本文選題：復雜時間序列　切入點：k近鄰　出處：《軟件學報》2017年11期 　論文類型：期刊論文

【摘要】：基于時序對齊的k近鄰分類器是時間序列分類的基準算法.在實際應用中,同類復雜時間序列經(jīng)常展現(xiàn)出不同的全局特性.由于傳統(tǒng)時序對齊方法平等對待實例特征并忽略其局部辨別特性,因此難以準確、高效地處理此類具有挑戰(zhàn)性的時間序列.為了有效對齊并分類復雜時間序列,提出了一種具有辨別性的局部加權動態(tài)時間扭曲方法,用于發(fā)現(xiàn)同類復雜時間序列的共同點以及異類序列間的不同點.同時,通過迭代學習時間序列對齊點的正例集與負例集,獲取每條復雜時間序列中每個特征的辨別性權重.在多個人工和真實數(shù)據(jù)集上的實驗結果表明了基于局部加權對齊策略的k近鄰分類器所具有的可解釋性與有效性,并將所提出方法擴展至多變量時間序列分類問題中.
[Abstract]:The k-nearest neighbor classifier based on timing alignment is a benchmark algorithm for time series classification. The same complex time series often show different global characteristics. Because the traditional time series alignment methods treat the case features equally and ignore their local discriminations, it is difficult to be accurate. In order to effectively align and classify complex time series, a discriminative locally weighted dynamic time distortion method is proposed. It is used to discover the common points of the same complex time series and the differences between different kinds of time series. At the same time, the positive and negative sample sets of the alignment points of the time series are learned by iterative learning. The discriminative weights of each feature in each complex time series are obtained. Experimental results on multiple artificial and real data sets show the interpretability and effectiveness of the k-nearest neighbor classifier based on locally weighted alignment strategy. The proposed method is extended to multivariable time series classification.
【作者單位】： 北京交通大學計算機與信息技術學院;北京交通大學交通數(shù)據(jù)分析與挖掘北京市重點實驗室;
【分類號】：TP18

【相似文獻】

相關會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預測[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學習逼近[A];'99系統(tǒng)仿真技術及其應用學術交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡集成預測方法[A];第十五屆中國管理科學學術年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數(shù)量經(jīng)濟學（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

相關重要報紙文章 前6條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟學：協(xié)整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀經(jīng)濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

相關博士學位論文 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學中的應用[D];復旦大學;2014年

2 張德成;滑坡預測預報研究[D];昆明理工大學;2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學;2015年

4 翁同峰;時間序列與復雜網(wǎng)絡之間等價性問題及表征應用研究[D];哈爾濱工業(yè)大學;2015年

5 楊婷婷;用Argo浮標結合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運[D];中國科學院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關性及信息熵分析[D];北京交通大學;2016年

7 原繼東;時間序列分類算法研究[D];北京交通大學;2016年

8 盧偉;基于粒計算的時間序列分析與建模方法研究[D];大連理工大學;2015年

9 胡建明;基于正則化核學習模型的時間序列多步預測的研究與應用[D];蘭州大學;2016年

10 黃標兵;回聲狀態(tài)網(wǎng)絡時間序列預測方法及應用研究[D];吉林大學;2017年

相關碩士學位論文 前10條

1 陳健;基于多變量相空間重構的投資組合策略研究[D];華南理工大學;2015年

2 蘭鑫;時間序列的復雜網(wǎng)絡轉換策略研究[D];西南大學;2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學;2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預測研究[D];南京信息工程大學;2015年

5 林健;基于改進小世界回聲狀態(tài)網(wǎng)的時間序列預測[D];渤海大學;2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預測方法[D];南京信息工程大學;2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學;2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標研究[D];中國地質(zhì)大學(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學;2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學;2015年

，

本文編號：1613004