Multi-shapelet:一种基于shapelet的多变量时间序列分类方法

shapelet是时间序列中最具有辨识性的子序列，其一经提出就被来自各个领域的研究人员广泛研究，并在此过程中提出了许多有效的shapelet发现技术用于进行时间序列分类。然而，多变量时间序列的候选shapelet可能长度不同且变量来源不同，故很难直接对其进行比较，这对基于shapelet多变量时间序列分类方法提出了独特的挑战。为了应对这一挑战，提出了一种基于无监督表示学习和shapelet的多变量时间序列分类方法Multi-shapelet。Multi-shapelet首先使用混合模型DC-GNN（Dilated convolution neural network and graph neural network， DC-GNN）作为编码器，将不同长度的候选shapelet嵌入统一的shapelet选择空间，以进行shapelet之间的比较；其次，提出了一种新的损失函数以无监督学习方式训练该编码器，使得DC-GNN对shapelet编码得到相应的嵌入（Embedding）后，属于同类shapelet对应的嵌入之间的相对位置形成的拓扑与原空间中shapelet之间相对位置形成的拓扑之间的关系更接近于一种等比例的缩小，这对后续基于相似性的剪枝过程十分重要；最后，使用K-means聚类和模拟退火算法进行shapelet剪枝和选择操作。在UEA的18个多变量时间序列数据集上的实验结果表明，Multi-shapelet的整体精度相比于其他方法得到了显著提升。