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
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
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
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
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
Learning Interpretable Shapelets for Time Series Classification through Adversarial Regularization
Univ Rennes（雷恩大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；IRISA（雷恩信息与随机系统研究所）；Laboratoire Hubert Curien UMR 5516（于贝尔·居里安实验室 UMR 5516）；Univ Lyon（里昂大学）；LETG（环境时空地理学实验室）
时间序列分类可以通过联合学习数据集中序列的基于shapelet的表示并根据此表示对序列进行分类来成功解决。然而，尽管学习的形状是有区别的，但它们并不总是与数据集中的真实序列相似。这使得难以解释决策，即难以分析是否存在触发决策的系列中的特定行为。在本文中，我们使用一个简单的卷积网络来处理时间序列分类任务，并引入了一个对抗性正则化来约束模型学习更多可解释的形状。我们对所有常见的时间序列基准的分类结果与类似的最先进的算法获得的结果相当，但我们的逆向正则化方法学习的形状，通过设计，可解释。
2019-06-12 cs.AI 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 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
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
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
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
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
MultiRocket: Multiple pooling operators and transformations for fast and effective time series classification
Monash University（莫纳什大学）
我们提出了MultiRocket，一种快速时间序列分类（TSC）算法，它可以在很小的时间内实现最先进的性能，并且没有许多最先进方法的复杂集成结构。MultiRocket对MiniRocket进行了改进，MiniRocket是迄今为止最快的TSC算法之一，它通过添加多个池运算符和转换来提高生成的特征的多样性。除了处理原始输入序列外，MultiRocket还应用一阶差分来转换原始序列。卷积被应用于这两种表示，并且四个池化运算符被应用于卷积输出。当使用加州大学河滨分校TSC基准数据集进行基准测试时，MultiRocket比MiniRocket准确得多，并且在准确性方面与目前排名最高的方法HIVE-COTE 2.0竞争，同时速度快了几个数量级。
2022-02-21 cs.LG stat.ML
Interpretable Time-series Classification on Few-shot Samples
University of Technology Sydney（悉尼科技大学）
最近的少样本学习工作专注于用先验元知识训练模型，以快速适应具有未知类和样本的新任务。然而，传统的时间序列分类算法无法解决的Few-Shot的情况。现有的少样本学习方法是针对图像或文本数据提出的，大多数是基于神经元的模型，缺乏可解释性。本文提出了一个可解释的基于神经的框架，即\textit{Dual Prototypical Shapelet Networks (DPSN)}的Few-Shot时间序列分类，它不仅训练一个神经网络为基础的模型，但也解释模型从双粒度：1）全局概述使用代表性的时间序列样本，2）局部亮点使用歧视性的形状。特别地，生成的双原型形状由代表性样本和判别性部分长度形状组成，代表性样本可以主要展示类中所有样本的整体形状，判别性部分长度形状可以用于区分不同的类。我们从公共基准数据集获得了18个Few-Shot TSC数据集，并通过与基线的比较来评估所提出的方法。DPSN框架的性能优于最先进的时间序列分类方法，特别是在使用有限的数据进行训练时。最后通过几个案例验证了模型的解释能力。
2020-07-02 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
Permutation extropy: a time series complexity measure
本文提出排列外熵作为新的时间序列复杂度度量，结合排列熵与外熵思想，经混沌映射验证，在金融及WHO数据上优于排列熵，且鲁棒、计算快、对单调非线性变换不变。
2025-02-08 nlin.CD stat.AP
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
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
Characterization of Time Series Via Rényi Complexity-Entropy Curves
区分混沌和随机时间序列的最有用的工具之一是所谓的复杂熵因果平面。该图涉及两个复杂性度量：香农熵和统计复杂性。最近，这一想法已被推广，考虑Tsallis单参数推广的香农熵，产生复杂性熵曲线。这些曲线已被证明可以提高与数值和实验性质的随机和混沌过程有关的不同时间序列之间的区分力。在这里，我们进一步探讨这些复杂性熵曲线的背景下，雷尼熵，这是另一个单参数推广的香农熵。通过将Rényi熵与统计复杂度的适当推广相结合，我们将参数曲线（Rényi复杂度-熵曲线）与给定的时间序列相关联。我们探索这种方法在一系列的数值和实验应用，证明了这种新技术的有用性的时间序列分析。我们表明，雷尼复杂性熵曲线，使混沌，随机和周期性的时间序列之间的差异。特别是，随机性质的时间序列与在其初始点附近显示正曲率的曲线相关联，而与混沌现象相关的曲线具有负曲率;最后，周期性时间序列由垂直直线表示。
2018-01-17 cond-mat.stat-mech physics.data-an stat.AP
Early Time-Series Classification Algorithms: An Empirical Comparison
Institute of Informatics and Telecommunications, NCSR ‘Demokritos’（“德谟克利特”国家科学研究中心信息与电信研究所）
早期时间序列分类（ETSC）是通过观察尽可能少的测量来预测输入时间序列的类别的任务。这种方法可以用于在许多时间关键的应用中获得分类预测。然而，可用的技术并不同样适用于每个问题，因为数据特征的差异可能会影响算法在早期性，准确性，F1分数和训练时间方面的性能。我们评估了现有的六个ETSC算法的公开数据，以及两个新引入的数据集来自生命科学和海洋领域。我们的目标是提供一个框架，ETSC算法的评估和比较，并获得直觉，这些方法如何在现实生活中的应用程序。所提出的框架也可以作为新的相关技术的基准。
2022-03-03 cs.AI cs.LG stat.ML
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
Brain EEG Time Series Selection: A Novel Graph-Based Approach for Classification
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Macquarie University（麦考瑞大学）；Suzhou University（宿州学院）
脑电分类是近年来被广泛应用于脑部疾病分析的一种方法。不幸的是，无效/嘈杂的EEG降低了诊断性能，大多数以前开发的方法忽略了EEG选择分类的必要性。为此，本文提出了一种新的基于最大权值聚类的脑电选择方法mwcEEGs，将脑电选择映射为从一个同时考虑边权值和顶点权值的改进的Fréchet距离加权无向脑电图中搜索最大相似权团.我们的mwcEEG通过选择具有相似性阈值$δ$的团内成对相似和团间区分EEG来提高分类性能。在真实脑电数据集上的实验结果表明，与现有的时间序列选择算法相比，该算法是有效的。
2018-02-09 cs.LG q-bio.NC stat.ML
Imaging Time-Series to Improve Classification and Imputation
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
受最近深度学习在计算机视觉中取得的成功的启发，我们提出了一种新的框架，用于将时间序列编码为不同类型的图像，即Gramian角和/差场（GASF/GADF）和马尔可夫转移场（MTF）。这使得能够使用来自计算机视觉的技术进行时间序列分类和插补。我们在20个标准数据集上使用平铺卷积神经网络（平铺CNN）来从单个和复合GASF-GADF-MTF图像中学习高级特征。我们的方法相比，目前最好的时间序列分类方法的九个具有很强的竞争力的结果。受GASF在0/1重标度数据上的双射性质的启发，我们在四个标准和一个合成的复合数据集的GASF图像上训练去噪自动编码器（DA）。与使用原始数据相比，测试数据的插补MSE降低了12.18%-48.02%。对通过平铺CNN和DA学习的特征和权重的分析解释了这些方法的工作原理。
2015-06-01 cs.LG cs.NE stat.ML
Adversarial Attacks on Multivariate Time Series
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
多变量时间序列的分类模型在研究界已经变得非常重要，但是在为这些模型生成对抗性样本方面还没有做太多的研究。这样的对手样本可能成为一个安全问题。在本文中，我们提出将现有的对抗性转换网络（ATN）转换为一个蒸馏模型，以攻击各种多变量时间序列分类模型。对分类模型的拟议攻击利用了一个蒸馏模型作为替代，模仿了受攻击的经典多变量时间序列分类模型的行为。所提出的方法在1-最近邻动态时间弯曲（1-NN DTW）和全卷积网络（FCN）上进行了测试，所有这些都是在18个东安格利亚大学（UEA）和加州大学河滨分校（UCR）数据集上训练的。我们发现这两个模型都容易受到所有18个数据集的攻击。据我们所知，对抗攻击只在单变量时间序列域中进行，而没有在多变量时间序列上进行。对时间序列分类模型的这种攻击以前从未进行过。此外，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，并将模型鲁棒性作为评估指标。
2020-03-31 cs.CR cs.LG stat.ML
Motion Code: Robust Time Series Classification and Forecasting via Sparse Variational Multi-Stochastic Processes Learning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出 Motion Code 框架，将时间序列视为连续时间随机过程，通过签名向量和最具信息量时间戳的稀疏变分学习捕捉多种底层动态，实现噪声数据上的鲁棒时间序列分类与预测，并在帕金森病传感器追踪等实验中优于现有基准。
2024-11-25 cs.AI cs.LG stat.ML
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
Modelling Loss of Complexity in Intermittent Time Series and its Application
提出非参数相对熵RlEn方法，结合非线性自回归建模、BIC定阶与CUSUM变点检测，用于间歇性时间序列复杂性丧失建模，并在模拟和人体运动疲劳分析中优于ApEn。
2025-01-06 stat.AP stat.ME
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
Comparing entropy with tests for randomness as a measure of complexity in time series
熵测度作为评价时间序列数据分析复杂性的一种度量标准，在生理学和医学领域中越来越受到重视。熵测量信息增益的速率，或时间序列（例如心跳）中的规律性程度。理想情况下，熵应该能够量化序列中任何潜在结构的复杂性，以及确定变化是否来自随机过程。不幸的是，目前的熵测量大多无法执行后一种区分。因此，高熵分数指示随机或混沌序列，而低分数指示高度规律性。这导致了这样的观察，即当前熵度量等价于评估序列的随机性，或者相反，评估时间序列的规律性程度。这提高了现有的随机性测试的可能性，例如游程测试或排列测试，在诊断某些条件时可能具有类似的实用性。本文比较了各种测试的随机性与现有的基于熵的测量，如样本熵，排列熵和多尺度熵。我们的实验结果表明，游程检验和排列检验的检验统计量往往与熵值高度相关，并可能能够提供有关时间序列复杂性的进一步信息。
2015-12-02 physics.data-an stat.ME
Spikebench: An open benchmark for spike train time-series classification
现代性能良好的神经解码方法基于机器学习模型，例如决策树集成和深度神经网络。可以用于从神经脉冲序列（其本质上是时间序列数据）学习的广泛算法导致需要用于神经解码的多样且具有挑战性的基准，类似于计算机视觉和自然语言处理领域中的基准。在这项工作中，我们提出了一个脉冲序列分类基准，开放访问的神经活动数据集的基础上，包括几个学习任务，如刺激类型分类，动物的行为状态预测，神经元类型识别。我们证明了一种基于手工制作的时间序列特征工程的方法建立了一个强大的基线，其性能与最先进的基于深度学习的神经解码模型不相上下。我们发布的代码允许重现报告的结果。
2023-01-27 q-bio.NC stat.AP
Fisher-Shannon complexity analysis of high-frequency urban wind speed time series
本文用Fisher-Shannon（FS）分析方法研究了城区不同高度（1.5 ~ 25.5米）1Hz风场的时间序列。FS分析是通过量化时间序列的有序/无序特性来洞察非线性系统的复杂行为的众所周知的方法。我们的研究结果表明，FS的复杂性，定义为产品之间的费舍尔信息措施和香农熵功率，从地面风速计的高度降低，表明高度依赖的变化，在城市布局中测量的高频风速的有序/无序的功能。此外，风速的FS复杂度与环境温度的日方差之间的相关性表现出类似的降低与风传感器的高度。这种相关性在较低的风速计中更大，表明环境温度是近地面风速变率的重要强迫。
2018-12-03 stat.AP
A scalable end-to-end Gaussian process adapter for irregularly sampled time series classification
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
我们提出了一个一般的框架，稀疏和不规则采样的时间序列的分类。这样的时间序列的属性可能导致基本时间过程的值的实质性不确定性，同时使得数据难以使用假定固定维度特征空间的标准分类方法来处理。为了解决这些挑战，我们提出了一个不确定性感知的分类框架，基于一个特殊的计算层，我们称为高斯过程适配器，可以连接不规则采样的时间序列数据的任何黑盒分类器使用梯度下降学习。我们展示了如何结合结构化内核插值框架和Lanczos近似方法来扩大所需的计算量，以及如何使用反向传播来区别性地训练高斯过程适配器与一些端到端的分类器。
2016-10-28 cs.LG stat.ML
A Shapelet Transform for Multivariate Time Series Classification
University of East Anglia（东英吉利大学）
Shapard是为时间序列分类而设计的相位无关的连续性。我们提出了三个适应Shapelet变换（ST）捕捉多元特征的多元时间序列分类。我们创建了一组统一的数据来对我们的工作进行基准测试，并与其他三种算法进行比较。我们证明，多变量shapestrandom并不显着比其他国家的最先进的算法。
2017-12-18 cs.LG
How Complex is your classification problem? A survey on measuring classification complexity
Instituto Tecnológico de Aeronáutica（航空技术研究所）；Universidade de Brasília（巴西利亚大学）；University of Bonn（波恩大学）；University of Orléans（奥尔良大学）；IBM Watson（IBM沃森）
从分类问题的训练数据集中提取的特征已被证明是一些荟萃分析中的有效预测因子。其中，分类复杂性的度量可以用来估计将数据点分离到其期望类别中的难度。数据的空间分布的描述符和决策边界的形状和大小的估计是用于该表征的已知测量。这些信息可以支持制定新的数据驱动的预处理和模式识别技术，而这些技术又可以侧重于问题的这些特点所突出的挑战。本文调查和分析的措施，可以从训练数据集中提取，以表征各自的分类问题的复杂性。他们在最近的文献中的使用也进行了审查和讨论，允许在该领域的未来工作的前景机会。最后，描述了一个名为扩展复杂性库（ECoL）的R包，它实现了一组复杂性度量，并公开提供。
2020-12-30 cs.LG stat.ML
Dense Bag-of-Temporal-SIFT-Words for Time Series Classification
Université de Rennes 2（雷恩第二大学）；Agrocampus Ouest（西部农业学院）；Université de Rennes 1（雷恩第一大学）；Université de Bretagne-Sud（南布列塔尼大学）
时间序列分类是一个特别感兴趣的应用程序，随着数据的增加，以监测。时间序列分类的经典技术依赖于点到点距离。最近，词袋法已被用于这方面。单词是从滑动窗口提取的简单特征的量化版本。SIFT框架已被证明是有效的图像分类。在本文中，我们设计了一个时间序列分类方案，建立在SIFT框架适应时间序列饲料袋的话。然后，我们通过研究规范化的词袋的影响来改进我们的方法，以及密集地提取点描述符。建议的调整实现更好的性能。评估表明，我们的方法优于经典的分类技术。
2016-01-13 cs.LG
Time Series Classification Using Convolutional Neural Network On Imbalanced Datasets
University of Passau（帕绍大学）
时间序列分类由于其在医学数据采掘、天气预报等领域的广泛应用而受到广泛关注。虽然TSC算法是为平衡数据集设计的，但大多数现实生活中的时间序列数据集都是不平衡的。在类可分性差的情况下，时间序列的偏态分布是基于距离和基于特征的分类算法都要解决的问题。为了解决不平衡的问题，在本文中使用基于采样和算法的方法。不同的方法显着提高时间序列分类的性能不平衡的数据集。尽管具有较高的不平衡率，但结果显示，对于模拟的TwoPatterns数据集，F分数可以高达97.6%。
2021-10-10 cs.LG
