基于IFS-LCT-ViT的时间序列分类方法

作者：杨思栋; 王珂^*; 刘兵

来源：南京师大学报(自然科学版), 2023, 1-14.

• 时间序列分类
• 图像视角
• 不平衡因子
• 视觉自注意力网络
• 轻量卷积令牌

目前针对时间序列分类问题，大多采用一维视角进行分析。二维视角下的时间序列具有更高量级的数据，为研究的探索带来了更大的空间，但相关的研究较少且基本为格拉姆角场法（Gramian Angular Field ，GAF）和卷积神经网络模型的组合。文中将对图像视角下的时间序列分类进行深入研究，对目前方法存在的相关问题进行优化。首先解决GAF算法的计算冗余问题，提出不平衡因子法（Imbalance Factor Subtraction ，IFS），以基础运算替换GAF的三角运算，在不损失分类精度的情况下，减少了图像生成过程的运算。其次针对卷积类模型存在局部偏好的问题，文中将图像识别的任务交给视觉全自注意力网络（Vision Transformer，ViT），通过对时序转换图分割，再对分割后的子块以相同方式分配注意力权重，得到图像的整体特征。最后，提出适配ViT模型的轻量卷积令牌（Lightweight Convolutional Token，LCT），通过一维卷积提取原始序列的局部特征，来弥补ViT模型对图像简单硬分割所带来的信息损失。结合以上所有提出了IFS-LCT-ViT模型，为了验证模型的有效性，在UCR官网中的11个数据集上进行了实验。实验结果表明，该模型与GRU-FCN、TST、GAF-CNN、XCM、OSCNN、MultiRocket相比，在6个数据集上获得了85.9%、80.2%、68.2%、63.0%、85.3%和84.0%的最高准确率，证明了该模型在时间序列分类任务上的有效性。

• 单位
  中国矿业大学（北京）; 中国矿业大学