61、基于核心特征的多元时间序列早期分类

基于核心特征的多元时间序列早期分类

1. 引言

多元时间序列（MTS）在语音识别、脑电图/心电图数据异常检测、科学与工程等诸多领域有着广泛应用。例如，在重症监护室（ICU）中，患者监测系统可在一段时间内动态检测多个生理参数，包括呼吸、心电图、血压、体温和血氧饱和度等。

MTS 分类是时间序列数据挖掘中的重要问题。由于其具有多个变量，且不同组件的长度可能不同，传统机器学习算法难以处理 MTS。近年来，针对多元时间序列分类提出了许多高效的模型和技术，如近期时间模式、支持向量机（SVMs）、CLeVer 和元特征等。

同时，时间序列的早期分类，即在保证分类质量满足要求的前提下尽可能早地对时间序列数据进行分类，是一个有趣且具有挑战性的话题，受到了广泛关注。然而，除了少数研究外，MTS 数据的早期分类问题在很大程度上仍未得到充分解决。

为了解决这些问题，提出了一种名为 MCFEC（挖掘早期分类核心特征）的方法，以独立获取每个变量的核心特征。还提出了一种更适合早期分类的特征评估策略，并基于所有变量的核心特征引入了两种多元时间序列早期分类方法。

2. 背景与相关工作

2.1 背景

• 单变量时间序列 ：单变量时间序列 ( s = t_1, t_2, \ldots, t_L ) 是一个由 ( L ) 个实值读数组成的有序集合。例如，单变量时间序列 ( s_0 = (1.2, 2.2, 3.6, 1.3, 5.3, 7.1) )。
• 多元时间序列 ：多元时间序列是一个序列向量 ( X = (x_1, x_