轻舟已过万重山的博客

简介Pyts库针对时间序列的分解，只有一种算法，即奇异谱分析（Singular Spectrum Analysis），它能将时间序列分解为趋势和噪音两部分，它的名字的由来和奇异值分解有关，实际上SSA的实质就是将协方差矩阵进行奇异值分解（singular value decomposition），再对得到的奇异值进行谱分析变换，所以它的算法包含以下过程（由于比较复杂，此处简要叙述重点，如需详情请自行查看wiki或者搜索引擎）：1.嵌入矩阵（embedding)，或者其实就是我们之前学过的窗口变换，把时间

简介时间序列的分类算法逐渐接近尾声，本节将介绍TimeSeriesForest算法，即应用在时间序列上的随机森林算法，同时下一节也就是最后一节将介绍建立在它基础上的TSBF算法。在学习本节之前呢，需要各位将Pyts升级至最新版本（到本文发表时为0.12.0），因为0.11.0（去年10月我安装的版本）是没有这两种算法的：pip install --upgrade pytsTimeSeriesForest的算法步骤分为以下两步：1.从一系列随机窗口序列中提取三个特征：平均值，标准差，和简单线性回归的

简介本章节直接跳过了BOSSVS算法，因为BOSSVS和SAX-VSM的区别也就只在于前面数据预处理的方式了，SAX-VSM用的是分箱的字词转换，而BOSSVS用的是Symbolic Fourier Approximation（详见第一节，本文不再赘述）也就是使用傅里叶变换的提取特征方法，所以与其介绍一遍差不多的，不如留给读者自行探索。那么本节我将给各位介绍pyts中的LearningShapelets算法，来自于14年的“Learning Time-Series Shapelets”这篇文章，本算法过

简介pyts简单的说就是打包了多种时间序列分类和处理算法的类scikit-learn库，国内介绍该库的文档相对较少，所以本人打算开一个新坑，在学习的同时结合自身的理解介绍pyts库的主要api和功能。那么在进入正题前先介绍一下pyts的基本概念，定义时间序列（x1,x2,x3…,xn)，如果一个时间序列只有一个特征，那么xi属于实数集R，该时间序列为单变量时间序列，如果一个时间序列有多个特征，那么xi属于R^d，d指维度，xi为一个d维向量，该时间序列为多元时间序列（比如一串GPS就有纬度和经度两个坐标

简介书接上文（2021.11.05），在介绍了pyts的时间序列简单特征提取之后，我们来介绍一下对时间序列的分类算法，从KNN（k-nearest neighbors）算法开始，一篇文章介绍一个分类算法。因为工作上的一些烦心事情，最近一直都没写文章，可能关注我的小伙伴都忘了为啥关注我，实在抱歉，那么我们进入正题，首先需要先对KNN算法（分类）有个大概的了解：1.它不是K-means算法（K-means是无监督的聚类算法，新手经常会把它们搞混）。2.它是监督学习（supervised learning）

简介相信不少人会被这个标题唬住，什么叫SAX-VSM算法，其实并不难，容我细细道来。首先它来自2013年的"SAX-VSM: Interpretable Time Series Classification Using SAX and Vector Space Model"这篇论文，全称为Symbolic Aggregate approXimation in Vector Space Model（在向量空间模型中进行符号聚合近似），其实就是先进行符号聚合近似（SAX)，再进行词向量的转换（VSM），细心