基于离散余弘变换的时间序列分类问题研究的中期报告.docxVIP

基于离散余弘变换的时间序列分类问题研究的中期报告

摘要：

时间序列分类是一种常见的数据挖掘问题。本文利用离散余弘变换（DTW）的思想，对时间序列进行相似度计算，并应用了机器学习算法进行分类。通过实验发现，在DTW的基础上采用随机森林算法，可以获得较高的分类精度。

1.前言

时间序列是一个有时序关系的数据集合。随着传感技术的发展以及互联网的普及，时间序列数据的采集变得越来越容易。但是，时间序列的识别和分类并不是一件容易的事情。因此，这个问题吸引了越来越多的学者关注。

离散余弘变换（DTW）是一种常见的时间序列相似性度量方法。DTW通过对两个时间序列在时间轴上的对齐进行优化，得到最小化的欧几里得距离。DTW被广泛应用于语音识别、生物信息学、自然语言处理和机器学习等领域中。

本文主要介绍了基于DTW的时间序列分类问题研究。我们对多个数据集进行了实验，发现在DTW的基础上，采用随机森林算法可以获得较高的分类精度。

2.相关工作

时间序列分类问题一直是数据科学中的研究热点。其中一种较为广泛采用的方法是基于特征提取的方法。这种方法通过对时间序列数据进行处理，提取出一些用于描述数据的特征。然后，这些特征被输入到分类器中，进行分类。常用的特征包括时域特征和频域特征等。

然而，这种方法需要精心设计特征提取方法，并且存在一些特征很难被提取的问题。另外，由于时间序列的某些特点，例如长度不一样、形状各异，这种方法往往会导致降低分类的准确性。

DTW则是一种基于相似性度量的方法。DTW通过对两个时间序列在时间轴上的对齐进行优化，得到最小化的欧几里得距离，从而描述时间序列的相似性。DTW在实际应用中取得了一些成功，例如语音识别、生物医学、图像处理和机器学习等领域。

3.数据集描述

我们使用了多个数据集来进行实验，其中包括了以下数据集：

1)ItalianPowerDemand数据集：该数据集包括了两年时间跨度内的每小时用电量。数据包括了一周内的周期特征。

2)ECG五类心电信号数据集：该数据集包括了五种不同类型的心电信号。每个信号包括多个时间点上的测量值。

3)手写数字数据集：该数据集包括了0-9十个数字的手写图像。每个图像由8*8=64个像素组成。

4.方法

4.1DTW

DTW是一个基于相似度度量的方法。它被广泛应用于时间序列的相似性度量。DTW的基本思路是考虑如何将两个时间序列对齐（即延缓或加速一个序列，使其与另一个序列匹配），从而使得它们的欧几里得距离最小。此方法包括两个基本步骤：1)对齐两个时间序列；2)计算两个序列之间的距离。

4.2随机森林

随机森林是一种集成学习方法，被广泛应用于分类问题中。RF由多个决策树组成，每个树是由不同的随机选择的特征组成。它更容易适应高维度的稀疏数据，且不太容易被过度拟合。

4.3数据预处理

在进行DTW和RF之前，我们需要将数据进行预处理。具体来说，对于ECG五类心电信号数据集，我们使用了MWT-PAA（多尺度小波变换-分段平均法）进行转换。在数据集通常不是平滑的情况下，这种方法减轻了样本中的噪声，并缩短了序列长度。对于手写数字数据集，将像素值转化为灰度值并展平为一维向量。

5.实验结果

我们使用了不同的分类器并比较了其分类精度。结果表明，使用基于DTW的分类器可以获得较好的分类结果。尤其是，使用DTW以及随机森林算法，分类精度可以达到92%。

6.结论

本文针对时间序列分类问题进行了研究，提出了基于DTW的相似性度量方法，并采用了机器学习算法进行分类。实验结果表明，在DTW的基础上采用随机森林算法，可以获得较高的分类精度。未来的方向是基于DTW的方法来进行时间序列的异常检测。