48、无监督可解释模式发现与GPS路线手势搜索

无监督可解释模式发现与GPS路线手势搜索

无监督可解释模式发现

在时间序列数据挖掘领域，卷积自动编码器（convolutional AEs）展现出了作为无监督数据挖掘工具的潜力，能够发现可解释的模式。

关键组件的重要性

• 非局部最大抑制层 ：在提出的架构中，包含高斯滤波器的非局部最大抑制层是必不可少的。实验表明，当没有该层时，系统在不同参数设置下表现不佳。例如，当M = 3时，系统在有噪声的情况下只能恢复一个模糊的“假”模式；当M = 6时，在干净数据集中只能捕获4个模式（总共6个），在有噪声的数据集中则无法找到任何模式；当M = 12时，在干净数据集中能恢复6个原始真实模式，但在有噪声的数据集中仍只有一个模糊的“假”模式。
• AdaReLU函数 ：该函数对于恢复可解释模式也起着重要作用。如果不使用它（而是使用ReLU），识别出的模式不是“真实”模式，强度很低且具有高度自相关性。

真实视频数据集结果

在真实视频数据集上，由于空间限制，仅展示了部分结果。通过网格搜索选择参数，以最小化目标数据集上的均方误差（MSE）。例如，在Junction 1数据集上，最终使用的参数为λlas = 0.2，λgrp = 50，λent = 5。与合成情况相比，这些参数值更大，但观测尺寸也大得多（100 vs 25），因此滤波器通常更稀疏。在Junction 1数据集中，自动编码器恢复了4个非空且有意义的滤波器，捕捉了与不同交通信号周期相关的汽车活动；在远场情况下，也恢复了汽车的主要轨迹。