基于相关性密度的多变量时间序列属性选择-计算机应用与软件.PDFVIP

第３４卷第１２期　　　 计算机应用与软件 Ｖｏｌ３４Ｎｏ．１２ ２０１７年１２月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｄｅｃ．２０１７ 基于相关性密度的多变量时间序列属性选择 张坤华　丁立新　万润泽 （武汉大学计算机学院　湖北武汉４３００７２） 摘　要　　属性选择是一种有效的数据预处理方法。为了移除多变量时间序列属性集中的冗余属性和噪声属 性，选择出包含足够原始信息并能提高精度的属性子集，提出一种基于相关性密度的属性选择算法。该算法使用 相关性矩阵表示原多变量时间序列，定义每个属性的局部密度来表示属性的代表性，定义属性的判别距离作为该 属性与其他属性间的区分度。最后根据决策图的分布来筛选具有较大代表性和区分度的属性。使用ＳＶＭ分类 器对ＵＣＩ数据库中的４种不同数据集进行实验，实验结果表明该算法相比已有算法在分类准确度和时间效率上 均有一定的优越性。 关键词　　多变量时间序列　相关性矩阵　决策图　密度　属性选择 中图分类号　ＴＰ３９１　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１７．１２．０５２ ＭＵＬＴＩＶＡＲＩＡＴＥＴＩＭＥＳＥＲＩＥＳＡＴＴＲＩＢＵＴＥＳＥＬＥＣＴＩＯＮＢＡＳＥＤ ＯＮＣＯＲＲＥＬＡＴＩＯＮＤＥＮＳＩＴＹ ＺｈａｎｇＫｕｎｈｕａ　ＤｉｎｇＬｉｘｉｎ　ＷａｎＲｕｎｚｅ （ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ４３００７２，Ｈｕｂｅｉ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ａｔｔｒｉｂｕｔｅｓｅｌｅｃｔｉｏｎｉｓａｎｅｆｆｅｃｔｉｖｅｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄ．Ａｉｍｉｎｇａｔｒｅｍｏｖｉｎｇｒｅｄｕｎｄａｎｔｏｒｎｏｉｓｙ ａｔｔｒｉｂｕｔｅｓｆｒｏｍｔｈｅｍｕｌｔｉｖａｒｉａｔｅｔｉｍｅｓｅｒｉｅｓａｔｔｒｉｂｕｔｅｓｅｔａｎｄｓｅｌｅｃｔｉｎｇａｎａｔｔｒｉｂｕｔｅｓｕｂｓｅｔｃｏｎｔａｉｎｉｎｇｅｎｏｕｇｈｏｒｉｇｉｎａｌ ｉｎｆｏｒｍａｔｉｏｎｔｏｉｍｐｒｏｖｅａｃｃｕｒａｃｙ，ａｎａｔｔｒｉｂｕｔｅｓｅｌｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｃｏｒｒｅｌａｔｉｏｎｄｅｎｓｉｔｙｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅａｌｇｏｒｉｔｈｍ ｅｍｐｌｏｙｅｄｉｎｔｈｅｃｏｒｒｅｌａｔｉｏｎｍａｔｒｉｘｔｏｒｅｐｒｅｓｅｎｔｔｈｅｏｒｉｇｉｎａｌｍｕｌｔｉｖａｒｉａｔｅｔｉｍｅｓｅｒｉｅｓ，ｔｈｅｌｏｃａｌｄｅｎｓｉｔｙｏｆｅａｃｈａｔｔｒｉｂｕｔｅｔｏ ｓｈｏｗｉｔｓｒｅｐｒｅｓｅｎｔａｔｉｖｅａｂｉｌｉｔｙ，ｔｈｅｄｉｓｔａｎｃｅｄｉｓｃｒｉｍｉｎａｎｔｂｅｔｗｅｅｎａｔｔｒｉｂｕｔｅｓａｓｔｈｅｉｒｄｉｓｃｒｉｍｉｎａｎｔｄｅｇｒｅｅ．Ｍｏｒｅｏｖｅｒ， ａｔｔｒｉｂｕｔｅｓｗｉｔｈｌａｒｇｅｒｒｅｐｒｅｓｅｎｔａｔｉｖｅｎｅｓｓａｎｄｄｉｓｃｒｉｍｉｎａｎｔｄｅｇｒｅｅｗｅｒｅｆｉｌｔｅｒｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｄｅｃｉｓｉｏｎ ｇｒａｐｈ．ＥｘｐｅｒｉｍｅｎｔｓｗｉｔｈＳＶＭｃｌａｓｓｉｆｉｅｒｏｎｆｏｕｒｄｉｆｆｅｒｅｎｔｄａｔａｓｅｔｓｆｒｏｍｔｈｅＵＣＩｒｅｐｏｓｉｔｏｒｙｗｅｒｅｐｅｒｆｏｒｍｅｄ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈｅｇｒｅａｔｉｍｐｒｏｖｅｍｅｎｔｏｆｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｎｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙａｎｄｔｉｍｅ ｅｆｆｉｃｉｅｎｃｙｗｈｅｎｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｅｘｉｓｔｉｎｇａｌｇｏｒｉｔｈｍｓ． Ｋｅｙｗｏｒｄｓ　　Ｍｕｌｔｉｖａｒｉａｔｅｔｉｍｅｓｅｒｉｅｓ　Ｃｏｒｒｅｌａｔｉｏｎｍａｔｒｉｘ　Ｄｅｃｉｓｉｏｎｇｒａｐｈ　Ｄｅｎｓｉｔｙ　Ａｔｔｒｉｂｕｔｅｓｅｌｅｃｔｉｏｎ 间序列，多变量时间序列同时具有时间维和变量维的 ０　引　言