[发明专利]一种基于多层次shapelet的时间序列数据分类方法

说明书

一种基于多层次shapelet的时间序列数据分类方法，步骤1)时间序列数据的预处理：对原始时间序列使用SAX方法进行数据降维处理；步骤2)时间序列初始子序列的获取：滑动窗口的方法来提取时间序列中的子序列集合，通过改变和调整窗口的大小，间接控制子序列的提取长度；步骤3)多层次shapelet候选集的发现与提取：通过提出的多层次shapelet框架对候选集合进行过滤与合并，选择信息增益大的shapelet作为候选集；4)Shapelet转换及构建分类器。本发明通过上述方法，提供了一种高效的多层次shapelet候选集过滤模型，有效的减少shapelet候选集的数量并快速筛选了具有较高分类能力的shapelet集合，然后通过ELM分类器实现时间序列数据的有效分类。

技术领域

本发明属于时间序列数据挖掘领域，涉及一种时间序列数据的分类方法，发明具体始终 涉及一种基于多层次shapelet的时间序列数据分类方法。

背景技术

时间序列数据通常表示了在相等间隔的时间段内，依照设定的采样频率对某种潜在过程 进行观测而获得结果，其数据来源于医学诊断、灾难预测、商业监测等领域。时间序列数据 一般具有数据量大、维度高、更新快等特点。时间序列数据分类一直是时间序列数据挖掘领 域中的重点问题，具有广泛的应用领域。时间序列分类任务中，shapelet技术是解决时间序 列分类问题的一个有效方法。基于shapelet的分类方法具有解释性高、还原性强、运行效率 高、分类准确率高等特点，更能清晰反映出数据所对应的类别，更能体现出预期分类效果的 直观性。然而，现有的shapelet获取方法仍然存在候选集过多，计算量过大的问题。一方 面，借助shapelet方法需要逐一判断时间序列中子序列的区分能力，通过距离相似度计算会 产生大量的运算代价，增加了发现过程中的复杂性；另一方面，在进行运算过程中，子序列 数量过多会产生大量候选集合和备选shapelet序列，导致直接计算耗费大量时间，为 shapelet的发现和提取带来很大的挑战。另外，ELM作为一种单隐层前馈神经网络，具有训 练速度快，分类精度高的特点，在众多领域中应用广泛，该方法可以将时间序列的分类问题 同现有的分类器相结合。因此，本发明结合于shapelet候选集合计算庞大的问题进行研究， 提出一种多层次shapelet候选集提取方法，运用ELM分类器对时间序列数据的分类问题展 开研究。

由于时间序列数据通常不具有直接特征，即使通过复杂的特征选择技术，维的潜在特征 仍然很高，在时间序列数据分类之前，一般需要进行时间序列数据降维。目前，广泛使用的 时间序列数据降维分类方法有PAA、SAX、shapelet方法等。Shapelet方法的本质是将时间 序列数据从原始输入空间映射到新特征空间，然而，它忽略了原始时间序列中不同变量的时 间顺序，在生成shapelet候选集的过程中，逐一判断子序列的方法可能忽略了shapelet在形 状上的近似关系，时间效率和计算量非常大。

发明内容

为了解决现有时间序列的shapelet分类方法的不足，本发明提供一种基于多层次shapelet的时间序列数据分类方法，能够快速有效地处理高维时间序列数据准确分类的问题。

本发明的目的是通过以下技术方案实现的：

一种基于多层次shapelet的时间序列数据分类方法，其特征在于：其步骤为：

步骤1)时间序列数据的预处理：对原始时间序列使用SAX方法进行数据降维处理：

步骤2)时间序列初始子序列的获取：滑动窗口的方法来提取时间序列中的子序列集 合，通过改变和调整窗口的大小，间接控制子序列的提取长度；

步骤3)多层次shapelet候选集的发现与提取：通过提出的多层次shapelet框架对候选 集合进行过滤与合并，选择信息增益大的shapelet作为候选集；

4)Shapelet转换及分类器构建：