Python代码详解：入门时间序列分类

我们接触的大多数时间序列数据主要涉及产生预测的交易。无论是预测产品的需求还是销售额，[航空公司]的乘客数量或特定股票的收盘价，我们都习惯于利用久经考验的时间序列技术来预测需求。

但随着生成的数据量呈指数增长，尝试新想法和算法的机会也随之增加。使用复杂的时间序列数据集仍然是一个利基领域，扩展你的保留曲目以包含新想法总是有帮助的。

这就是本文的目的，向你介绍时间序列分类的新概念。我们将首先了解这个主题的含义以及它在行业中的应用。但是不会只停留在理论部分——我们将通过处理时间序列数据集并执行二进制时间序列分类来解决问题。边学边应用——这将有助于你以实际的方式理解这个概念。

时间序列分类介绍

时间序列分类实际上已经存在了一段时间。但到目前为止，它主要限于研究实验室，而没有进行行业应用。但是有很多研究正在进行，正在创建新的数据集并提出了许多新的算法。

可以想象，时间序列分类数据与常规分类问题不同，因为属性具有有序序列。 让我们来看看一些时间序列分类用例，以了解这种差异。

1.对心电图（ECG/EEG）信号进行分类

心电图或心电图记录[心脏]的电活动，广泛用于诊断各种[心脏]问题。使用外部电极捕获这些心电图信号。

例如，考虑以下信号样本，它代表一个心跳的电活动。左侧的图像表示正常心跳，而与其相邻的图像表示心肌梗塞。

[图片上传失败…(image-f419ea-1550147176398)]

从电极捕获的数据将是时间序列形式，并且信号可以分类为不同的类别。我们还可以对记录[大脑]电活动的脑电信号进行分类。

在学习的道路上肯定会遇到困难，没有好的学习资料怎么去学习呢？
如果你感觉学不会？莫慌
互帮互助，还可以拿到许多视频教程！

2.图像分类

图像也可以是顺序的时间相关格式。请考虑以下情形：

根据天气条件、土壤肥力、水的可用性和其他外部因素，[农作物]在特定的田地中生长。这块田地被监测拍摄了5年，并标记在该字段上种植的作物的名称。 你知道为什么要这么做吗？数据集中的图像是在固定的时间间隔之后拍摄的，并且具有定义的序列，这可能是对图像进行分类的重要因素。

3.对运动传感器数据进行分类

传感器生成高频数据，可以识别其范围内物体的移动。通过设置多个无线传感器并观察传感器中信号强度的变化，可以识别物体的运动方向。

设置问题陈述

我们将致力于“室内用户运动预测”问题。在该挑战中，多个运动传感器被放置在不同的房间中，并且目标是基于从这些运动传感器捕获的频率数据来识别个体是否已经移动穿过房间。

两个房间有四个运动传感器（A1，A2，A3，A4）。请看下面的图像，其中说明了传感器在每个房间中的位置。这两个房间的设置是在3对不同的房间（group1，group2，group3）中创建的。