基于长期注意力的多维时间序列形态表征.pdfVIP

计算机系统应用

ISSN

1003-3254,

CODEN

CSAOBNE-mail:

csa@

2025,34(5):96−106

[doi:

10.15888/ki.csa.009860]

[CSTR:

32024.14.csa.009860]

©中国科学院软件研究所版权所有.Tel:

+86-10

基于长期注意力的多维时间序列形态表征①

1,21,2,3

朱潇凌,

陈黎飞

1(福建师范大学

计算机与网络空间安全学院,

福州

350117)

2(福建师范大学

数字福建环境监测物联网实验室,

福州

350117)

3(福建师范大学

统计学与人工智能福建省高校重点实验室,

福州

350117)

通信作者:

陈黎飞,

E-mail:

clfei@

摘要:

多维时间序列数据广泛应用于多个领域,

对其有效的表征对下游分析与挖掘任务至关重要.

传统形态元

变换方法通过将单维时间序列投影到形态元空间再行融合的方式进行特征提取,

未考虑不同维度时序间的复杂

的耦合关系,

同时形态元长度的限制也妨碍了序列上长程依赖关系的获取.

针对这些问题,

提出了一种耦合维度

依赖与长程依赖的多维时序表征方法(CDT-ShapeNet).

该方法中维度信息表征模块通过维度注意力机制捕捉不

同维度之间的依赖关系,

而长期信息表征模块则利用注意力机制和长短期记忆网络学习长期时间依赖.

在9个

UEA数据集上进行验,

结果显示,

较之于对比方法,

平均准确率提高了6.8%,

验证了其在多维时间序列表征方面

的有效性.

关键词:

多维时间序列;

维度依赖;

长程依赖;

时间序列表征

引用格式:

朱潇凌,陈黎飞.基于长期注意力的多维时间序列形态表征.计算机系统应用,2025,34(5):96–106.

/1003-3254/

9860.html

ShapeletRepresentationforMultidimensionalTimeSeriesBasedonLong-termAttention

1,21,2,3

ZHU

Xiao-Ling,

CHEN

Li-Fei

1(College

of

Computer

and

Cyber

Security,

Fujian

Normal

University,

Fuzhou

350117,

China)

2(Digit

Fujian

Internet-of-Things

Laboratory

of

Environmental

Monitoring,

Fujian

Normal

University,

Fuzhou

350117,

China)

3(Fujian

Provincial

Key

Laboratory

of

Statistics

and

Artificial

Intelligence,

Fujian

Normal

University,

Fuzhou

350117,

China)

Abstract:

Multidimensional

time

series

data

are

widely

used

across

various

fields,

and

their

effective

representation

is

critical

for

subsequent

analysis

and

mining

tasks.

Traditional

shapelet

transform

methods

extract

features

by

projecting

the

single-dimensional

time

series

into

the

shapelet

space

and

then

fusing

them

without

considering

the

complex

coupling

relationships

between

different

dimensions.

Moreover