随着传感器技术的发展,多元时间序列分类(MTSC)问题是时间序列数据挖掘领域中最重要的问题之一,近几十年来一直受到人们的关注。传统的基于Bag-of-Patterns或time series Shapelet的时间序列分类方法难以处理高维多元数据中产生的大量候选特征,但即使在训练集很小的情况下,仍具有良好的分类性能。相比之下,基于深度学习的方法可以有效地学习低维特征,但缺乏标记数据。在本文中,我们提出了一种新的MTSC模型,该模型带有注意力原型网络,同时吸收了传统方法和基于深度学习的方法的优点。具体而言,我们设计了一种结合多层卷积网络的随机群置换方法,从多元时间序列数据中学习低维特征。为了解决训练标签有限的问题,我们提出了一种新的注意原型网络,该网络根据它们与不充分的数据标签类原型的距离来训练特征表示。此外,我们利用未标记数据将我们的模型扩展到其半监督设置。在公共UEA多元时间序列档案的18个数据集上,使用8种最新基线方法进行了广泛的实验,证明了所提模型的有效性。
背景:半监督时间序列分类
框架:
TapNet主要由三部分组成:随机维度排列、多元时间序列编码和注意原型学习。
Random Dimension Permutation
Multivariate Time Series Encoding
时间序列编码组件是通过一个基于神经网络的函数学习每个时间序列的低维嵌入。为了提取MTS数据的序列信息和多元特征,我们采用了长短期记忆网络(LSTM) (Sundermeyer, Schluter和Ney 2012)和多层卷积网络(Krizhevsky, Sutskever和Hinton 2012)。
Attentional Prototype Learning
提出了一种基于距离的损失函数训练的注意力原型学习方法。