Question

我正处于一个更大项目的起点，以确定时间序列中的常见模式。 目标是自动查找时间序列中的分割点，将系列分成常用模式。（稍后我想根据分割点拆分时间序列，以便在两者之间独立使用时间序列。）

一个时间序列包括：

n基于修复时间间隔作为输入的数据系列
x轴表示从0到m
y轴表示特定时间序列的值

例如，它可能如下所示：

pos_x,pos_y,pos_z,force_x,force_y,force_z,speed,is_split_point
 2,     3,    4,  0.4232, 0.4432,    0,     0.6, false
 2,     3,    4,  0.4232, 0.4432,    0,     0.6, false
 2,     3,    4,  0.4232, 0.4432,    0,     0.6, true

我最好的办法是用机器学习来解决这个问题，因为我需要一种通用的方法来预先根据用户选择来检测模式。因此，我有很多标记数据，其中分割点已由用户手动设置。

目前，我有两个想法来解决这个问题：

分析标记数据中分割点周围的数据，以获取不同数据维度之间的相关性，并将其用作未标记数据的新功能。
分析两个关键帧之间的模式，以便在未标记的数据中查找类似的模式。

我更喜欢1.因为我认为找出分割点的定义更为重要。我很好奇神经元网络是否适合这项任务？

我问的问题是不能解决这个问题，我只想对此提出第二意见。我对机器学习比较陌生，这就是为什么找到这个问题的良好起点有点压倒性的原因。我对能够解决这个问题的任何想法，技术和有用的资源感到非常满意，并且可以给我一个很好的起点。

Answer 1

这是一个很大的问题。事实上，我也有一些想法可以提供给你，其中一些已经过测试，并针对我遇到的异常事件处理不同的基于时间的问题。

首先，无论您将使用何种解决方案，分析数据始终是更好地理解问题的好方法。通过这种方式，您可以确保不会为您提供模型垃圾。用于此分析的工具可能是截断的过去窗口中的峰值，衍生物等。

然后，您可以使用t-sne绘制数据，并查看数据中是否存在某种分离。

然而，简单地使用神经网络可能会有问题，因为您有少量的分裂点和大量的非分裂点。您可以使用LSTM并以多对一配置训练它们，您可以在其中创建平衡数量的正面和负面示例。 LSTM将帮助您克服示例的不同长度，并为时域赋予更多意义。

进入该方向，您可以使用截断的过去，并以public class Main { public static void main(String[] args) { Group group1 = new Group(); Group group2 = new Group(); // here will be Exception } }作为标签作为示例，并通过以均衡的方式提取样本来使用i.i.d模型。 DNNS也适用于该配置。

以上所有都是我认为有用的实验方法。我希望它有所帮助。祝你好运！

找到基于标记数据分割n维时间序列的点

1 个答案: