基于对抗策略类别特定的多样性时间序列shapelets提取

doi:10.11896/jsjkx.230200074

摘要

摘要：对于时间序列分类，通过提取时间序列的形状来进行分类的方法因其高分类精度和良好的可解释性而受到广泛关注。大多数现有的基于形状集的方法学习所有类的共享形状集，这可以区分大多数类，但不能区分唯一类。此外，这些模型使用对抗策略获得的形状存在多样性不足等问题。为了解决这些问题，本文提出了一种基于对抗策略的针对不同类别的形状集提取方法。该方法将类别信息嵌入到时间序列中，利用多生成器模块对抗性地生成多个不同类别的特定形状集。通过施加差异约束来保证shapelets的多样性，最后一步使用shapelets变换获得的特征对时间序列进行分类。在36个时间序列数据集上，将该方法与5种基于形状集的算法和11种最新的分类算法进行了实验比较。实验结果表明，与5种基于形状集的算法和11种高级分类算法相比，该方法在36个数据集中的26个和20个数据集上取得了最好的结果，并且都达到了最高的平均秩，其平均年龄分类精度至少比其他方法高2.4%，最多高20%。消融分析和可视化分析证明了多样性和类别特定方法对时间序列分类的有效性。

关键词： 时间序列，形状，类别特定，多样性，对手网络

CLC编号：

TP391型

罗英，万元，王励勤。基于对抗策略的时间序列类别特异性和多样性形状提取[J]。计算机科学，2024，51（5）：35-44。

工具书类

[1] 卡雷埃玛·阿鲁尔·M。Shapelet变换在地震、风浪数据时间序列分类中的应用[J]。工程结构，2021228:111564。
[2] AHMED T，SINGH D.基于概率密度函数的MODIS NDVI时间序列数据分类与植被生长周期监测[J]。空间研究进展，2020，66（4）：873-886。
[3] Al-HADEETHI H，ABDULLA S，DIYKH M，等.自适应Boost LS-SVM分类方法在癫痫发作时间序列信号分类中的应用[J]。专家系统与应用，2020161:113676。
[4] 杨家凤甲，魏智，陈开义，等.基于机器学习算法的金融时间序列跳跃检测[J]。软计算，2020,24（3）：1789-1801。
[5] RATANAMAHATANA C A，KEOGH E J.关于动态时间扭曲数据挖掘的三个神话[C]//2005 SIAM国际数据挖掘会议论文集。加利福尼亚州：SIAM，2005:506-510。
[6] 丁浩，TRAJCEVSKI G，SCHEUERMANN P，等.时间序列数据的查询与挖掘：表征与距离测度的实验比较[J]。VLDB捐赠会议记录，2008年1（2）：1542-1552。
[7] YE L，KEOGH E.时间序列Shapelets:数据挖掘的新原语[C]//第15届ACM SIGKDD知识发现和数据挖掘国际会议论文集。2009:947-956。
[8] MUEEN A，KEOGH E，YOUNG N.Logical-Shaplets:时间序列分类的外显原语[C]//第17届ACM SIGKDD国际知识发现和数据挖掘会议的过程。纽约：计算机协会，2011:1154-1162。
[9] RAKTHANMANON T，KEOGH E.Fast Shapelets:一种发现时间序列Shapelets的可缩放算法[C]//2013 SIAM国际数据挖掘会议的进程.2013:668-676。
[10] 张志刚，张海伟，温永乐，等.时间序列特征的判别提取[J]。神经计算，2018275:2317-2328。
[11] LINES J，DAVIS L M，HILLS J，et al.时间序列分类的shapelet变换[C]//ACM SIGKDD知识发现和数据挖掘国际会议论文集。奥斯汀：SIAM，2012:289-297。
[12] GRABOCKA J，SCHILLING N，WISTUBA M，et al.学习时间序列Shapelets[C]//第20届ACM SIGKDD知识发现与数据挖掘国际会议论文集。纽约：计算机协会，2014:392-401。
[13] HOU L，KWOK J，ZURADA J.时间序列Shapelets的有效学习[C]//AAAI人工智能会议论文集。凤凰城：AAAI出版社，2016:1209-1215。
[14] 李刚，CHOI B，XU J，等.基于时间序列分类的高效Shapelet发现[J]。IEEE知识与数据工程汇刊，2020,34（3）：1149-1163。
[15] 王Z，颜伟，OATES T.深度神经网络时间序列从头分类：强大的基线[C]//2017年国际神经网络联合会议。安克雷奇：IEEE，2017:1578-1585。
[16] 王毅，EMONET R，FROMONT E，等.利用对抗正则化学习时间序列分类的可解释形状[J].arXiv:1906.009172019。
[17] 马奇，庄伟，李斯，等.对抗动态Shapelet网络[C]//美国人工智能学会人工智能会议论文集。纽约：AAAI出版社，2020:5069-5076。
[18] BOUBRAHIMI S F，HAMDI S M，MA R，等.时间序列数据形状最小集的挖掘[C]//2020 IEEE国际大数据会议（Big Data）。亚特兰大：IEEE，2020:493-502。
[19] 林杰，柯根E，魏磊，等。体验SAX：时间序列的一种新的符号表示[J]。数据挖掘与知识发现，2007,15（2）：107-144。
[20] GOODFELLOW I，POUGET-ABADIE J，MIRZA M，et al.Ge-nerative对抗网[C]//神经信息处理系统进展27，加拿大魁北克省蒙特利尔市，2014:2672-2680。
[21]MIRZA M，OSINDERO S.条件生成对抗网[J].arXiv:1411.17842014。
[22]ODENA A.Generative Adversarial Networks的半监督学习[C]//第33届机器学习国际会议论文集。纽约：JMLR，2016年。
[23]ODENA A，OLAH C，SHLENS J.带辅助分类器GANs的条件图像合成[C]//第34届机器学习国际会议论文集。悉尼：JMLR，2017:2642-2651。
[24]GHOSH A，KULHARIA V，NAMBOODIRI V等。多智能多样化生成对抗性网络[C]//计算机视觉和模式识别会议。盐湖城：IEEE，2018:8513-8521。
[25]KINGMA D P，BA J.Adam:一种随机优化方法[J].arXiv:1412.69802014。
[26]GóRECKI T，ŁUCZAK M.在时间序列分类中使用导数[J]。数据挖掘与知识发现，2013,26:310-331。
[27]GóRECKI T，ŁUCZAK M.使用dtw[J]进行时间序列分类中的非计量变换。基于知识的系统，2014年，61:98-108。
[28]MIDDLEHURST M，VICKERS W，BAGNALL A.用于时间序列分类的可伸缩字典分类器[C]//智能数据工程和自动学习的过程，计算机科学课堂讲稿。曼彻斯特：施普林格，2019:11-19。
[29]SCHÉFER P，LESER U.用WEASEL进行快速准确的时间序列分类[C]//美国计算机学会信息与知识管理会议论文集。新加坡：ACM，2017:637-646。
[30]LUBBA C，SETHI S，KNAUTE P，et al.catch22:非周期时间序列特征[J]。数据挖掘与知识发现，2019,33（6）：1821-1852。
[31]LINES J，TAYLOR S，BAGNALL A.HIVE-COTE:时间序列分类基于转换的集成的层次投票集合[C]//2016 IEEE第16届国际数据挖掘会议（ICDM）。巴塞罗那：IEEE，2016:1041-1046。
[32]LINES J，TAYLOR S，BAGNALL A.具有HIVE-COTE的时间序列分类：基于变换的集合的分层投票集合[J]。ACM《基于数据的知识发现交易》，2018年，12（5）：1-35。
[33]FAWAZ H I，LUCAS B，FPRESTIER G，等.诱发时间：寻找AlexNet进行时间序列分类[J]。数据挖掘和知识发现，2020,34:1936-1962。

相关文章15

[1]	张建良、李阳、朱青山、薛红玲、马俊伟、张丽霞、毕生。基于双域稀疏变压器的变电站设备故障报警算法[J] ●●●●。计算机科学，2024，51（5）：62-69。
[2]	邢凯燕、陈文。基于反向标签传播的多代主动学习算法及其在孤立点检测中的应用[J] ●●●●。计算机科学，2024，51（4）：359-365。
[3]	林斌伟、余志勇、黄芳婉、郭显伟。基于Transformer的街道停车位数据完善与预测[J] ●●●●。计算机科学，2024，51（4）：165-173。
[4]	郑卫南、于志勇、黄芳婉。基于双通道回波状态网络的时间序列完成和一步预测[J] ●●●●。计算机科学，2024，51（3）：128-134。
[5]	乔凡、王鹏、王伟。基于异质特征融合的多变量时间序列分类算法[J] ●●●●。计算机科学，2024，51（2）：36-46。
[6]	杨波、罗家臣、宋彦涛、吴洪涛、彭芙蓉。基于对比学习的时间序列聚类方法[J] ●●●●。计算机科学，2024，51（2）：63-72。
[7]	李俊伟、刘泉、徐亚鹏。基于互信息优化的选优算法[J] ●●●●。计算机科学，2024，51（2）：252-258。
[8]	吴贵宾、杨宗元、熊永平、张兴、王伟。基于生成对抗门卷积网络的密封去除[J] ●●●●。计算机科学，2024，51（1）：198-206。
[9]	严艳，隋毅，司建伟。基于生成对抗网络的遥感图像全景锐化方法[J] ●●●●。计算机科学，2023，50（8）：133-141。
[10]	张国华、阎雪峰、关东海。基于多模态特征融合的时间序列异常检测[J] ●●●●。计算机科学，2023，50（6A）：220700094-7。
[11]	黄芳婉、卢菊红、余志勇。基于主动重心的青少年高血压患者心肺运动时间序列数据增强[J] ●●●●。计算机科学，2023，50（6A）：211200233-11。
[12]	王金伟，曾克辉，张家伟，罗向阳，马斌。基于空频卷积神经网络的GAN生成人脸检测[J] ●●●●。计算机科学，2023，50（6）：216-224。
[13]	张仁斌、邹一聪、周泽林、王龙、崔余杭。基于多模态生成对抗网络的多变量时间序列异常检测[J] ●●●●。计算机科学，2023，50（5）：355-362。
[14]	罗晓辉、吴云、王晨星、于文婷。基于用户长期和短期偏好的序贯推荐模型[J] ●●●●。计算机科学，2023，50（4）：47-55。
[15]	李晨，万元。基于优化和二相滤波的时间序列形状提取研究[J] ●●●●。计算机科学，2023，50（2）：146-157。

韵律学

已查看

全文

摘要

引用

共享

讨论

基于对抗策略的时间序列类别特异性和多样性形状提取

PDF（PC）

摘要

引用这篇文章

分享这篇文章

工具书类

相关文章15

韵律学

评论

推荐0