26、用于时间序列分类的多时间匹配学习

用于时间序列分类的多时间匹配学习

在实际应用中，时间序列通常具有复杂的结构，同一类别内可能呈现出不同的全局行为。为了区分这些具有挑战性的时间序列，本文提出了一种多时间匹配方法，该方法能够揭示类别内的共同特征以及类别间的最大差异特征。

1. 引言

探索、分类或聚类多变量时间序列的问题在许多领域自然出现，近年来该领域的研究活动显著增加。动态时间规整（Dynamic Time Warping，DTW）经常且成功地用于对同一类别内具有相似全局行为但存在一定延迟的时间序列进行分类。然而，它在处理复杂时间序列时效果不佳，例如同一类别内呈现不同全局形状或不同类别间呈现相似形状的时间序列。

DTW 对齐只能提供局部视图，因为它是基于一对时间序列进行的，忽略了集群内和集群间其他时间序列的动态。此外，对齐过程与分析过程（如聚类或分类）无关，这削弱了其在复杂数据上的效率。为了提高分类或聚类性能，人们提出了多种 DTW 的变体，主要集中在更精确地估计 DTW 参数，如规整约束、时间权重或映射值之间的底层差异函数。

尽管这些方法能够实现更精确的时间对齐，但它们假设同一类别的时间序列共享单一的全局行为。然而，在实际应用中，时间序列通常具有更复杂的结构，同一类别内可能呈现不同的全局行为，不同类别间可能呈现相似的全局行为。因此，对于分类而言，时间对齐应基于类别内的共同特征和类别间的最大差异特征。

近年来，一些研究致力于解决这一具有挑战性的问题。例如，Ye 提出了用于时间序列分类的形状特征提取方法，通过滑动窗口从时间序列数据集中提取所有可能长度的子序列，然后使用欧几里得距离和最大化信息增益准则来学习距离阈值并选择具有判别性的形状特征。还有研究提出了从顺序数据中学习模式图的方