![daaf2fb134f0dbb7606c3804b57f8d7d.png](https://i-blog.csdnimg.cn/blog_migrate/2a949be7954e8500c3a75f62c021644f.png)
论文题目:Extracting Statistical Graph Features for Accurate and Efficient Time Series Classification
论文地址:
http://openproceedings.org/2018/conf/edbt/paper-90.pdfopenproceedings.org时间序列的分类已经被广泛研究,具体可见这篇文章,这一领域可谓是“八仙过海,各显神通”。但本文用了一个完全不一样的方法,将每一条时序数据转化成一张图结构,抽取图的特征来作为这条时序数据的特征,最后用这些特征训练一个分类器。接下来具体讲本文是怎么做的。
背景
由于时序数据具有序列特性,因此不能直接当成高维的向量。现有的做法是通过特征抽取,将序列特性转化为无序的特征向量,然后送给一个分类器。
比较典型的一种做法是 DTW距离+kNN分类器(DTW距离的介绍可见这篇文章)。但是DTW距离只能考虑全局(global)的相似性。因此,提出了一些考虑局部(local)特性的方法,最典型的是基于 shaplets 的方法(shaplet就是短序列,这些短序列能够表示出每个类特有的局部特性)。
本文将时序数据转化为图结构,最大的优