基于关键形态特征的多元时间序列降维方法
CSTR:
作者:
作者单位:

(华侨大学工商管理学院,福建泉州362021)

作者简介:

通讯作者:

E-mail: hailin@mail.dlut.edu.cn.

中图分类号:

TP273

基金项目:

国家自然科学基金项目(71771094,61300139);福建省自然科学基金项目(2019J01067);福建省高等学校新世纪优秀人才支持计划项目(Z1625112).


Dimension reduction for multivariate time series based on crucial shape features
Author:
Affiliation:

(School of Business Management,Huaqiao University,Quanzhou362021,China)

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对传统主成分分析及相关方法对多元时间序列特征表示的局限性,以及降维效果对数据相似性度量质量的影响,从数据形态特征的角度出发,提出一种关键形态特征的多元时间序列降维方法.利用动态时间弯曲方法找出训练集每个类别的中心多元时间序列,根据形态特征找出每个中心多元时间序列的关键特征变量分量的重要度,使用重要度提取若干个关键特征变量分量,达到数据降维的目的.实验结果表明,与传统方法相比,所提方法能够有效地根据形态特征对多元时间序列进行降维,并且能够取得更好的分类效果.

    Abstract:

    Principal component analysis and relevant techniques are often used to represent feature for multivariate time series. However, they have some limitations for feature representation, and the dimension reduction results impact on the similarity measure accuracy. Therefore, from the perspective of shape features, a crucial shape feature dimension reduction technique for multivariate time series is proposed. In train datasets, central for multi variate time series of each category is obtained through dynamic time warping, and the importance degree of crucial feature properties components is found according to shape feature. In this way, the dimensionality of multi-time series can be reduced and the original data can be represented by the crucial shape feature. The experiments results show that the proposed method is superior because it can obtain a better classification effect and effective dimension reduction.

    参考文献
    相似文献
    引证文献
引用本文

李海林,梁叶.基于关键形态特征的多元时间序列降维方法[J].控制与决策,2020,35(3):629-636

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2020-02-22
  • 出版日期:
文章二维码