MPTSNet: Integrating Multiscale Periodic Local Patterns and Global Dependencies for Multivariate Time Series Classification

要約

多変量時系列分類（MTSC）は、環境監視、医療EEG分析、アクション認識などの広範な実用的なアプリケーションで重要です。
通常、実際の時系列データセットは複雑なダイナミクスを示します。
この複雑さをキャプチャするために、RNNベース、CNNベース、トランスベース、およびハイブリッドモデルが提案されています。
残念ながら、現在の深い学習ベースの方法は、さまざまな時間スケールでのローカル機能とグローバル依存関係の同時構築をしばしば無視し、満足のいく分類精度を実現するのに十分な特徴抽出機能がありません。
これらの課題に対処するために、マルチスケールのローカルパターンとグローバルな相関を統合して、時系列に固有の情報を完全に活用する新しいマルチスケール周期時系列ネットワーク（MPTSNET）を提案します。
時系列の多期間と複雑な変数相関を認識して、フーリエ変換を使用して一次周期を抽出し、データをマルチスケールの周期セグメントに分解できるようにします。
CNNと注意メカニズムの固有の強みを活用して、周期ブロックを導入します。これは、ローカルパターンとグローバルな依存関係を適応的にキャプチャしながら、異なる周期スケールにわたる注意統合を通じて解釈可能性を高めます。
UEAベンチマークデータセットの実験は、提案されたMPTSNETがMTSCタスクの21の既存の高度なベースラインを上回ることを示しています。

要約(オリジナル)

Multivariate Time Series Classification (MTSC) is crucial in extensive practical applications, such as environmental monitoring, medical EEG analysis, and action recognition. Real-world time series datasets typically exhibit complex dynamics. To capture this complexity, RNN-based, CNN-based, Transformer-based, and hybrid models have been proposed. Unfortunately, current deep learning-based methods often neglect the simultaneous construction of local features and global dependencies at different time scales, lacking sufficient feature extraction capabilities to achieve satisfactory classification accuracy. To address these challenges, we propose a novel Multiscale Periodic Time Series Network (MPTSNet), which integrates multiscale local patterns and global correlations to fully exploit the inherent information in time series. Recognizing the multi-periodicity and complex variable correlations in time series, we use the Fourier transform to extract primary periods, enabling us to decompose data into multiscale periodic segments. Leveraging the inherent strengths of CNN and attention mechanism, we introduce the PeriodicBlock, which adaptively captures local patterns and global dependencies while offering enhanced interpretability through attention integration across different periodic scales. The experiments on UEA benchmark datasets demonstrate that the proposed MPTSNet outperforms 21 existing advanced baselines in the MTSC tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google