融合选择性提取与子类聚类的快速时间序列shapelet发现算法

发布时间：2021-04-24 06:12

　　时间序列分类是时间序列数据挖掘的经典问题也是热点问题之一,它的主要内容是将未知类时间序列归类到已知的类别中。与传统的分类问题相比,时间序列数据的属性有先后次序关系,传统的分类问题则没有这方面的考虑。由于时间序列数据往往维度高且数据量大,导致按传统分类的方法在时间序列数据上进行特征选择的计算开销会很大。因此时间序列数据分类常与一般的分类问题被分离开来单独考虑。Ye和Keogh在2009年提出了一种叫shapelet的概念,shapelet是时间序列中能最大程度反映类别信息的一段连续子序列,可以很好地解释分类结果,即某个时间序列为什么属于某个类。基于shapelet的时间序列分类算法具备可解释性,且分类准确率高,分类速度快。在这些算法中,shapelet学习算法不依赖于单一分类器,可以学习出不在原始时间序列中的shapelet,可以取得较高的分类准确率,同时还可以保证shapelet发现和分类器构建同时完成。但它所产生的结果shapelet却实在太多,丧失了可解释性,且分类速度降低,并且参数依赖过多,导致训练时间太长,动态更新困难。本文对shapelet学习算法做了深入研究,目的是在保持s... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
    1.2 研究现状
        1.2.1 时间序列分类
        1.2.2 基于shapelet的分类算法
    1.3 研究目标与内容
    1.4 论文结构
第二章 相关工作
    2.1 快速Shapelet发现与选择算法研究
        2.1.1 一种基于重要点的快速shapelet发现算法
        2.1.2 一种快速shapelet选择算法
    2.2 Matrix Profile
    2.3 问题分析
        2.3.1 shapelet学习算法的问题
        2.3.2 解决方案
    2.4 总结
第三章 选择性shapelet提取算法S4
    3.1 引言
    3.2 相关定义
    3.3 S4算法
        3.3.1 时间序列采样
        3.3.2 基于重要点的选择性提取
        3.3.3 选择最终shapelet
    3.4 算法分析
    3.5 实验
        3.5.1 数据集描述
        3.5.2 实验设定
        3.5.3 准确率对比
        3.5.4 耗时对比
    3.6 总结
第四章 基于子类聚类的加强S4算法
    4.1 引言
    4.2 问题描述
    4.3 我们的两个优化策略
        4.3.1 子类聚类
        4.3.2 投票机制
    4.4 加强S4算法
        4.4.1 算法描述
        4.4.2 时间复杂度
    4.5 实验
        4.5.1 实验设定
        4.5.2 准确率对比
        4.5.3 耗时对比
        4.5.4 最终shapelet数目对比
    4.6 总结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
硕士期间发表的论文
硕士期间参加的科研工作
学位论文评阅及答辩情况表


【参考文献】：
期刊论文
[1]基于shapelet的时间序列分类研究[J]. 闫汶和,李桂玲.  计算机科学. 2019(01)
[2]时间序列数据挖掘关键问题分析[J]. 段淑敏.  中国市场. 2016(03)
[3]时间序列数据挖掘综述[J]. 贾澎涛,何华灿,刘丽,孙涛.  计算机应用研究. 2007(11)

博士论文
[1]基于Shapelet的时间序列分类方法研究[D]. 嵇存.山东大学 2017



本文编号：3156834