分类多变量时间序列

Question

我目前正在制作时间序列女巫430属性和约。 80k实例。现在我想对每个实例进行二进制分类（而不是整个ts）。我发现的关于TS分类的所有内容都谈到了标记整个事物。 是否有可能将每个实例用类似SVM的东西进行分类，完全忽略数据的顺序性，或者只会导致一个非常糟糕的分类器？ 还有哪些其他选项可以对每个实例进行分类，但仍将数据视为时间序列？

Answer 1

如果标记了数据，您可以通过将属性连接在一起来获得好运，因此每个实例都成为一个长时间序列，并应用所谓的Shapelet Transform。这将导致每个时间序列的值向量，其可以被馈送到SVM，随机森林或任何其他分类器。可能是选择正确的shapelet将允许您在对实例进行分类时专注于单个属性。

如果没有标记，您可以先尝试使用unsupervised shapelets应用程序来浏览数据，然后继续进行上述的shapelet变换。

Answer 2

这当然取决于430属性中的数据， 数据类型，尤其是您要解决的问题。

在时间序列分析中，您通常希望利用相邻点之间的依赖关系，即它们如何随时间变化。您可以在书中找到的示例通常涉及单个函数f(t): Time -> Real。如果我理解正确，你只想关注430属性之间的依赖关系（垂直依赖关系）并忽略水平依赖关系。

如果我是你，我会首先尝试训练多个分类器（SVM，最大熵模型，多层感知器，随机森林，概率神经网络......）并在问题框架中比较它们的预测性能

对于训练，您可以首先将所有430个属性作为要素提供给Maxent分类器（可以轻松处理数百万个功能）。 您还需要执行一些N折叠交叉验证，以查看分类器是否未过度配置。然后选择最好的解决问题“足够好”。

如果这种方法表现不佳，其他想法：

• 包括来自t-1，t-2 ...
的功能
• 通过尝试不同的要素子集来执行要素选择
• 推导出新的时间序列，例如移动平均线，小波频谱......并将它们用作新功能

可以在openNLP中找到一个很好的Maxent分类器实现。