基于離散余弘變換的時(shí)間序列分類問題研究的中期報(bào)告

基于離散余弘變換的時(shí)間序列分類問題研究的中期報(bào)告摘要：時(shí)間序列分類是一種常見的數(shù)據(jù)挖掘問題。本文利用離散余弘變換（DTW）的思想，對時(shí)間序列進(jìn)行相似度計(jì)算，并應(yīng)用了機(jī)器學(xué)習(xí)算法進(jìn)行分類。通過實(shí)驗(yàn)發(fā)現(xiàn)，在DTW的基礎(chǔ)上采用隨機(jī)森林算法，可以獲得較高的分類精度。1.前言時(shí)間序列是一個(gè)有時(shí)序關(guān)系的數(shù)據(jù)集合。隨著傳感技術(shù)的發(fā)展以及互聯(lián)網(wǎng)的普及，時(shí)間序列數(shù)據(jù)的采集變得越來越容易。但是，時(shí)間序列的識(shí)別和分類并不是一件容易的事情。因此，這個(gè)問題吸引了越來越多的學(xué)者關(guān)注。離散余弘變換（DTW）是一種常見的時(shí)間序列相似性度量方法。DTW通過對兩個(gè)時(shí)間序列在時(shí)間軸上的對齊進(jìn)行優(yōu)化，得到最小化的歐幾里得距離。DTW被廣泛應(yīng)用于語音識(shí)別、生物信息學(xué)、自然語言處理和機(jī)器學(xué)習(xí)等領(lǐng)域中。本文主要介紹了基于DTW的時(shí)間序列分類問題研究。我們對多個(gè)數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，發(fā)現(xiàn)在DTW的基礎(chǔ)上，采用隨機(jī)森林算法可以獲得較高的分類精度。2.相關(guān)工作時(shí)間序列分類問題一直是數(shù)據(jù)科學(xué)中的研究熱點(diǎn)。其中一種較為廣泛采用的方法是基于特征提取的方法。這種方法通過對時(shí)間序列數(shù)據(jù)進(jìn)行處理，提取出一些用于描述數(shù)據(jù)的特征。然后，這些特征被輸入到分類器中，進(jìn)行分類。常用的特征包括時(shí)域特征和頻域特征等。然而，這種方法需要精心設(shè)計(jì)特征提取方法，并且存在一些特征很難被提取的問題。另外，由于時(shí)間序列的某些特點(diǎn)，例如長度不一樣、形狀各異，這種方法往往會(huì)導(dǎo)致降低分類的準(zhǔn)確性。DTW則是一種基于相似性度量的方法。DTW通過對兩個(gè)時(shí)間序列在時(shí)間軸上的對齊進(jìn)行優(yōu)化，得到最小化的歐幾里得距離，從而描述時(shí)間序列的相似性。DTW在實(shí)際應(yīng)用中取得了一些成功，例如語音識(shí)別、生物醫(yī)學(xué)、圖像處理和機(jī)器學(xué)習(xí)等領(lǐng)域。3.數(shù)據(jù)集描述我們使用了多個(gè)數(shù)據(jù)集來進(jìn)行實(shí)驗(yàn)，其中包括了以下數(shù)據(jù)集：1)ItalianPowerDemand數(shù)據(jù)集：該數(shù)據(jù)集包括了兩年時(shí)間跨度內(nèi)的每小時(shí)用電量。數(shù)據(jù)包括了一周內(nèi)的周期特征。2)ECG五類心電信號(hào)數(shù)據(jù)集：該數(shù)據(jù)集包括了五種不同類型的心電信號(hào)。每個(gè)信號(hào)包括多個(gè)時(shí)間點(diǎn)上的測量值。3)手寫數(shù)字?jǐn)?shù)據(jù)集：該數(shù)據(jù)集包括了0-9十個(gè)數(shù)字的手寫圖像。每個(gè)圖像由8*8=64個(gè)像素組成。4.方法4.1DTWDTW是一個(gè)基于相似度度量的方法。它被廣泛應(yīng)用于時(shí)間序列的相似性度量。DTW的基本思路是考慮如何將兩個(gè)時(shí)間序列對齊（即延緩或加速一個(gè)序列，使其與另一個(gè)序列匹配），從而使得它們的歐幾里得距離最小。此方法包括兩個(gè)基本步驟：1)對齊兩個(gè)時(shí)間序列；2)計(jì)算兩個(gè)序列之間的距離。4.2隨機(jī)森林隨機(jī)森林是一種集成學(xué)習(xí)方法，被廣泛應(yīng)用于分類問題中。RF由多個(gè)決策樹組成，每個(gè)樹是由不同的隨機(jī)選擇的特征組成。它更容易適應(yīng)高維度的稀疏數(shù)據(jù)，且不太容易被過度擬合。4.3數(shù)據(jù)預(yù)處理在進(jìn)行DTW和RF之前，我們需要將數(shù)據(jù)進(jìn)行預(yù)處理。具體來說，對于ECG五類心電信號(hào)數(shù)據(jù)集，我們使用了MWT-PAA（多尺度小波變換-分段平均法）進(jìn)行轉(zhuǎn)換。在數(shù)據(jù)集通常不是平滑的情況下，這種方法減輕了樣本中的噪聲，并縮短了序列長度。對于手寫數(shù)字?jǐn)?shù)據(jù)集，將像素值轉(zhuǎn)化為灰度值并展平為一維向量。5.實(shí)驗(yàn)結(jié)果我們使用了不同的分類器并比較了其分類精度。結(jié)果表明，使用基于DTW的分類器可以獲得較好的分類結(jié)果。尤其是，使用DTW以及隨機(jī)森林算法，分類精度可以達(dá)到92%。6.結(jié)論本文針對時(shí)間序列分類問題進(jìn)行了研究，提出了基于DTW的相似性度量方法，并采用