Multivariate Time Series Classification: A Deep Learning Approach

要約

この論文では、時系列分類ドメインに適用できるさまざまな方法とさまざまなニューラル ネットワーク アーキテクチャを調査します。
データは、酸素や音などの量を測定および追跡する一連のガス センサーから取得されます。
このデータを利用すると、特定の環境での占有などのイベントを検出できます。
まず、時系列データを分析して、モデルをトレーニングする際のシーケンスの長さなどのさまざまなパラメーターの影響を理解します。
これらのモデルは、教師あり学習には完全畳み込みネットワーク (FCN) と長期短期メモリ (LSTM) を、半教師あり学習にはリカレント オートエンコーダーを採用しています。
この研究全体を通して、精度や再現率などの指標に基づいてこれらの手法間の違いを特定し、どの手法がこの問題に最適であるかを特定します。

要約(オリジナル)

This paper investigates different methods and various neural network architectures applicable in the time series classification domain. The data is obtained from a fleet of gas sensors that measure and track quantities such as oxygen and sound. With the help of this data, we can detect events such as occupancy in a specific environment. At first, we analyze the time series data to understand the effect of different parameters, such as the sequence length, when training our models. These models employ Fully Convolutional Networks (FCN) and Long Short-Term Memory (LSTM) for supervised learning and Recurrent Autoencoders for semisupervised learning. Throughout this study, we spot the differences between these methods based on metrics such as precision and recall identifying which technique best suits this problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google