[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

摘要

本发明提供了一种基于多样性shapelet的时间序列早期分类方法及设备，基于多样性shapelet的时间序列早期分类方法，是基于预测起点的shapelet剪枝算法，对时间序列进行shapelet提取，结合通过相似性度量计算A长度的shapelet的距离阈值和质量评价分数，进行shapelet选择；经过两次shapelet提取和shapelet选择，训练得到对时间序列进行分类的模型核特征集S₂，根据训练得到的核特征集S₂，对实际时间序列进行分类。本发明的有益效果是：通过提出的时间序列的相似性度量、基于预测起点的shapelet剪枝算法和扩展自相似性，提高了对时间序列进行分类的效率和精确性，保留了shapelet的多样性。

主权项

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。