分類多變量時間序列

Question

我目前正在研究時間系列女巫430屬性和約。 80k實例。現在我想對每個實例進行二進制分類（而不是整個ts）。我發現的關於對TS進行分類的一切都是關於標記整個事情的。 是否有可能用SVM之類的東西來分類每個實例，完全忽略數據的順序特性，還是隻會導致一個非常糟糕的分類器？ 還有哪些其他選項可以將每個實例分類，但仍將數據視爲時間序列？

Answer 1

它當然取決於430屬性中的數據， 數據類型和特別是你想解決的問題。

在時間序列分析中，您通常要利用相鄰點之間的依賴關係，即它們如何隨時間變化。你可能會在書中找到的例子通常談論一個功能​​。如果我理解正確，那麼您只需關注430個屬性之間的依賴關係（垂直依賴關係）並忽略水平依賴關係。如果我是你，我會首先嚐試訓練多個分類器（支持向量機，最大熵模型，多層感知器，隨機森林，概率神經網絡......），並比較他們在你的框架中的預測性能問題。

對於培訓，您可以開始將所有430個屬性作爲特徵提供給Maxent分類器（可以輕鬆處理數百萬個特徵）。 您還需要執行一些N-fold交叉驗證以查看分類器是否過度配置。然後選擇最好的解決您的問題「夠好」。

如果這種方法不能很好地執行其他的想法：

• 包括T-1，T-2功能...
• 通過嘗試不同特徵的子集進行特徵選擇
• 派生出新時間序列，如移動平均，小波頻譜......並將它們用作新特徵

Maxent分類器的一個很好的實現可以在openNLP中找到。

Answer 2

如果數據被標記了，你可能會把運算連在一起，所以每個實例變成一個單獨的長時間序列，並且通過應用所謂的Shapelet Transform。這將導致每個時間序列的值可以輸入到SVM，隨機森林或任何其他分類器中。這可能是因爲選擇正確的shapelets將允許您在分類實例時專注於單個屬性。

如果沒有標記，您可以先試用unsupervised shapelets應用程序來探索您的數據，然後繼續上述shapelet轉換。