基于正交局部保持映射和成本优化的多变量时间序列早期分类模型

作者：袁子璇; 翁小清^*; 戈宁振

来源：计算机应用, 2023, 1-14.

• 多变量时间序列
• 早期分类
• 正交局部保持映射
• 成本优化
• 高斯过程分类器

时间序列早期分类有两个矛盾的目标：早期性和准确率，分类早期性的实现，总是以牺牲它的准确率为代价。现有基于优化的多变量时间序列(MTS)早期分类方法，虽然在成本函数中考虑了错误分类成本以及延迟决策成本，却忽视了MTS数据集样本之间的局部结构对分类性能的影响。针对这个问题，提出了一种基于正交局部保持映射(OLPP)和成本优化的多变量时间序列早期分类模型(OLPPMOAE)。首先，OLPPMOAE使用OLPP将MTS样本前缀映射到低维空间，保持原数据集的局部结构；然后，在低维空间训练一组高斯过程分类器，生成训练集每个时刻的类概率；最后，使用粒子群优化从这些类概率中学习停止规则中的最优参数。在6个MTS数据集上实验结果表明，在早期性基本持平的情况下，OLPPMOAE的准确率显著地好于基于成本的R1＿Clr方法，平均准确率能够提升11.33%～15.35%，调和均值(HM)能够提升4.71%～9.01%。因此，所提模型能够以较高的准确率尽早地对MTS进行分类。

• 单位
  河北经贸大学