译。参加：学习表现国际会议

[9]

贝尔德HS记录图像缺陷模型1992年柏林施普林格546-556

[10]

Banerjee D、Islam K、Mei G、Xiao L、Zhang G、Xu R、Ji S、Li J（2017）《深度转移学习方法用于改善创伤后应激障碍诊断》。摘自：IEEE数据挖掘国际会议，第11-20页

[11]

Baydogan MG（2015）多变量时间序列分类数据集。http://www.mustafabaydogan.com2019年2月28日访问

[12]

Baydogan MG、Runger G和Tuv E A bag-of-features框架对时间序列进行分类IEEE跨模式分析-马赫集成电路2013 35 11 2796-2802

[13]

行李员R动态编程2010普林斯顿大学出版社

[14]

Benavoli A、Corani G和Mangili F我们真的应该使用基于平均数的事后测试吗？马赫学习研究2016 17 1 152-161

[15]

Bengio Y，Yao L，Alain G，Vincent P（2013）作为生成模型的广义去噪自动编码器。摘自：神经信息处理系统国际会议，第899–907页

[16]

Bianchi FM、Scardapane S、Lökse S、Jenssen R（2018）多元时间序列表示和分类的油藏计算方法。arXiv:1803.07870

[17]

主教C模式识别和机器学习2006年柏林施普林格

[18]

Bostrom A，Bagnall A（2015）用于多类时间序列分类的二进制形状变换。收录：大数据分析和知识发现，第257-269页

[19]

Che Z，Cheng Y，Zhai S，Sun Z，Liu Y（2017a）使用生成性对抗网络促进电子健康记录的深度学习风险预测。收录：IEEE数据挖掘国际会议，第787–792页

[20]

Che Z，He X，Xu K，Liu Y（2017b）DECADE：多元时间序列的深度度量学习模型。In:KDD时间序列挖掘和学习研讨会

[21]

Chen H，Tang F，Tino P，Yao X（2013）高效时间序列分析的基于模型的内核。参加：ACM SIGKDD知识发现和数据挖掘国际会议，第392-400页

[22]

Chen H，Tang F，Tiño P，Cohn A，Yao X（2015a）时间序列分类的模型度量联合学习。在：人工智能国际联合会议，第3387–394页

[23]

Chen Y，Keogh E，Hu B，Begum N，Bagnall A，Mueen A，Batista G（2015b）《加州大学学报》时间序列分类档案。www.cs.ucr.edu/~eamonn/time_series_data（中文）/2019年2月28日访问

[24]

Chollet Fea（2015年）Keras。https://keras.io网址2019年2月28日访问

[25]

Chouikhi N、Ammar B、Alimi AM（2018）《用于高效数据表示的基本和多层回声状态网络递归自动编码器的起源》。arXiv公司：1804.08996

[26]

Cristian Borges Gamboa J（2017）《时间序列分析的深度学习》。arXiv:1701.01887

[27]

Cui Z，Chen W，Chen Y（2016）用于时间序列分类的多尺度卷积神经网络。arXiv:1603.06995

[28]

Dau HA、Silva DF、Petitjean F、Forestier G、Bagnall A、Keogh E（2017）动态时间扭曲窗口宽度的合理设置可以更准确地分类时间序列。收录：IEEE大数据国际会议，第917–922页

[29]

Dau HA、Bagnall A、Kamgar K、Yeh CCM、Zhu Y、Gharghabi S、Ratanamahatana CA、Keogh E（2018）《UCR时间序列档案》。ArXiv公司arXiv公司：1810.07758

[30]

Demšar J多数据集分类器的统计比较马赫学习研究2006 7 1-30

[31]

Deng H、Runger G、Tuv E和Vladimir M用于分类和特征提取的时间序列森林信息科学2013 239 142-153

[32]

Esling P和Agon C时间序列数据挖掘ACM计算监视2012 45 1 12:1-12:34

[33]

Faust O、Hagiwara Y、Hong TJ、Lih OS和Acharya UR基于生理信号的医疗应用深度学习：综述生物识别计算方法程序2018 161 1-13

[34]

Forestier G，Petitjean F，Dau HA，Webb GI，Keogh E（2017）生成合成时间序列以增强稀疏数据集。摘自：IEEE数据挖掘国际会议，第865-870页

[35]

Friedman M问题重要性替代测试的比较

米

排名数学统计年鉴1940 11 1 86-92

[36]

Gallicchio C，Micheli A（2017）深回波状态网络（DeepESN）：简要调查。arXiv:1712.04323

[37]

Garcia S和Herrera F对所有成对比较的“多数据集上分类器的统计比较”的扩展马赫学习研究2008 9 2677-2694

[38]

耿Y，罗X（2018）用于不平衡时间序列分类的基于成本敏感卷积的神经网络。ArXiv公司arXiv:1801.04396号

[39]

Glrot X，Bengio Y（2010）《理解深度前馈神经网络训练的困难》。In：人工智能和统计国际会议，第9卷，第249-256页

[40]

Goldberg Y自然语言处理神经网络模型入门Artif智能资源2016 57 1 345-420

[41]

龚Z、陈H、袁B和姚X时间序列分类模型空间中的多目标学习IEEE Trans-Cybern公司2018 99 1-15

[42]

Grabocka J、Schilling N、Wistuba M、Schmidt-Thieme L（2014）学习时间序列形状。参加：ACM SIGKDD知识发现和数据挖掘国际会议，第392-401页

[43]

Hatami N，Gavet Y，Debayle J（2017）使用深度卷积神经网络对时间序列图像进行分类。参加：机器视觉国际会议

[44]

何科，张X，任S，孙J（2015）《深入研究整流器：在图像网络分类方面超越人类水平的表现》。摘自：IEEE计算机视觉国际会议，第1026–1034页

[45]

何K，张X，任S，孙J（2016）用于图像识别的深度残差学习。摘自：IEEE计算机视觉和模式识别会议，第770-778页

[46]

Hills J、Lines J、Baranauskas E、Map J和Bagnall A通过形状变换对时间序列进行分类数据最小知识发现2014 28 4 851-881

[47]

Hinton G、Deng L、Yu D、Dahl GE、Mohamed AR、Jaitly N、Senior A、Vanhoucke V、Nguyen P、Sainath TN和Kingsbury B用于语音识别中声学建模的深层神经网络：四个研究小组的共同观点IEEE信号处理杂志2012 29 6 82-97

[48]

Hoerl AE和Kennard RW岭回归：非正交问题的应用技术计量学1970 12 1 69-82

[49]

Holm S一种简单的顺序拒绝多重测试程序扫描J统计1979 6 2 65-70

[50]

Höppner F通过集成预处理步骤改进时间序列相似性度量数据最小知识发现2016 31 851-878

[51]

Hu Q、Zhang R和Zhou Y深度神经网络短期风速预测的传递学习可再生能源2016 85 83-95

[52]

Ignatov使用卷积神经网络从加速度计数据中实时识别人类活动应用软计算2018 62 915-922

[53]

Ioffe S，Szegedy C（2015）《批量规范化：通过减少内部协变量偏移来加速深层网络训练》。In:机器学习国际会议，第37卷，第448–456页

[54]

Ismail Fawaz H、Forestier G、Weber J、Idoumghar L、Muller PA（2018a）使用合成数据进行数据增强，用于深度剩余网络的时间序列分类。参加：时间数据高级分析和学习国际研讨会，ECML PKDD

[55]

Ismail Fawaz H、Forestier G、Weber J、Idoumghar L、Muller PA（2018b）使用卷积神经网络从运动学数据评估手术技能。摘自：医学图像计算和计算机辅助干预，第214-221页

[56]

Ismail Fawaz H、Forestier G、Weber J、Idoumghar L、Muller PA（2018c）时间序列分类的转移学习。收录：IEEE大数据国际会议，第1367–1376页

[57]

Jaeger H和Haas H利用非线性：预测混沌系统和无线通信节能科学类2004 304 5667 78-80

[58]

Kate RJ使用动态时间扭曲距离作为改进时间序列分类的特征数据最小知识发现2016 30 2 283-312

[59]

Keogh E，Mueen A（2017）《维度诅咒》。收录：机器学习和数据挖掘百科全书。施普林格，第314–315页

[60]

Kim Y（2014）句子分类的卷积神经网络。In：自然语言处理中的经验方法

[61]

Kingma DP，Ba J（2015）Adam：一种随机优化方法。参加：学习表现国际会议

[62]

Kotsifakos A，Papapetrou P（2014），基于模型的时间序列分类。主题：智能数据分析进展，第179–191页

[63]

Krasin I、Duerig T、Alldrin N、Ferrari V、Abu-El-Haija S、Kuznetsova A、Rom H、Uijlings J、Popov S、Kamali S、Mallocis M、Pont-Tuset J、Veit A、Belongie S、Gomes V、Gupta A、Sun C、Chechik G、Cai D、Feng Z、Narayanan D、Murphy K（2017）OpenImages:大规模多标签和多类图像分类的公共数据集。https://storage.googleapis.com/openimages/web/index.html2019年2月28日访问

[64]

Krizhevsky A，Sutskever I，Hinton GE（2012）深度卷积神经网络的ImageNet分类。主题：神经信息处理系统进展，第25卷，第1097–1105页

[65]

Kruskal JB，Wish M（1978）多维标度。圣哲大学社会科学定量应用系列论文编号07-011

[66]

Längkvist M、Karlsson L和Loutfi A时间序列建模的无监督特征学习和深度学习综述图案识别信2014 42 11-24

[67]

Large J，Lines J，Bagnall A（2017）标准分类算法（HESCA）的异质集合：整体大于部分之和。arXiv:1710.09220

[68]

Le Q，Mikolov T（2014）句子和文档的分布式表示。在：机器学习国际会议，第32卷，第II–1188–II–1196页

[69]

Le Guenec A、Malinowski S、Tavenard R（2016）《使用卷积神经网络进行时间序列分类的数据增强》。参与：ECML/PKDD时间数据高级分析和学习研讨会

[70]

LeCun Y、Bottou L、Bengio Y和Haffner P基于梯度的学习应用于文档识别程序IEEE1998 86 11 2278-2324

[71]

LeCun Y、Bottou L、Orr GB和Müller KR Montavon G高效背投神经网络：交易技巧1998年柏林施普林格9-50

[72]

LeCun Y、Bengio Y和Hinton G深度学习自然2015 521 436-444

[73]

Lin S和Runger GC GCRNN：群约束卷积递归神经网络IEEE跨神经网络学习系统2018 99 1-10

[74]

J线和Bagnall线弹性距离测度集合的时间序列分类数据最小知识发现2015 29 3 565-592

[75]

Lines J，Taylor S，Bagnall A（2016）HIVE-COTE:时间序列分类基于转换的集合的层次投票集合。摘自：IEEE数据挖掘国际会议，第1041–1046页

[76]

线J、Taylor S和Bagnall：HIVE-COTE的时间序列分类：基于转换的信号群的层次投票集合ACM Trans Knowl发现数据2018 12 5 52:1-52:35

[77]

Liu C、Hsaio W和Tu Y基于多元卷积神经网络的时间序列分类IEEE Trans-Ind-Electron公司2018 66 1-1

[78]

Lu J、Young S、Arel I和Holleman J A 1的模拟深度机器学习引擎，浮点存储速度为0.13

μ

米cmosIEEE J固态电路2015 50 1 270-281

[79]

Lucas B、Shifaz A、Pelletier C、O'Neill L、Zaidi N、Goethals B、Petitjean F和Webb GI邻近森林：一种有效且可扩展的基于距离的时间序列分类器数据最小知识发现2018 28 851-881

[80]

Ma Q，Shen L，Chen W，Wang J，Wei J，and Yu Z时间序列分类的功能回波状态网络信息科学2016 373 1-20

[81]

Malhotra P、TV V、Vig L、Agarwal P、Shroff G（2018）TimeNet：用于时间序列分类的预训练深度递归神经网络。摘自：欧洲人工神经网络、计算智能和机器学习研讨会，第607-612页

[82]

Martinez C、Perrin G、Ramasso E、Rombaut M（2018）时间序列早期分类的深度强化学习方法。In:欧洲信号处理会议

[83]

Mehdiyev N、Lahann J、Emrich A、Enke D、Fettke P和Loos P使用深度学习进行工艺规划的时间序列分类：一个来自工艺行业的案例过程计算科学2017 114 242-249

[84]

Mikolov T，Chen K，Corrado G，Dean J（2013a）向量空间中单词表示的有效估计。参加：学习代表国际会议-研讨会

[85]

Mikolov T、Sutskever I、Chen K、Corrado G、Dean J（2013b）《单词和短语的分布式表示及其组成》。In：神经信息处理系统，第3111–3119页

[86]

Mittelman R（2015）用非抽取全卷积神经网络进行时间序列建模。arXiv:1508.00317

[87]

Neamtu R、Ahsan R、Rundensteiner EA、Sarkozy G、Keogh E、Dau HA、Nguyen C、Lovering C（2018）广义动态时间扭曲：释放隐藏在点距离中的扭曲力量。参加：IEEE数据工程国际会议

[88]

Nguyen TL，Gsponer S，Ifrim G（2017）全子序列空间中序列学习的时间序列分类。收录：IEEE数据工程国际会议，第947-958页

[89]

Nwe TL，Dat TH，Ma B（2017）用于声场景分类的具有多任务学习方案的卷积神经网络。附：亚太信号和信息处理协会年度峰会和会议，第1347-1350页

[90]

Nweke HF、Teh YW、Al garadi MA和Alo UR使用移动和可穿戴传感器网络进行人类活动识别的深度学习算法：最新技术和研究挑战专家系统应用2018 105 233-261

[91]

用于多模式可穿戴活动识别的Ordónáez FJ和Roggen D深度卷积和LSTM递归神经网络传感器2016 16 115

[92]

潘斯杰和杨Q关于迁移学习的调查IEEE Trans Knowl数据工程2010 22 10 1345-1359

[93]

Papernot N，McDaniel P（2018）《深度k近邻：走向自信、可解释和强大的深度学习》。arXiv公司：1803.04765

[94]

Pascanu R、Mikolov T、Bengio Y（2012）《理解爆炸梯度问题》。arXiv:1211.5063号

[95]

Pascanu R、Mikolov T、Bengio Y（2013），关于训练递归神经网络的难度。在：机器学习国际会议，第28卷，第III–1310–III–1318页

[96]

Petitjean F、Forestier G、Webb GI、Nicholson AE、Chen Y和Keogh E通过利用一种新的动态时间扭曲平均算法对时间序列进行更快、更准确的分类知识信息系统2016 47 1 1-26

[97]

Poggio T、Mhaskar H、Rosasco L、Miranda B和Liao Q为什么以及什么时候深层而非浅层网络可以避免维度诅咒：综述国际J自动计算2017 14 5 503-519

[98]

Rajan D，Thiagarajan J（2018）有限通道心电图分类的生成建模方法。收录于：IEEE医学与生物学会工程，2018年第卷，第2571页

[99]

Rajkomar A、Oren E、Chen K、Dai AM、Hajaj N、Liu PJ、Liu X、Sun M、Sundberg P、Yee H、Zhang K、Duggan GE、Flores G、Hardt M、Irvine J、Le Q、Litsch K、Marcus J、Mossin A、Tansuwan J、Wang D、Wexler J、Wilson J、Ludwig D、Volchenboum SL、Chou K、Pearson M、Madabushi S、Shah NH、Butte AJ、Howell M、Cui C、Corrado G、，和Dean J针对电子健康记录的可扩展且准确的深度学习NPJ数字医学2018 1 18

[100]

Ratanamahatana CA，Keogh E（2005）关于动态时间扭曲数据挖掘的三个神话。摘自：SIAM数据挖掘国际会议，第506–510页

[101]

Rowe ACH和Abbott PC Daubechies小波与数学计算物理1995 9 6 635-648

[102]

Russakovsky O、Deng J、Su H、Krause J、Satheesh S、Ma S、Huang Z、Karpathy A、Khosla A、Bernstein M、Berg AC和Fei-Fei L ImageNet大型视觉识别挑战国际J计算机视觉2015 115 3 211-252

[103]

Sainath TN、Mohamed AR、Kingsbury B、Ramabhadran B（2013）LVCSR的深度卷积神经网络。摘自：IEEE声学、语音和信号处理国际会议，第8614–8618页

[104]

Santos T，Kern R（2017）早期时间序列分类和深度学习的文献调查。参加：知识技术和数据驱动商业国际会议

[105]

Schäfer P BOSS关注存在噪声的时间序列分类数据最小知识发现2015 29 6 1505-1530

[106]

SerráJ、Pascual S和Karatzoglou A朝向时间序列的通用神经网络编码器Artif Intell Res Dev Curr Chall新趋势应用2018 308 120

[107]

Silva DF、Giusti R、Keogh E和Batista G通过剪枝无希望的对齐来加速动态时间扭曲下的相似性搜索数据最小知识发现2018 32 4 988-1016

[108]

Srivastava N、Hinton G、Krizhevsky A、Sutskever I和Salakhutdinov R Dropout：防止神经网络过拟合的简单方法J Mach学习研究2014 15 1929-1958

[109]

Strodhoff N和Strodthoff C利用全卷积神经网络检测和解释心肌梗死生理学测量2019 40 1 015001

[110]

Susto GA、Cenedese A、Terzi M（2018）《时间序列分类方法：电力系统数据回顾与应用》。In：电力系统中的大数据应用，第179-220页

[111]

Sutskever I，Vinyals O，Le QV（2014），神经网络序列到序列学习。In：神经信息处理系统，第3104–3112页

[112]

Szegedy C、Liu W、Jia Y、Sermanet P、Reed S、Anguelov D、Erhan D、Vanhoucke V、Rabinovich A（2015）《卷积的深入》。摘自：IEEE计算机视觉和模式识别会议，第1-9页

[113]

Tanisaro P，Heidemann G（2016）使用时间扭曲不变回波状态网络进行时间序列分类。摘自：IEEE机器学习和应用国际会议，第831–836页

[114]

Tripathy R和Acharya UR利用RR时间序列和EEG信号的特征在深度神经网络框架中自动分类睡眠阶段生物信息工程2018 38 890-902

[115]

Uemura M、Tomikawa M、Miao T、Souzaki R、Ieiri S、Akahoshi T、Lefor AK和Hashizume M基于人工智能的专家和新手外科医生手势测量的可行性计算数学方法医学2018 2018 9873273

[116]

Ulyanov D、Vedaldi A、Lempitsky V（2016）《实例规范化：快速风格化的缺失要素》。arXiv:1607.08022

[117]

Vaswani A、Shazeer N、Parmar N、Uszkoreit J、Jones L、Gomez AN、Kaiser L、Polosukhin I（2017）关注是你所需要的。主题：神经信息处理系统进展，第5998–6008页

[118]

Wang Z，Oates T（2015a）使用平铺卷积神经网络将时间序列编码为图像进行视觉检查和分类。摘自：AAAI人工智能会议研讨会，第40-46页

[119]

Wang Z，Oates T（2015b）改进分类和插补的成像时间序列。摘自：国际人工智能会议，第3939–3945页

[120]

Wang Z，Oates T（2015c）使用卷积神经网络对时间相关性进行空间编码以分类时间数据。arXiv:1509.07481

[121]

Wang L，Wang Z和Liu S一种使用回声状态网络和自适应差分进化算法的有效多变量时间序列分类方法专家系统应用2016 43 237-249

[122]

王伟，陈C，王伟，Rai P，Carin L（2016b）早期时间序列分类的Earliness-aware深度卷积网络。arXiv公司：1611.04578

[123]

Wang Z，Song W，Liu L，Zhang F，Xue J，Ye Y，Fan M，Xu M（2016c）多元时间序列分类和可视化的反卷积表示学习。arXiv:1610.07258

[124]

Wang S、Hua G、Hao G和Xie C多元时间序列分类的循环深信念网络模型数学问题工程师2017 2017 1-7

[125]

Wang Z，Yan W，Oates T（2017b）利用深度神经网络从头开始的时间序列分类：强大的基线。摘自：国际神经网络联合会议，第1578–1585页

[126]

王杰，陈毅，郝S，彭晓霞，胡磊（2018a）基于传感器的活动识别深度学习：一项调查。模式识别Lett

[127]

Wang J，Wang Z，Li J，Wu J（2018b）可解释时间序列分析的多级小波分解网络。摘自：第24届ACM SIGKDD知识发现和数据挖掘国际会议记录，第2437–2446页

[128]

Wilcoxon F排名法的个体比较Biom公牛1945 1 6 80-83

[129]

Yang Q和Wu X 10数据挖掘研究中的挑战性问题Inf Technol Decis Mak公司2006 05 04 597-604

[130]

Ye L和Keogh E时间序列形状：一种新技术，可实现准确、可解释和快速分类数据最小已知Discov2011 22 1 149-182

[131]

Yosinski J、Clune J、Bengio Y、Lipson H（2014）深度神经网络中的特征如何可转移？In:神经信息处理系统国际会议，第2卷，第3320–3328页

[132]

Zeiler MD（2012）ADADELTA：一种自适应学习率方法。arXiv:1212.5701

[133]

Zhang C、Bengio S、Hardt M、Recht B、Vinyals O（2017）理解深度学习需要重新思考泛化。参加：学习表现国际会议

[134]

Zhao B、Lu H、Chen S、Liu J和Wu D时间序列分类的卷积神经网络系统工程电子2017 28 1 162-169

[135]

Zheng Y，Liu Q，Chen E，Ge Y，Zhao JL（2014）使用多通道深度卷积神经网络进行时间序列分类。In:Web-age信息管理，第298-310页

[136]

Zheng Y，Liu Q，Chen E，Ge Y，Zhao JL利用多通道深度卷积神经网络进行多元时间序列分类前沿计算科学2016 10 1 96-112

[137]

Zhou B，Khosla A，Lapedriza A，Oliva A，Torralba A（2016）学习区分性本地化的深层特征。摘自：IEEE计算机视觉和模式识别会议，第2921–2929页

[138]

Ziat A、Delasales E、Denoyer L、Gallinari P（2017）时空序列预测和关系发现的时空神经网络。摘自：IEEE数据挖掘国际会议，第705–714页

引用人

张凯（Zhang K）他是M郭J(2024)一种高效的水轮机组故障预测CNN变压器混合方法科学与工程计算方法杂志10.3233/JCM-23707424:2(823-834)在线发布日期：2024年1月1日
https://dl.acm.org/doi/10.3233/JCM-237074
Ang Y公司黄Q包Y东丫黄Z(2024)TSGBench：时间序列生成基准VLDB捐赠会议记录10.14778/3632093.363209717:3(305-318)在线发布日期：2024年1月20日
https://doi.org/10.14778/3632093.3632097
斯坦格M鲍尔A普朗特TLeppich R公司哈德逊N查尔德K福斯特一世库内夫S(2024)分类思考：时间序列合成质量评估综述数据与信息质量杂志10.1145/366600616:2(1-32)在线发布日期：2024年5月25日
https://dl.acm.org/doi/10.1145/3666006
显示更多引用者

建议

基于深度学习的图形图像混沌系统时间序列分类
摘要
在这项研究中，有史以来第一次通过深度学习方法对不同混沌系统的时间序列的图形图像进行分类来识别它们。为此，将生成一个数据集，其中包括。。。
阅读更多信息
基于预训练深度神经网络的室内温度时间序列预测
2013年第23届人工神经网络和机器学习国际会议论文集ICANN第8131卷

人工神经网络已被证明擅长于时间序列预测问题，并在文献中得到了广泛研究。传统上，由于在处理深层模型时存在收敛问题，所以使用浅层架构。最近的研究结果。。。
阅读更多信息
使用时间序列和深度学习技术的传感器数据预测分析框架
摘要
物联网设备将数十亿个对象转换为数据生成实体，使其能够报告状态并与周围环境交互。这些数据有多种格式，如结构化、半结构化或非结构化。此外，它可以。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图像数据挖掘与知识发现

数据挖掘与知识发现第33卷第4期

2019年7月

418页

国际标准编号：1384-5810

©作者，经Springer Science+Business Media LLC独家授权，属于Springer Nature 2019的一部分。

出版商

Kluwer学术出版社

美国

出版历史

出版：2019年7月1日

认可的：2019年2月25日

收到：2018年9月12日

作者标记

限定符

研究文章

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

404
引文总数
查看引文
0
下载总量

下载次数（过去12个月）0
下载次数（最近6周）0

其他指标

查看作者指标

引文

引用人

张K他是M郭J(2024)一种高效的水轮机组故障预测CNN变压器混合方法科学与工程计算方法杂志10.3233/JCM-23707424:2(823-834)在线发布日期：2024年1月1日
https://dl.acm.org/doi/10.3233/JCM-237074
Ang Y公司黄Q包Y东丫黄Z(2024)TSGBench：时间序列生成基准VLDB捐赠会议记录10.14778/3632093.363209717:3(305-318)在线发布日期：2024年1月20日
https://doi.org/10.14778/3632093.3632097
斯坦格M鲍尔A普朗特TLeppich R公司哈德逊N查尔德K福斯特一世库内夫S(2024)分类思考：时间序列合成质量评估综述数据与信息质量杂志10.1145/366600616:2(1-32)在线发布日期：2024年5月25日
https://dl.acm.org/doi/10.1145/3666006
纳托尔T塞拉X皮尔逊L(2024)狂欢音乐中的Svara形式和协同发音：一项使用深度聚类的调查第十一届国际音乐学数字图书馆会议纪要10.1145/3660570.3660580(15-22)在线发布日期：2024年6月27日
https://dl.acm.org/doi/10.1145/3660570.3660580
洪Z李Z钟S吕·W王H丁·YHe T公司张D(2024)CrossHAR：基于分层自我监督预训练的跨数据人类活动识别泛化ACM互动、移动、穿戴和普及技术会议录10.1145/36595978:2(1-26)在线发布日期：2024年5月15日
https://dl.acm.org/doi/10.1145/3659597
姜伟贡卡尔维斯J科斯塔科斯五世(2024)移动近红外传感器——设备、数据、建模和应用的系统综述倒排索引综述10.1145/365259656:8(1-36)在线发布日期：2024年4月10日
https://dl.acm.org/doi/10.1145/3652596
穆罕默德·福马尼N米勒L棕褐色CWebb G公司弗赖斯蒂尔G萨利希M(2024)时间序列分类和外部回归的深度学习：一项最新调查倒排索引综述10.1145/364944856:9(1-45)在线发布日期：2024年4月25日
https://dl.acm.org/doi/10.1145/3649448网址
陈HEldardiry H公司(2024)深度学习中的图形时间序列建模：综述ACM数据知识发现事务10.1145/363853418:5(1-35)在线发布日期：2024年2月28日
https://dl.acm.org/doi/10.1145/3638534
东热P(2024)心理健康支持的生理驱动移情大语言模型（EmLLM）2024年CHI计算机系统人为因素会议的扩展摘要10.1145/3613905.3651132(1-5)在线发布日期：2024年5月11日
https://dl.acm.org/doi/10.1145/3613905.3651132
李伯斯J拉斯科夫斯基P雷达发射机F萨贝尔LHoppen J公司格伦菲尔德USchneegass S公司(2024)动力学特征：虚拟现实中基于运动的用户识别的系统研究CHI计算机系统人为因素会议记录10.1145/3613904.3642471(1-19)在线发布日期：2024年5月11日
https://dl.acm.org/doi/10.1145/3613904.3642471
显示更多引用者

视图选项

查看选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

媒体

数字

其他

桌子

查看问题目录