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编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第7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
赵超,王腾江,刘士军,潘丽,嵇存.融合选择提取与子类聚类的快速Shapelet发现算法.软件学报,2020,31(3):763-777
融合选择提取与子类聚类的快速Shapelet发现算法
Fast Shapelet Discovery Algorithm Combining Selective Extraction and Subclass Clustering
投稿时间:2019-08-12  修订日期:2019-11-25
DOI:10.13328/j.cnki.jos.005912
中文关键词:  时间序列  分类  Shapelet  候选集  选择性提取
英文关键词:time series  classification  Shapelet  candidates  selective extraction
基金项目:国家自然科学基金(61872222);山东省重点研发计划(2018GGX101019);山东大学未来学者计划
作者单位E-mail
赵超 山东大学 软件学院, 山东 济南 250101  
王腾江 浪潮通用软件有限公司, 山东 济南 250101  
刘士军 山东大学 软件学院, 山东 济南 250101 lsj@sdu.edu.cn 
潘丽 山东大学 软件学院, 山东 济南 250101 panli@sdu.edu.cn 
嵇存 山东师范大学 信息科学与工程学院, 山东 济南 250014  
摘要点击次数: 713
全文下载次数: 866
中文摘要:
      基于Shapelet的时间序列分类算法具有可解释性,且分类准确率高、分类速度快.在这些算法中,Shapelet学习算法不依赖于单一分类器,能够学习出不在原始时间序列中的Shapelet,可以取得较高的分类准确率,同时还可以保证Shapelet发现和分类器构建同时完成;但如果产生的Shapelet过多,会增加依赖参数,导致训练时间太长,分类速度低,动态更新困难,且相似重复的Shapelet会降低分类的可解释性.提出一种选择性提取方法,用于更精准地选择Shapelet候选集,并改变学习方法以加速Shapelet学习过程;方法中提出了两个优化策略,通过对原始训练集采用时间序列聚类,可以得到原始时间序列中没有的Shapelet,同时在选择性提取算法中加入投票机制,以解决产生Shapelet过多的问题.实验表明,该算法在保持较高准确率的同时,可以显著地提高训练速度.
英文摘要:
      The time series classification algorithm based on Shapelet has the characteristics of interpretability, high classifica-tion accuracy and fast classification speed. Among these Shapelet-based algorithms, learning Shapelet algorithm does not rely on a single classifier, and Shapelet that is not in the original time series can be learned, which can achieve a high classification accuracy and ensure that Shapelet discovery and classifier construction are completed at the same time. However, if too many Shapelets are generated, it will increase the dependent parameters, resulting in too long training time, low classification speed, and difficult dynamic updates. And similar redundancy Shapelets will reduce the interpretability of the classification. This study proposes a new selective extraction algorithm to select Shapelet candidate set and change the learning method to accelerate the learning process of Shapelet and puts forward two optimization strategies. By using time series clustering for the original training set, Shapelets not in the original time series can be obtained. Meanwhile, a voting mechanism is added into the selective extraction algorithm to solve the problem of excessive Shapelet generation. Experiments show that the proposed algorithm can improve the training speed while maintaining high accuracy.
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