Benchmarking Multivariate Time Series Classification Algorithms

要約

タイトル：多変量時系列分類アルゴリズムのベンチマーク
要約：
– 時系列分類(TSC)は、順序付けされた実数値属性から離散的な目標変数の予測モデルを構築するものである。
– 近年、以前の最新技術を大幅に改善した新しいTSCアルゴリズムが開発されてきたが、主に単変量TSCに注目が集まっている。
– しかし、実際には、1つのラベルに複数の系列が関連している多変量TSC（MTSC）問題がより一般的である。
– こういったMTSC問題に対する取り組みは、単変量タイプよりも少ない。
– 2018年にリリースされたUEAアーカイブにより、MTSCアルゴリズムの比較が容易になった。
– 本論文では、深層学習、シェイプレット、ワードバッグアプローチに基づく提案されたMTSCアルゴリズムを検討し、多変量次元にわたる単変量分類器をアンサンブルする最も単純なアプローチと比較する。
– 全てのデータが同じ長さの26の30個のMTSCアーカイブ問題に対して、独立したアンサンブルのHIVE-COTE分類器が最も正確だが、動的時間歪みはMTSCでも競争力があることを示す。

要約(オリジナル)

Time Series Classification (TSC) involved building predictive models for a discrete target variable from ordered, real valued, attributes. Over recent years, a new set of TSC algorithms have been developed which have made significant improvement over the previous state of the art. The main focus has been on univariate TSC, i.e. the problem where each case has a single series and a class label. In reality, it is more common to encounter multivariate TSC (MTSC) problems where multiple series are associated with a single label. Despite this, much less consideration has been given to MTSC than the univariate case. The UEA archive of 30 MTSC problems released in 2018 has made comparison of algorithms easier. We review recently proposed bespoke MTSC algorithms based on deep learning, shapelets and bag of words approaches. The simplest approach to MTSC is to ensemble univariate classifiers over the multivariate dimensions. We compare the bespoke algorithms to these dimension independent approaches on the 26 of the 30 MTSC archive problems where the data are all of equal length. We demonstrate that the independent ensemble of HIVE-COTE classifiers is the most accurate, but that, unlike with univariate classification, dynamic time warping is still competitive at MTSC.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI