从时间序列中有区别地提取特征

时间序列分类的主要挑战是如何从训练样本中提取强大的功能。 近年来,已经广泛研究了两种分类方法,基于全局的方法和基于局部的方法。 基于全局的方法(例如1-Nearest Neighbor(1-NN))将整个系列作为特征,但缺点是它们无法指示类的固有字符。 基于局部的方法通过采用区分时间序列子序列作为特征(称为shapelet)来克服此缺点。 然而,由于大量的小形候选物,大多数基于局部的方法在计算上都是昂贵的。 在本文中,我们提出了一种新颖的小波提取方法,该方法将每个时间序列作为高维数据,然后找到与小波的位置相对应的判别维。 更具体地说,判别维度是通过结合本地Fisher判别分析(LFDA)方法和两个稀疏限制来确定的,这些稀疏限制可以鼓励时间序列的连续特性。 大量的实验结果表明,与常用的基于shapelet的方法相比,该方法在常用时间序列数据集的分类精度和运行时间方面均取得了显着改善。 此外,与公认的时间序列分类方法NNDTW和​​COTE相比,我们的方法仍然获得更好的结果。