多维时间序列分类技术

论文摘要

时间序列问题广泛存在于诸多应用领域中,因此近年来获得了数据挖掘领域研究者的普遍关注。多数应用领域中,随着多媒体技术的迅速发展,产生了越来越多的多维时间序列数据,其中包括动作捕捉数据,生物信息序列,金融数据,移动对象跟踪,人机交互接口等许多类别的多维时间序列数据。然而,目前该领域所取得的大多数研究成果基本都是面向一维时间序列的。因此,数据挖掘领域十分需要一种为时间序列处理,尤其是模式识别应用提供的面向多维时间序列这种数据形式的解决方案。针对多维时间序列的特性,本文提出了一种简单而有效的基于C4.5决策树的分类模型,命名为CMM(Classification Model for Multivariate Time Series)。CMM包含数据预处理和模型分类两个部分。其中,数据预处理由两个阶段组成,即特征提取和维度分级及选择两个阶段。在特征提取阶段,我们首先采用Chebyshev拟合主导的自底向上的分段算法对时间序列施行多维分段,即综合考虑全部维度的形态,而不是将各维度割裂开来独立对待。然后CMM从每段的每一维度中只提取一个Chebyshev系数作为该段该维度的局部特征,生成特征矩阵。维度分级及选择采用监督模式。CMM使用combined information gain ratio作为每一维度的分级标准,combined information gain ratio量化了该维度的分类能力。CMM选择前K个分类能力最强的维度,使用这K个维度中的特征来构成特征向量,对原始多维时间序列向量化。数据预处理阶段获得的特征向量将作为下面分类阶段决策树的输入。实验证明,与传统算法比较,CMM在分类精度和CPU处理时间方面的性能都获得了较大改进。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 问题定义
• 1.2.1 时间序列
• 1.2.2 时间序列分类问题
• 1.3 研究内容
• 1.4 本文组织结构
• 1.5 本章小结
• 第2章 相关工作综述
• 2.1 时间序列转换
• 2.2 时间序列相似度量
• 2.3 多维时间序列扩展
• 2.4 维度选择方法
• 2.5 本章小结
• 第3章 多维时间序列分类模型整体概述
• 3.1 设计意图
• 3.2 CMM分类模型整体描述
• 3.3 本章小结
• 第4章 数据预处理
• 4.1 特征模式提取
• 4.1.1 设计意图
• 4.1.2 Chebyshev多项式与Chebyshev拟合
• 4.1.3 特征模式提取算法
• 4.2 维度分级及选择
• 4.2.1 设计意图
• 4.2.2 单变量的Information Gain Ratio
• 4.2.3 维度分级及选择算法描述
• 4.3 本章小结
• 第5章 分类算法—决策树
• 5.1 决策树概述
• 5.2 C4.5算法
• 5.2.1 基本算法
• 5.2.2 属性选择标准
• 5.2.3 剪枝策略
• 5.3 决策树分类
• 5.4 本章小结
• 第6章 实验评估
• 6.1 实验环境
• 6.2 模型的分类性能
• 6.2.1 分类精度实验
• 6.2.2 CPU处理时间实验
• 6.3 模型参数调整实验
• 6.3.1 维度选择算法的作用
• 6.3.2 Chebyshev系数幂次调整
• 6.3.3 局部特征vs.全局特征
• 6.4 本章小结
• 第7章 总结与展望
• 7.1 结论
• 7.2 未来工作
• 参考文献
• 致谢
• 作者简历