[发明专利]一种基于多样性shapelet的时间序列早期分类方法及设备

权利要求书

1.一种基于多样性shapelet的时间序列早期分类方法，其特征在于：包括以下步骤：

S101：基于shapelet剪枝算法，设置shapelet的最短长度minL和最长长度maxL，对训练集中的时间序列提取长度为A的所有shapelet；A＝minL+(n-1)D，D为固定步长，maxL>＝A>＝minL，minL、maxL和D均为正数，n为正整数；

S102：通过相似性度量计算所提取的shapelet的距离阈值和质量评价分数，对提取到的A长度的shapelet进行排序，得到初始特征集F₁；相似性度量即指所提取的shapelet到一个时间序列的距离；

S103：根据初始特征集F₁，剔除质量评价分数最低的若干shapelet，剩余的shapelet组成核特征集S₁，核特征集S₁中的shapelet的起点组成预测起点集SP₁；

S104：根据预测起点集SP₁，以预测起点集SP₁中各元素为起点，对训练集中的时间序列进行B长度的shapelet提取，通过相似性度量计算B长度的shapelet的距离阈值和质量评价分数，对提取到的B长度的shapelet进行排序，得到特征集F₂；maxL>＝B>＝minL，B为正数，且B不等于A；

S105：合并初始特征集F₁和特征集F₂，得到特征集F₃；

S106：根据特征集F₃中的shapelet质量评价分数和扩展自相似性关系，剔除特征集F₃中质量评价分数最低的shapelet及相似性最高的shapelet，由剩余的shapelet组成核特征集S₂；核特征集S₂为训练得到的模型；

S107：根据得到的核特征集S₂，对实际时间序列进行分类。

2.如权利要求1所述的一种基于多样性shapelet的时间序列早期分类方法，其特征在于：在步骤S102和S104中，采用基于序列变化趋势的欧拉距离计算shapelet到时间序列之间的距离。

3.如权利要求1所述的一种基于多样性shapelet的时间序列早期分类方法，其特征在于：在步骤S102和步骤S104中，

质量评价分数用Utility来表示，Utility用于衡量shapelet质量的好坏：

其中，Precision表示f在D中能正确分类的样本的比例，f表示所有shapelet，D表示训练集，且：

WReacll代表了该shapelet在整个训练集上的早期性，T表示一段连续的时间序列，δ表示该shapelet的距离阈值，c表示该shapelet所属的类别，dist(f,T)表示shapelet f与时间序列T的距离，∧表示与，C(T)＝c表示时间序列T属于类别c。

4.如权利要求1或3所述的一种基于多样性shapelet的时间序列早期分类方法，其特征在于：在步骤S102和步骤S104中，根据核密度估计方法，通过概率密度函数计算shapelet的距离阈值。

5.如权利要求1所述的一种基于多样性shapelet的时间序列早期分类方法，其特征在于：在步骤S106中，若某一个shapelet到训练集中某时间序列的距离小于该shapelet的距离阈值，且所述某时间序列的类别和该shapelet的类别一致，则所述某时间序列被所述某一个shapelet覆盖，并标记被所述某一个shapelet覆盖的所述某时间序列，标记过的时间序列在以后的步骤中不再进行处理。