A review on distance based time series classification
Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心（BCAM））；University of the Basque Country UPV/EHU（巴斯克大学 UPV/EHU）
时间序列分类是一个越来越多的研究课题，由于大量的时间序列数据，正在创建的各种各样的领域。数据的特殊性使其成为一项具有挑战性的任务，并采取了不同的方法，包括基于距离的方法。1-NN方法简单，但仍具有良好的分类性能，因此在基于距离的时间序列分类中得到了广泛的应用。然而，其优越性可能归因于能够在分类过程中对时间序列使用特定距离，而不是分类器本身。为了在更复杂的分类器中利用这些距离，在过去几年中出现了具有竞争力或优于基于1-NN的方法的新方法。在某些情况下，这些新的方法使用的距离测量转换成特征向量，时间序列和传统的分类器之间的差距弥合。在其他情况下，采用距离来获得时间序列核，并且使得能够使用核方法来进行时间序列分类。其中一个主要的挑战是，核函数必须是半正定的，这也是本文讨论的问题。所提出的审查包括所有这些方法的分类，旨在分类时间序列使用基于距离的方法，以及每种方法的优点和缺点的讨论。
2018-06-12 cs.LG stat.ML
A review on outlier/anomaly detection in time series data
Ikerlan Technology Research Centre（伊克兰技术研究中心）；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））；Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心（BCAM））
最近的技术进步为数据汇集带来了重大突破，使大量数据能够随着时间的推移而收集，从而生成时间序列。在过去的几年里，挖掘这些数据已经成为研究人员和从业人员的一项重要任务，包括检测可能代表错误或感兴趣事件的离群值或异常。本文旨在提供一个结构化的和全面的国家的最先进的离群检测技术的背景下，时间序列。为此，提出了一个分类的基础上的主要方面，特征的离群值检测技术。
2020-02-11 cs.LG stat.ML
Timage -- A Robust Time Series Classification Pipeline
Rosenheim Technical University of Applied Sciences（罗森海姆应用技术大学）；Technische Hochschule Nürnberg Georg Simon Ohm（纽伦堡格奥尔格·西蒙·欧姆应用技术大学）
时间序列是按时间排序的值的序列。这种数据可以在许多现实世界中找到。时间序列分类是一项艰巨的任务，也是一个活跃的研究领域。本文研究了迁移学习在深度神经网络和称为递归图的时间序列的2D表示中的使用。为了利用在图像分类领域所做的研究，其中深度神经网络已经取得了非常好的结果，我们使用了一种称为ResNet的残差神经网络架构。由于时间序列的预处理是每一个时间序列分类流水线的主要部分，所提出的方法简化了这一步骤，只需要很少的参数。我们首次提出了一种多时间序列分类的方法：训练一个网络来分类归档中的所有数据集。我们是第一批在最新的2018年发布的UCR档案中评估该方法的公司之一，这是一个完善的时间序列分类基准数据集。
2019-09-19 cs.LG stat.ML
Reducing statistical time-series problems to binary classification
SequeL-INRIA/LIFL-CNRS（SequeL-法国国家信息与自动化研究所/法国国家科学研究中心LIFL实验室）；Université de Lille（里尔大学）
我们展示了如何开发二进制分类方法来处理独立同分布。数据可用于解决看似与分类无关且涉及高度依赖的时间序列的统计问题。具体而言，时间序列聚类，同质性检验和三个样本问题的解决。我们构造的算法来解决这些问题是基于时间序列分布之间的一个新的度量，可以使用二进制分类方法进行评估。在最一般的假设下，证明了所提出的算法的普遍一致性。理论结果与实验合成和真实世界的数据。
2013-06-07 cs.LG stat.ML
Deep Gated Recurrent and Convolutional Network Hybrid Model for Univariate Time Series Classification
用于时间序列分类的混合LSTM-全卷积网络（LSTM-FCN）在单变量时间序列上产生了最先进的分类结果。我们证明，用门控递归单元（GRU）替换LSTM来创建GRU-全卷积网络混合模型（GRU-FCN）可以在许多时间序列数据集上提供更好的性能。所提出的GRU-FCN模型在许多单变量和多变量时间序列数据集上的分类性能优于最先进的分类性能。此外，由于GRU使用比LSTM更简单的架构，因此与基于LSTM的模型相比，它具有更少的训练参数，更少的训练时间和更简单的硬件实现。
2019-02-20 cs.LG stat.ML
Multivariable times series classification through an interpretable representation
University of Granada（格拉纳达大学）
多变量时间序列分类是一项重要性日益增加的任务，由于在各个领域（经济，卫生，能源，交通，作物等）的新问题的扩散。其中大量的信息源是可用的。传统上在单变量环境中工作的方法的直接外推不能经常应用于多变量问题中以获得最佳结果。这主要是由于这些方法无法捕捉符合多元时间序列的不同变量之间的关系。迄今为止发布的多元提案提供了有竞争力的结果，但很难解释。在本文中，我们提出了一种时间序列分类方法，考虑到一个多变量时间序列的不同变量之间的关系，通过一组描述性的功能，考虑到时间序列的替代表示。我们采用传统的分类算法，获得可解释的和有竞争力的结果。
2020-09-08 cs.LG stat.ML
Interval-Valued Time Series Classification Using $D_K$-Distance
School of Economics and Management, Beihang University（北京航空航天大学经济管理学院）
本文提出基于 $D_K$-距离的区间值时间序列成像与深度学习分类方法，适用于单变量和多变量场景，并在理论上给出更紧的 excess risk 界，通过模拟和实际数据验证了其优于现有点值时间序列分类方法。
2025-04-07 cs.LG stat.ML
ROCKET: Exceptionally fast and accurate time series classification using random convolutional kernels
Monash University（莫纳什大学）
大多数用于时间序列分类的方法达到最先进的精度具有高的计算复杂性，即使对于较小的数据集也需要大量的训练时间，并且对于较大的数据集是难以处理的。此外，许多现有的方法专注于单一类型的特征，如形状或频率。在最近卷积神经网络在时间序列分类方面取得成功的基础上，我们证明使用随机卷积核的简单线性分类器可以实现最先进的准确性，而计算费用仅为现有方法的一小部分。
2019-10-29 cs.LG stat.ML
Fast, Accurate and Interpretable Time Series Classification Through Randomization
RMIT University（皇家墨尔本理工大学）；The University of Melbourne（墨尔本大学）
时间序列分类（TSC）旨在预测给定时间序列的类别标签，这对于经济学和医学等丰富的应用领域至关重要。最先进的TSC方法主要集中在分类准确性和效率上，而不考虑其分类的可解释性，这是现代应用（例如电器建模）和立法（例如欧洲通用数据保护条例）所要求的重要属性。为了解决这个问题，我们提出了一种新的TSC方法-随机监督时间序列森林（r-STSF）。r-STSF是高效的，达到了最先进的分类精度，并实现了可解释性。r-STSF采用一种有效的基于区间的方法，根据判别子序列（区间）的聚合值对时间序列进行分类。为了达到最先进的精度，r-STSF使用判别子序列构建随机树的集合。它使用四个时间序列表示，九个聚合函数和一个监督的二进制启发搜索结合特征排名指标，以确定高度歧视性的子系列。歧视性的子系列有助于进行可解释的分类。在大量数据集上的实验表明，r-STSF达到了最先进的精度，同时比大多数现有的TSC方法快了几个数量级。它是唯一的分类器从国家的最先进的组，使解释性。我们的研究结果还强调，r-STSF是分类复杂时间序列数据集时最好的TSC方法。
2021-05-31 cs.LG stat.ML
Pattern Sampling for Shapelet-based Time Series Classification
Johannes Gutenberg University Mainz（美因茨约翰内斯·古腾堡大学）
基于子序列的时间序列分类算法提供了准确和可解释的模型，但训练这些模型是非常计算密集型的。基于连续性的算法的渐近时间复杂度仍然是一个高阶多项式，因为这些算法是基于对高判别连续性的穷举搜索。模式采样是一种有效的解决模式爆炸问题的方法。因此，我们采用模式采样从离散时间序列数据中提取判别特征。基于离散化的时间序列数据创建加权trie树，以采样高度区分的模式。这些采样模式被用来识别形状，用于将时间序列分类问题转化为基于特征的分类问题。最后，可以使用任何现成的算法来训练分类模型。创建模式采样器需要少量的模式进行评估相比，以前的方法采用的穷举搜索。与以前提出的算法相比，我们的方法需要更少的计算和内存资源。实验证明了所提出的方法在分类精度和运行时性能方面的表现。
2021-02-16 cs.LG stat.ML
Dive into Time-Series Anomaly Detection: A Decade Review
Inria（法国国家信息与自动化研究所）；DI ENS（巴黎高等师范学院数字研究所）；PSL（巴黎文理研究大学）；CNRS（法国国家科学研究中心）；The Ohio State University（俄亥俄州立大学）；Université Paris Cité（巴黎西岱大学）；IUF（法国大学研究院）
本文综述了近十年时间序列异常检测研究，提出以过程为中心的分类法对现有方法进行系统归类，并通过文献元分析总结该领域的主要发展趋势。
2024-12-29 cs.AI cs.DB cs.LG
An Empirical Survey of Data Augmentation for Time Series Classification with Neural Networks
Kyushu University（九州大学）
近年来，深度人工神经网络在模式识别方面取得了许多成功。这一成功的部分原因可以归因于对大数据的依赖，以提高泛化能力。然而，在时间序列识别领域，许多数据集往往非常小。解决该问题的一种方法是通过使用数据增强。在本文中，我们调查的数据增强技术的时间序列和它们的应用与神经网络的时间序列分类。我们提出了一个分类法，并概述了四个家庭的时间序列数据增强，包括基于变换的方法，模式混合，生成模型和分解方法。此外，我们经验性地评估了12种时间序列数据增强方法在128个时间序列分类数据集上使用6种不同类型的神经网络。通过研究结果，我们能够分析每种数据增强方法的特点、优缺点和建议。本调查的目的是帮助在选择时间序列数据增强的神经网络的应用。
2021-07-02 cs.LG stat.ML
A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition
Université Libre de Bruxelles（布鲁塞尔自由大学）；Cairo University（开罗大学）
多步预测仍然是时间序列预测中的一个公开挑战。处理这个复杂问题的几种方法已经在文献中提出，但大量的任务上的广泛比较仍然缺失。本文旨在通过回顾现有的多步预测策略，并在理论和实践方面进行比较，以填补这一空白。为了实现这样的目标，我们使用大型实验基准（即NN5预测竞赛的111系列）对这些不同的策略进行了大规模比较。此外，我们考虑了去季节化，输入变量的选择和预测组合对这些策略和多步提前预测的影响。以下三个发现似乎是一致的实验结果支持：多输出策略是最好的表现方法，去季节化导致统一提高预测精度，输入选择是更有效的，当与去季节化一起执行。
2011-08-16 cs.AI cs.LG stat.AP
Should we Reload Time Series Classification Performance Evaluation ? (a position paper)
Laboratoire d’Informatique et de Mathématiques EA2525 Université de La Réunion（留尼汪大学信息与数学实验室EA2525）；Orange Labs（奥兰治实验室）
自\textsc{ucr}时间序列基准数据集推出并公开提供以来，设计、评价和比较了许多时间序列分类方法。我们提出了一个关键的观点，TSC性能评估协议到位，在最近的TSC文献。这份“立场”论文的主要目的，是要激发讨论与反省有关海训公司绩效评估的文献。
2019-03-08 cs.LG stat.ML
Approaches and Applications of Early Classification of Time Series: A Review
Indian Institute of Technology (BHU) Varanasi（瓦拉纳西印度理工学院（BHU））
时间序列的早期分类已被广泛研究，以最大限度地减少医疗保健和金融等对时间敏感的应用中的类预测延迟。早期分类方法的一个主要任务是尽可能快地对不完整的时间序列进行分类，并具有一定的准确度。近年来，出现了几种时间序列的早期分类方法。由于大多数方法都从不同方面解决了早期分类问题，因此对现有解决方案进行全面审查以了解该领域的现状变得非常重要。这些解决方案已经证明了合理的性能，在广泛的应用，包括人类活动识别，基因表达为基础的健康诊断，工业monitoring，等在本文中，我们提出了一个系统的回顾，目前的文献早期分类方法为单变量和多变量的时间序列。我们将各种现有的方法分为四个专属类别的基础上，他们提出的解决方案的战略。这四类方法包括基于前缀的方法、基于shapelet的方法、基于模型的方法和其他方法。作者还讨论了早期分类在许多领域的应用，包括工业监测，智能交通和医疗。最后，我们对当前文献进行了快速总结，并指出了未来的研究方向。
2020-10-15 cs.LG stat.ML
Dataset: Rare Event Classification in Multivariate Time Series
ProcessMiner, Inc.（ProcessMiner公司）
从纸浆和造纸工业提供真实世界的数据集。该数据集来自多变量时间序列过程。该数据包含行业中常见的罕见断纸事件。数据包含以规则时间间隔（x）的传感器读数和事件标签（y）。这些数据的主要目的被认为是建立一个分类模型，用于早期预测罕见事件。然而，它也可以用于多变量时间序列数据探索和建立其他监督和无监督模型。
2019-05-31 cs.LG stat.ML
TEASER: Early and Accurate Time Series Classification
Humboldt University of Berlin（柏林洪堡大学）
早期时间序列分类（eTSC）是在尽可能少的测量后以尽可能高的精度对时间序列进行分类的问题。任何eTSC方法最关键的问题是决定何时看到足够的时间序列数据来做出决定：等待更多的数据点通常会使分类问题更容易，但会延迟分类的时间;相反，早期分类必须处理较少的输入数据，通常会导致较低的准确性。最先进的eTSC方法计算固定的最佳决策时间，假设每个时间序列具有相同的定义开始时间（如打开机器）。然而，在许多实际应用中，测量开始于任意时间（如测量患者的心跳），这意味着做出决策的最佳时间在时间序列之间变化很大。我们提出了TEASER，一种新的算法，模型eTSC作为两个两层的分类问题：在第一层，分类器定期评估传入的时间序列计算类概率。然而，这些类别概率仅在第二层分类器确定预测的标签足够可靠时才用作输出标签，这可能发生在不同数量的测量之后。在使用45个基准数据集进行的评估中，TEASER的预测时间比竞争对手早两到三倍，同时达到相同或更高的分类精度。我们进一步展示了TEASER使用真实用例的卓越性能，即能量监测和步态检测。
2019-08-16 cs.LG stat.ML
A Review on Self-Supervised Learning for Time Series Anomaly Detection: Recent Advances and Open Challenges
University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU）；Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心）
本文综述了时间序列异常检测中自监督学习的最新方法，提出分类体系以理解其多样性，并提供GitHub仓库供后续更新。
2025-07-29 cs.LG stat.ML
Graph Neural Alchemist: An innovative fully modular architecture for time series-to-graph classification
Federal University of Minas Gerais (UFMG)（米纳斯吉拉斯联邦大学（UFMG））
本文提出一种基于有向可见性图与PageRank特征的全模块化GNN架构，用于时间序列分类，有效降低了计算复杂度并增强了长程依赖捕获能力，展现出优异的鲁棒性与泛化性。
2024-10-12 cs.AI cs.LG
A Unified Shape-Aware Foundation Model for Time Series Classification
UniShape是一种面向时间序列分类的统一形状感知基础模型，通过自适应聚合多尺度判别子序列提升模型可解释性，并在多个数据集上实现最先进的分类性能。
2026-01-10 cs.LG stat.ML
Adaptive Classification of Interval-Valued Time Series
School of Economics and Management, Beihang University（北京航空航天大学经济管理学院）
本文提出一种基于区间上下界凸组合和图像转换的自适应方法，用于单变量及多变量区间值时间序列分类，通过ADMM优化系数并建立了基于间隔的多分类泛化界。
2025-04-04 cs.LG stat.ML
The UEA multivariate time series classification archive, 2018
University of East Anglia（东英吉利大学）
2002年，UCR时间序列分类档案首次发布，包含16个数据集。它逐渐扩大，直到2015年，它的规模从45个数据集增加到85个数据集。2018年10月，增加了更多的数据集，使总数达到128个。新的存档包含了广泛的问题，包括可变长度的序列，但它仍然只包含单变量时间序列分类问题。引入该档案的动机之一是鼓励研究人员对新提出的时间序列分类（TSC）算法进行更严格的评估。它已经奏效：最近对TSC的研究使用了所有85个数据集来评估算法的进步。多变量时间序列分类的研究，其中一个以上的系列与每个类别标签相关联，处于十年前单变量TSC研究的位置。算法是使用很少的数据集进行评估的，并且改进的声明不是基于统计比较。我们的目标是通过形成MTSC档案的第一次迭代来解决这个问题，该档案将托管在网站www.timeseriesclassification.com上。像单变量档案一样，这个公式是东安格利亚大学（UEA）和加州大学河滨分校（UCR）研究人员之间的合作成果。2018年份由30个数据集组成，具有广泛的案例，维度和系列长度。对于存档的第一次迭代，我们将所有数据格式化为等长，不包括缺失数据的系列，并提供训练/测试分割。
2018-10-31 cs.LG stat.ML
Unsupervised Representation Learning for Time Series: A Review
Shandong University（山东大学）；A*STAR（新加坡科技研究局）；Nanyang Technological University（南洋理工大学）
本文系统综述了时间序列无监督表示学习方法，开发了统一标准化库ULTS，并在9个真实数据集上评估了多种先进方法，探讨了实际考量与未来研究挑战。
2023-08-03 cs.AI cs.LG
Instance-based Counterfactual Explanations for Time Series Classification
University College Dublin（都柏林大学）；Insight Centre for Data Analytics（洞察数据分析中心）；VistaMilk SFI Research Centre（VistaMilk 科学基金会爱尔兰研究中心）
近年来，人们对解释处理图像和表格数据的黑盒人工智能系统所做的预测的关注迅速扩大。然而，很少有人关注解释处理时间序列数据的不透明人工智能系统的预测。在本文中，我们提出了一种新的模型不可知的，基于案例的技术-本地指南-生成反事实的解释时间序列分类。给定查询时间序列$T_{q}$，黑盒分类系统预测类$c$，反事实时间序列解释显示$T_{q}$如何改变，使得系统预测替代类$c'$。所提出的基于实例的技术适应现有的反事实的情况下，通过突出显示和修改的时间序列的歧视性领域的分类基础的实例库。两个比较实验的定量和定性结果表明，本机指南产生合理的，近端的，稀疏和多样化的解释，比那些产生的关键基准反事实的方法。
2021-06-24 cs.LG stat.ML
Time Series Classification via Topological Data Analysis
Istanbul Technical University（伊斯坦布尔技术大学）
在本文中，我们开发了拓扑数据分析方法的分类任务上的单变量时间序列。作为一个应用程序，我们在两个公共数据集上执行二元和三元分类任务，这些数据集由压力和非压力条件下收集的生理信号组成。我们实现了我们的目标，通过使用持久的同源性工程师稳定的拓扑特征后，我们使用的信号的时间延迟嵌入和执行子窗口，而不是使用固定长度的窗口。我们使用的方法的组合可以应用于任何单变量时间序列，并且在此应用中允许我们减少噪声并使用长窗口大小，而不会产生额外的计算成本。然后，我们在我们算法设计的特征上使用机器学习模型，以获得更少特征的更高准确度。
2021-06-11 cs.LG stat.ML
Uncertain Time Series Classification With Shapelet Transform
CNRS（法国国家科学研究中心）；ENSMSE（圣太田国立高等矿业学院）；LIMOS（计算机科学、建模与优化实验室）；University of Clermont Auvergne（克莱蒙奥弗涅大学）
时间序列分类是一项旨在对时间序列数据进行分类的任务。它被用于各种领域，如气象学，医学和物理学。在过去的十年中，已经建立了许多算法来执行这项任务，具有非常可观的准确性。然而，时间序列具有不确定性的应用一直未得到充分探索。利用不确定性传播技术，提出了一种新的基于欧氏距离的不确定相异度测度。然后，我们提出了不确定shapelet变换算法的不确定时间序列的分类。我们在最先进的数据集上进行的大型实验表明了我们的贡献的有效性。我们贡献的源代码和我们使用的数据集都可以在公共存储库中获得。
2021-02-03 cs.LG stat.ML
Deep Symbolic Representation Learning for Heterogeneous Time-series Classification
Bosch Research and Technology Center（博世研究与技术中心）；Simon Fraser University（西蒙菲莎大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在本文中，我们考虑的问题与多变量的时间序列数据组成的异质（连续和分类）变量的事件分类。变量之间复杂的时间依赖性加上数据的稀疏性使得事件分类问题特别具有挑战性。大多数最先进的方法都是通过设计手工设计的功能或打破同质变量的问题来解决这个问题。在这项工作中，我们提出并比较了三个表示学习算法的符号化序列，使异构的时间序列数据的分类使用深架构。所提出的表示与网络架构的其余部分一起以端到端的方式进行联合训练，使学习的特征对给定任务具有区分性。三个真实世界的数据集上的实验证明了所提出的方法的有效性。
2016-12-05 cs.LG stat.ML
FRUITS: Feature Extraction Using Iterated Sums for Time Series Classification
Universität Greifswald（格赖夫斯瓦尔德大学）；Institut für Mathematik und Informatik（数学与信息学研究所）
提出基于迭代和签名（ISS）提取非线性特征并应用线性分类器的时间序列分类流程，在UCR数据集上实现与最先进方法相当的准确率和速度。
2023-11-24 cs.LG stat.ML
Can automated smoothing significantly improve benchmark time series classification algorithms?
TL;DR：不，它不能，至少在标准存档问题上平均不能。我们评估是否使用六个平滑算法（移动平均，指数平滑，高斯滤波器，Savitzky-Golay滤波器，傅立叶近似和递归中值筛）可以自动应用到时间序列分类问题作为预处理步骤，以提高性能的三个基准分类（1-最近邻欧氏和动态时间弯曲距离，旋转森林）。我们发现，即使我们通过交叉验证设置平滑参数，也没有显着改善未平滑的数据。我们并不是说平滑没有价值。它在探索性分析中起着重要作用，并有助于解决可以利用领域知识的特定分类问题。我们观察到的是，自动应用程序没有帮助，我们不能解释其他时间序列分类算法的基线分类器的改进简单地作为一个功能的平滑的情况下。
2018-11-01 cs.LG stat.ML
Nonlinear Time Series Classification Using Bispectrum-based Deep Convolutional Neural Networks
University of Missouri（密苏里大学）；U.S. Census Bureau（美国人口普查局）；University of Connecticut（康涅狄格大学）
时间序列分类使用新的技术经历了最近的复苏和增长的兴趣，从统计学家，学科领域的科学家，决策者在商业和工业。这主要是由于技术进步产生的大量复杂数据不断增加。一个鼓舞人心的例子是谷歌趋势数据，它表现出高度非线性的行为。虽然存在丰富的文献来解决这个问题，现有的方法主要依赖于时间序列的一阶和二阶特性，因为它们通常假设基本过程的线性。通常，这些不足以对非线性时间序列数据（如Google趋势数据）进行有效分类。考虑到这些方法上的缺陷以及现实世界中存在的大量非线性时间序列，我们引入了一种将高阶谱分析（HOSA）与深度卷积神经网络（CNN）相结合的方法，用于对时间序列进行分类。我们的方法的有效性说明使用模拟数据和两个激励行业的例子，涉及谷歌的趋势数据和电子设备的能源消耗数据。
2020-03-04 cs.LG stat.ML
Minority Oversampling for Imbalanced Time Series Classification
Changsha University（长沙学院）；Hunan University of Finance and Economics（湖南财政经济学院）；Jiangxi Vocational Technical College of Industry and Trade（江西工业贸易职业技术学院）；Zhejiang Gongshang University（浙江工商大学）
许多重要的实际应用都涉及具有偏态分布的时间序列数据。与传统的不平衡学习问题相比，不平衡时间序列数据的高维性和变量间的高度相关性使其分类更具挑战性。针对高维不平衡时间序列分类问题，提出了一种结构保持的过采样方法。OHIT首先利用基于密度比的共享最近邻聚类算法来捕获高维空间中少数类的模式。然后对每个模式应用大维协方差矩阵的收缩技术，获得准确可靠的协方差结构。最后，OHIT通过使用估计的协方差矩阵生成基于多元高斯分布的结构保持的合成样本。在几个公开的时间序列数据集（包括单峰和多峰）上的实验结果证明了OHIT在F1，G-mean和AUC方面优于最先进的过采样算法。
2021-08-20 cs.LG stat.ML
End-to-End Learned Early Classification of Time Series for In-Season Crop Type Mapping
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Univ. Bretagne Sud（南布列塔尼大学）；CNRS（法国国家科学研究中心）；IRISA（法国信息与随机系统研究所）；Univ Lyon（里昂大学）；UJM-Saint-Etienne（圣艾蒂安大学）；Institut d Optique Graduate School（光学研究所研究生院）；Univ. Rennes（雷恩大学）；LETG（地理环境实验室）
遥感卫星以卫星时间序列数据记录的有规律的时间间隔捕捉地球的周期动态。经过端到端训练的深度学习模型使用这些时间序列数据进行大规模预测，例如，生成最新的作物覆盖图。大多数时间序列分类方法关注预测的准确性。然而，预测的早期性也非常重要，因为早期决策可以在时间敏感的应用中产生至关重要的差异。在这项工作中，我们提出了一个端到端的学习早期分类的时间序列（ELECTS）模型，估计分类得分和概率是否有足够的数据已被观察到来一个早期和仍然准确的决定。ELECTS是模块化的：任何深度时间序列分类模型都可以通过添加输出停止分类的概率的第二预测头来采用ELECTS概念思想。然后，ELECTS损失函数根据提前性和准确性的平衡目标优化整个模型。我们对来自欧洲和非洲的四个作物分类数据集进行的实验表明，ELECTS可以达到最先进的精度，同时大量减少需要下载、存储和处理的数据量。源代码可在https://github.com/marccoru/elects上获得。
2022-12-21 cs.LG stat.ML
A Formally Robust Time Series Distance Metric
Know-Center GmbH（Know-Center 有限公司）；Graz University of Technology（格拉茨技术大学）
基于距离的分类是时间序列数据分类中最具竞争力的方法之一。基于距离的分类最关键的组成部分是所选择的距离函数。过去的研究已经提出了各种不同的距离度量或措施，致力于现实世界的时间序列数据的特定方面，但有一个重要的方面，尚未考虑到目前为止：对任意数据污染的鲁棒性。在这项工作中，我们提出了一种新的距离度量，对任意“坏”的污染是强大的，并具有最坏情况下的计算复杂性为$\mathcal{O}(n\log n)$。我们正式论证了为什么我们提出的度量是强大的，并在实证评估中证明，该度量在应用于k-最近邻时间序列分类时会产生有竞争力的分类精度。
2020-08-18 cs.LG stat.ML
Deep Learning for Time Series Classification and Extrinsic Regression: A Current Survey
Monash University（莫纳什大学）；IRIMAS（IRIMAS研究所）；University of Haute-Alsace（上阿尔萨斯大学）
本文综述了深度学习在时间序列分类与外部回归中的最新进展，涵盖网络架构、训练方法、挑战与机遇，并总结人类活动识别和卫星对地观测两大应用。
2023-12-19 cs.AI cs.CV cs.LG
Features or Shape? Tackling the False Dichotomy of Time Series Classification
University of California, Riverside（加州大学河滨分校）
时间序列分类本身就是一项重要的任务，它通常是进一步下游分析的先驱。迄今为止，几乎所有的作品在文献中使用基于形状的分类，使用距离测量或基于特征的分类后，找到一些合适的功能域。在许多数据集中，有些类别最好用特征来区分，而另一些类别最好用形状来区分，这一点似乎被低估了。因此，选择形状与特征将使我们的结果很差，至少对某些类来说是这样。在这项工作中，我们提出了一个新的模型进行分类的时间序列，允许使用的形状和基于特征的措施，当保证。我们的算法自动决定哪种方法最适合哪类，并在查询时选择最信任的分类器。我们在真实世界的数据集上评估了我们的想法，并证明了我们的想法在分类准确性方面产生了统计学上的显着改善。
2019-12-20 cs.LG stat.ML
Anomaly Detection And Classification In Time Series With Kervolutional Neural Networks
ETH Zürich（苏黎世联邦理工学院）
近年来，随着深度学习的发展，端到端神经网络架构越来越多地应用于状态监测信号。他们已经证明了优越的性能，故障检测和分类，特别是使用卷积神经网络。甚至最近，已经提出了卷积概念到卷积概念的扩展，在图像分类任务中具有一些有希望的结果。在本文中，我们探讨了潜在的卷积神经网络应用于时间序列数据。我们证明了使用卷积层和卷积层的混合可以提高模型性能。首先将混合模型应用于时间序列中的分类任务，作为基准数据集。随后，建议的混合架构被用来检测直升机上的加速度计记录的时间序列数据中的异常。我们提出了一种基于残差的异常检测方法，使用时间自动编码器。我们证明了在编码器中混合卷积层与卷积层对输入数据的变化更敏感，并且能够以更好的方式检测异常时间序列。
2020-05-14 cs.LG stat.ML
Adversarial Attacks on Time Series
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
时间序列分类模型在研究界已经获得了显着的重要性。然而，在为这些模型生成对抗性样本方面还没有做太多的研究。这些对抗性样本可能成为安全问题。在本文中，我们提出了利用对抗性转换网络（ATN）在一个蒸馏模型攻击各种时间序列分类模型。对分类模型的拟议攻击利用一个蒸馏模型作为替代，模仿受攻击的经典时间序列分类模型的行为。我们提出的方法被应用到1-最近邻动态时间规整（1-NN）DTW，全连接网络和全卷积网络（FCN）上，所有这些都是在42个加州大学河滨分校（UCR）数据集上训练的。在本文中，我们证明了这两个模型都容易受到所有42个数据集的攻击。据我们所知，这种对时间序列分类模型的攻击以前从未发生过。最后，我们建议未来开发时间序列分类模型的研究人员将对抗性数据样本纳入其训练数据集中，以提高对抗性样本的弹性，并将模型鲁棒性考虑为评估指标。
2019-03-01 cs.LG stat.ML
Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019
TOBB University of Economics and Technology（TOBB经济与技术大学）
金融时间序列预测由于其广泛的应用领域和巨大的影响力，无疑是学术界和金融业金融研究人员的首选计算智能。机器学习（ML）研究人员提出了各种模型，并相应地发表了大量研究。因此，有大量的调查涵盖了ML的金融时间序列预测研究。最近，深度学习（DL）模型开始出现在该领域，其结果显着优于传统的ML同行。尽管人们对开发金融时间序列预测研究模型的兴趣越来越大，但缺乏专门针对金融DL的综述论文。因此，我们在本文中的动机是提供一个全面的文献综述DL研究的金融时间序列预测的实现。我们不仅根据预期的预测实施领域（如指数、外汇、商品预测）对研究进行分类，还根据DL模型选择（如卷积神经网络（CNN）、深度信念网络（DBN）、长短期记忆（LSTM））对研究进行分组。我们还试图通过强调可能的挫折和机遇来展望该领域的未来，以便感兴趣的研究人员能够受益。
2019-11-29 cs.LG q-fin.CP stat.ML
Hankel low-rank approximation and completion in time series analysis and forecasting: a brief review
在本文中，我们提供了一个审查和参考书目的工作汉克尔低秩近似和完成，特别强调如何使用这种方法可以用于时间序列分析和预测。我们首先描述可能的配方的问题，并提供评论相关的主题和挑战，在获得全球最优解。关键定理提供，并关闭一些简要的例子。
2022-06-10 cs.NA math.NA stat.ME
Complexity Measures and Features for Times Series classification
University of Granada（格拉纳达大学）
随着世界数字化的发展，时间序列的分类问题在不同学科中日益突出。目前，时间序列分类的最新技术是基于变换的集合的分层投票集体。该算法由分布在五个大模块中的多个不同领域的分类器组成。每个模块的加权的基础上的内部评估过程中获得的结果的组合，使该算法能够获得最好的结果，在国家的最先进的。一个最近的邻居与动态时间规整仍然是基础分类在任何时间序列分类问题，其简单性和良好的效果。尽管他们的表现，他们有一个共同的弱点，那就是他们是不可解释的。在时间序列分类领域，存在准确性和可解释性之间的权衡。在这项工作中，我们提出了一组能够提取信息的时间序列的结构，面对时间序列分类问题的特征。这些特性的使用允许在时间序列问题中使用传统的分类算法。实验结果表明，我们的建议没有统计上的显着差异，从第二和第三最好的模型的国家的最先进的。除了竞争的结果，在准确性，我们的建议是能够提供可解释的结果的基础上提出的一套特征
2021-10-15 cs.IT cs.LG math.IT
Unsupervised Time-Series Signal Analysis with Autoencoders and Vision Transformers: A Review of Architectures and Applications
The University of Akron（阿克伦大学）
本文综述了自编码器与视觉Transformer在无监督时间序列信号分析中的架构、应用及趋势，指出混合架构与自监督学习的优势，并总结可解释性、可扩展性和领域泛化等挑战，为信号智能模型发展提供路线图。
2025-06-02 cs.AI cs.CV cs.LG
A Latent Source Model for Nonparametric Time Series Classification
MIT（麻省理工学院）；Twitter（推特）
对于分类时间序列，最近邻方法在实践中被广泛使用，其性能通常与诸如神经网络、决策树和支持向量机等更精细的方法竞争或更好。我们开发的有效性的最近邻类分类的时间序列的理论依据。我们的指导假设是，在许多应用中，例如预测哪些主题将成为Twitter上的趋势，实际上并没有那么多的原型时间序列开始，相对于我们可以访问的时间序列的数量，例如，话题在Twitter上只以几种不同的方式成为趋势，而我们可以收集大量的Twitter数据。为了实现这一假设，我们提出了一个潜在的源模型的时间序列，这自然会导致一个“加权多数表决”的分类规则，可以近似的最近邻分类。我们建立了非渐近性能保证加权多数表决和最近邻分类在我们的模型占多少的时间序列，我们观察和模型的复杂性。在人工数据上的实验结果表明，加权多数表决算法在观测较少的时间序列的情况下，取得了与最近邻分类算法相同的误分类率。然后，我们使用加权多数来预测Twitter上的哪些新闻主题成为趋势，我们能够在79%的时间内提前检测到这些“趋势主题”，平均提前优势为1小时26分钟，真阳性率为95%，假阳性率为4%。
2013-12-13 cs.LG cs.SI stat.ML
Granger Causality: A Review and Recent Advances
University of Washington（华盛顿大学）
格兰杰因果关系在半个多世纪前被引入，已经成为分析时间序列数据的流行工具，在许多应用领域，从经济学和金融到基因组学和神经科学。尽管这种流行，这个概念的有效性推断之间的因果关系的时间序列一直是持续辩论的话题。此外，虽然最初的定义是通用的，但计算工具的限制主要限制了格兰杰因果关系在简单的二元向量自回归过程或一组变量之间的成对关系中的应用。本文首先回顾了早期的发展和争论，讨论了最近的进展，解决了各种早期方法的缺点，从高维时间序列模型到最近的发展，考虑到非线性和非高斯观测，并允许子采样和混合频率时间序列。
2021-05-07 cs.LG stat.ME stat.ML
Motif Difference Field: A Simple and Effective Image Representation of Time Series for Classification
Center of Nanomaterials for Renewable Energy（纳米材料可再生能源中心）；State Key Laboratory of Electrical Insulation and Power Equipment（电力设备电气绝缘国家重点实验室）；School of Electrical Engineering（电气工程学院）；Xi’an Jiaotong University（西安交通大学）
时间序列模体在时间序列分析中起着重要的作用。基于模体的时间序列聚类用于发现时间序列数据中的高阶模式或结构。受基于时间序列图像表示的卷积神经网络（CNN）分类器的启发，提出了模体差异场（Motif Difference Field）分类器。与其他时间序列的图像表示方法相比，该方法简单，易于构造。以全卷积网络（FCN）作为分类器，在UCR时间序列数据集上，与其他时间序列分类方法进行了基准测试，证明了该方法的优越性能。有趣的是，三元时间序列基序在测试中给出了最好的结果。由于基序聚类反映在图中，重要的基序检测的帮助下，加权类激活映射（梯度-CAM）。在Grad-CAM中具有高权重的区域中，具有与时间序列中的签名模式相关联的所需顺序模式的显著基序的贡献很高。然而，签名模式不能识别与神经网络分类器直接基于时间序列。
2020-01-21 cs.CV cs.LG stat.ML
Never a Dull Moment: Distributional Properties as a Baseline for Time-Series Classification
The University of Sydney（悉尼大学）
本文提出将基于时间序列均值和标准差的简单线性分类器作为基线，发现其在128个问题中69个优于随机猜测，并在精神分裂症分类案例中优于动态特征模型，为评估复杂时间序列分类模型的必要性提供了重要参考。
2023-03-31 cs.LG stat.AP stat.ME
LETS-C: Leveraging Text Embedding for Time Series Classification
J.P. Morgan AI Research（摩根大通人工智能研究）
本文提出LETS-C方法，利用文本嵌入模型编码时间序列数据，并结合CNN和MLP组成的简单分类头进行分类，在准确率超越SOTA的同时大幅减少模型参数。
2025-05-31 cs.AI cs.CE cs.CL
An Updated Literature Review of Distance Correlation and its Applications to Time Series
距离协方差/相关性的概念是最近提出来表征随机变量向量之间的相关性。我们回顾了一些统计方面的距离协方差/相关函数，我们证明了它的适用性时间序列分析。我们将看到，自距离协方差/相关函数能够识别非线性关系，并且可以用于测试i.i.d.。假说.与其他依赖措施的比较。
2018-07-12 stat.ME
Highly comparative feature-based time-series classification
University of Oxford（牛津大学）；Imperial College London（帝国理工学院）
介绍了一种高度比较的、基于特征的时间序列分类方法，该方法使用广泛的算法数据库从时间序列中提取数千个可解释的特征。这些特征来自于科学时间序列分析文献，包括时间序列的相关结构、分布、熵、平稳性、缩放特性以及与一系列时间序列模型的拟合。在计算训练集中每个时间序列的数千个特征之后，使用具有线性分类器的贪婪前向特征选择来选择那些最能提供类结构信息的特征。由此产生的基于特征的分类器使用数量减少的时间序列属性自动学习类之间的差异，并避免需要计算时间序列之间的距离。以这种方式表示时间序列会导致降维的数量级，使该方法能够在包含长时间序列或不同长度的时间序列的非常大的数据集上表现良好。对于许多研究的数据集，分类性能超过了传统的基于实例的分类器，包括使用欧几里得距离和动态时间弯曲的最近邻分类器，最重要的是，所选择的特征提供了对数据集属性的理解，可以指导进一步科学调查的洞察力。
2014-05-09 cs.AI cs.DB cs.LG
Structural Classification of Locally Stationary Time Series Based on Second-order Characteristics
本文提出一种基于自回归近似、集成聚合和距离阈值的局部平稳时间序列分类方法，理论上渐近零误分类率，并在模拟和真实脑电数据上优于多种现有方法。
2025-07-10 stat.ME stat.ML
Voice2Series: Reprogramming Acoustic Models for Time Series Classification
Georgia Institute of Technology（佐治亚理工学院）；Columbia University（哥伦比亚大学）；IBM Research（IBM研究院）
在有限的数据下学习时间序列分类是一个实际而又具有挑战性的问题。目前的方法主要是基于手工设计的特征提取规则或特定领域的数据增强。受深度语音处理模型的进步以及语音数据是单变量时间信号这一事实的启发，在本文中，我们提出了Voice2Series（V2S），这是一种新的端到端方法，通过输入变换学习和输出标签映射来重新编程用于时间序列分类的声学模型。利用大规模预训练语音处理模型的表示学习能力，在30个不同的时间序列任务上，我们表明V2S在19个时间序列分类任务上表现出有竞争力的结果。我们进一步提供了一个理论上的V2S证明其人口风险的上限由源风险和Wasserstein距离占通过重编程的特征对齐。我们的研究结果为时间序列分类提供了新的有效手段。
2022-01-14 cs.AI cs.LG cs.NE
A review and comparative study on functional time series techniques
本文回顾了在函数时间序列的背景下，当考虑Hilbert空间和巴拿赫空间时，特别是在一阶自回归过程（ARH（1）和ARB（1）过程，H和B分别是Hilbert空间和巴拿赫空间）的背景下，得到的主要估计和预测结果。特别是，我们注意的估计和预测结果，统计检验，在参数和非参数框架。不同的ARH（1）预测方法之间的比较研究，在模拟研究中进行。
2017-06-20 math.FA math.HO math.ST
Good Practices and Common Pitfalls in Climate Time Series Changepoint Techniques: A Review
气候变点（均质化）方法今天比比皆是，在气候和统计文献中存在无数的技术。不幸的是，许多人仍然不清楚使用适当的变点技术。更复杂的问题是，变点结论对假设中的小扰动不具有鲁棒性;例如，考虑到序列中的趋势或相关性可能会大大改变结论。本文是对变点主题的回顾，重点是阐明允许科学家做出可靠结论的模型和技术。通过实际应用证明了要避免的陷阱。论述首先叙述了大多数气候时间序列的显著统计特征。此后，单和多变点问题被认为是。在此过程中讨论了几个陷阱，并推荐了良好做法。虽然我们的大多数应用涉及温度系列，但也提到了其他设置。
2022-12-06 stat.AP
An Efficient Transport-Based Dissimilarity Measure for Time Series Classification under Warping Distortions
本文针对时间形变下的时间序列分类，提出基于 Optimal Transport 的相异性度量，可在单训练样本的理想条件下达到 1NN-DTW 的理论可分性，并显著降低计算成本。
2025-05-14 cs.IT math.IT stat.ML
Classification of Categorical Time Series Using the Spectral Envelope and Optimal Scalings
本文介绍了一种新的方法分类的类别时间序列下的监督学习范式。为了构建有意义的特征分类时间序列分类，我们考虑两个相关的数量：频谱包络和其相应的一组最佳缩放。这些量将分类时间序列中的振荡模式表征为每个频率或频谱包络处的最大可能功率，通过将数值或缩放分配给最佳地强调每个频率处的振荡的类别来获得。我们的程序结合这两个数量产生一个可解释的和简约的基于特征的分类器，可用于准确地确定分类时间序列的组成员资格。研究了该方法的分类一致性，并通过仿真实验验证了该方法对具有不同分组结构的分类时间序列的准确性。最后，我们使用所提出的方法来探索不同睡眠障碍患者的睡眠阶段时间序列振荡模式的关键差异，并据此对患者进行准确分类。
2021-02-04 stat.AP stat.CO stat.ME
