分类多变量时间序列

Question

我目前正在研究时间系列女巫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）。我发现的关于对TS进行分类的一切都是关于标记整个事情的。 是否有可能用SVM之类的东西来分类每个实例，完全忽略数据的顺序特性，还是只会导致一个非常糟糕的分类器？ 还有哪些其他选项可以将每个实例分类，但仍将数据视为时间序列？

Answer 1

它当然取决于430属性中的数据， 数据类型和特别是你想解决的问题。

在时间序列分析中，您通常要利用相邻点之间的依赖关系，即它们如何随时间变化。你可能会在书中找到的例子通常谈论一个功能​​。如果我理解正确，那么您只需关注430个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（支持向量机，最大熵模型，多层感知器，随机森林，概率神经网络......），并比较他们在你的框架中的预测性能问题。

对于培训，您可以开始将所有430个属性作为特征提供给Maxent分类器（可以轻松处理数百万个特征）。 您还需要执行一些N-fold交叉验证以查看分类器是否过度配置。然后选择最好的解决您的问题“够好”。

如果这种方法不能很好地执行其他的想法：

• 包括T-1，T-2功能...
• 通过尝试不同特征的子集进行特征选择
• 派生出新时间序列，如移动平均，小波频谱......并将它们用作新特征

Maxent分类器的一个很好的实现可以在openNLP中找到。

Answer 2

如果数据被标记了，你可能会把运算连在一起，所以每个实例变成一个单独的长时间序列，并且通过应用所谓的Shapelet Transform。这将导致每个时间序列的值可以输入到SVM，随机森林或任何其他分类器中。这可能是因为选择正确的shapelets将允许您在分类实例时专注于单个属性。

如果没有标记，您可以先试用unsupervised shapelets应用程序来探索您的数据，然后继续上述shapelet转换。