主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
原继东,王志海,孙艳歌,张伟.面向复杂时间序列的k近邻分类器.软件学报,2017,28(11):3002-3017
面向复杂时间序列的k近邻分类器
K-Nearest Neighbor Classifier for Complex Time Series
投稿时间:2016-12-22  修订日期:2017-04-11
DOI:10.13328/j.cnki.jos.005331
中文关键词:  复杂时间序列  k近邻  局部加权  动态时间扭曲
英文关键词:complex time series  k-nearest neighbor  locally weighted  dynamic time warping
基金项目:国家自然科学基金(61672086,61702030);中央高校基本科研业务费专项资金(2016RC048,2017YJS036)
作者单位
原继东 北京交通大学 计算机与信息技术学院, 北京 100044
交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 
王志海 北京交通大学 计算机与信息技术学院, 北京 100044
交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 
孙艳歌 北京交通大学 计算机与信息技术学院, 北京 100044
交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 
张伟 北京交通大学 计算机与信息技术学院, 北京 100044
交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 
摘要点击次数: 1330
全文下载次数: 1881
中文摘要:
      基于时序对齐的k近邻分类器是时间序列分类的基准算法.在实际应用中,同类复杂时间序列经常展现出不同的全局特性.由于传统时序对齐方法平等对待实例特征并忽略其局部辨别特性,因此难以准确、高效地处理此类具有挑战性的时间序列.为了有效对齐并分类复杂时间序列,提出了一种具有辨别性的局部加权动态时间扭曲方法,用于发现同类复杂时间序列的共同点以及异类序列间的不同点.同时,通过迭代学习时间序列对齐点的正例集与负例集,获取每条复杂时间序列中每个特征的辨别性权重.在多个人工和真实数据集上的实验结果表明了基于局部加权对齐策略的k近邻分类器所具有的可解释性与有效性,并将所提出方法扩展至多变量时间序列分类问题中.
英文摘要:
      Temporal alignment based k-nearest neighbor classifier is a benchmark for time series classification. Since complex time series generally exhibit different global behaviors within classes in real applications, it is difficult for standard alignment, where features are treated equally while local discriminative behaviors are ignored, to handle these challenging time series correctly and efficiently. To facilitate aligning and classifying such complex time series, this paper proposes a discriminative locally weighted dynamic time warping dissimilarity measure that reveals the commonly shared subsequence within classes as well as the most differential subsequence between classes. Meanwhile, time series alignments of positive and negative subsets are employed to learning discriminative weight for each feature of each time series iteratively. Experiments performed on synthetic and real datasets demonstrate that this locally weighted, temporal alignment based k-nearest neighbor classifier is effective in differentiating time series with good interpretability. Extension of the proposed weighting strategy to multivariate time series is also discussed.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利