7、时间序列预处理：技术与实践

时间序列预处理：技术与实践

1. ROCKET方法

ROCKET（RandOm Convolutional KErnel Transform）是一种用于时间序列卷积的新方法，它能提高机器学习模型的准确性并加快训练速度。该方法借鉴了卷积神经网络的成功经验，并将其应用于时间序列数据集的预处理。

1.1 卷积基础

卷积是一种重要的变换，在图像处理中尤为关键，也是图像识别深度神经网络的重要组成部分。卷积通过前馈连接（滤波器或内核）应用于图像的矩形区域，生成的图像是内核在整个图像上滑动的结果。例如，一个锐化内核如下：

[
0
-1
0
-1
5
-1
0
-1
0
]

将这个内核应用于图像的局部邻域，可得到更清晰的图像。

1.2 ROCKET特征计算

ROCKET从每个内核和特征卷积中计算两个聚合特征：
- 全局最大池化 ：输出卷积结果中的最大值。例如，卷积结果为0,1,2,2,5,1,2，全局最大池化返回5。
- 最大池化 ：在指定池大小内取最大值。如池大小为3，输出为2,2,5,5,5。
- 正比例值（PPV） ：卷积结果中正值（或高于偏置阈值）的比例。

通过应用卷积内核变换，可以提高时间序列机器学习的准确性。每个特征由随机内核变换，默认内核数量为10,000。变换后的特征可作为输入用于任何机器学习算法，建议使用线性算法，如岭回归分类器或逻辑回归。