时间序列转二维图像方法及其应用研究综述

要好好学习才能天天向上

已于 2025-03-18 22:35:43 修改

阅读量3.2w

点赞数 158

文章标签：深度学习人工智能时间序列数字信号处理时频分析

于 2022-11-06 03:27:14 首次发布

本文链接：https://blog.csdn.net/weixin_41406486/article/details/127711700

版权

【声明：本文禁止被转载和抄袭】

【若觉文章质量良好且有用，请别忘了点赞收藏加关注，这将是我继续分享的动力，万分感谢！】

1 前言

时间序列的相关特性可参考：

见：时间序列的一些特性分析-CSDN博客

时间序列是指按时间的顺序关于事件变化发展的过程记录，它保存了观测数据的时间结构性。因此时间序列常常被当成一个整体进行研究分析，而不是一个个独立的数值。许多工程领域的数据都以时间序列的形式存在，如医学上的心率记录、心电图，公司的财务报表，股票市场价格，交通拥堵指数，还有流行病的传播情况等，这些都是典型的时间序列数据。时间序列有数据量大、维度高、实时更新等特点，针对时间序列数据分析的目的主要有预测、聚类、分类（包括异常检测）、关联分析等。在这些任务中，时间序列分类问题是现有相关研究中备受关注的[2]。

现如今，随着时间序列数据的不断增加，分析目的的不断深入和拓展，使用传统的方法提高时间序列分类问题的精度越来越困难。然而，近年来由于数据量和计算量的不断增加，深度学习快速发展并迅速成为数据研究的重要法宝。其中，卷积神经网络（CNN）是发展最快、技术相对最成熟、且应用最成功的深度学习模型。从经典的LeNet[3]、AlexNet[4]、ResNet[5]到EfficentNet[6]，CNN网络结构推陈出新，不断发展。CNN通过共享权重，一方面大幅度减少模型大小，使得网络优化快速迭代，另一方面降低了过拟合风险，有更好的泛化能力。这些使得CNN在多个领域中成功应用，并取得了巨大的效果，尤其在图像领域的分类任务。

考虑到时间序列分类任务面对的困难和CNN在图像分类任务中取得的巨大成功，相关领域的研究者提出了这样的观点：将一维时间序列数据转化为二维图像，把时间序列分类任务转化为图像分类任务，再用CNN模型进行训练学习。从宏观的角度分析，时间序列的分类任务与图像领域的分类任务具有一定的相似性，都是从数据中提取关键特征，再根据特征进行分类。正是这种相似性，促使一些新的研究出现，比如将时间序列数据转化为二维图像的方法研究、将转为方法实际应用到相关领域的研究等等。本文将系统综述时间序列数据转化为二维图像的方法以及其相关应用，最后采用案例研究分析各个方法的优劣。

2 方法综述

在计算机中图像可以用矩阵的形式表示。因此，将时间序列转化为图像等价于将时间序列转化为矩阵。根据这个原则，如表1所示，本论文整理了两大类方法：第一大类为时频分析方法，将时间序列作为信号分析对象，采用时频分析方法分析求解其时频图，主要有短时傅里叶变换[7]，小波变换[8]，希尔伯特-黄变换[9]；第二大类为图像编码方法，这一大类方法指的是通过其他方法对时间序列进行图像编码，主要有格兰姆角场[10]，马尔可夫转移场[10]，递归图[11]，图形差分场[12]，相对位置矩阵[13]。下面详细介绍各种方法。

表1：时间序列转二维图像方法归类
归类	方法	简单描述
时频分析方法	短时傅里叶变换	选择适当的窗函数；计算窗口内信号的相频信息；推动窗口，得到信号的时频图。
	小波变换	构造一个快速衰减的母小波；通过缩放和平移得到子小波；进行参数匹配和叠加拟合信号。
	希尔伯特-黄变换	通过经验模态分解信号得到有限数量的模态函数；对IMF分量进行希尔伯特变换，得到瞬时频率。
图像编码方法	格兰姆角场	通过空间变换来消除时间序列噪声；采用向量内积来保存时间信息。
	马尔可夫转移场	将时间顺序看成是马尔可夫过程；分成Q个分位箱，构造马尔可夫转移矩阵，生成马尔可夫转移场。
	递归图	将时域空间变换位相空间，即每个点变换成相空间中的对应状态；计算状态之间的距离，从而得到相应的图像特征。
	图形差分法	通过截取图形不同长度，进行差分等处理，构造图形差分场；保留序列熵(复杂性测量、动态系统特征)
	相对位置矩阵	先进行z-分值标准化，采用PAA进行降维，计算每两个时间戳之间的相对大小关系，最后转换为灰度值矩阵。