ฉันพิจารณาปัญหาของการจัดประเภทตามอนุกรมเวลาของความยาวผันแปรนั่นคือเพื่อค้นหาฟังก์ชัน ผ่านการแสดงทั่วโลกของชุดเวลาโดยชุดของคุณสมบัติที่เลือกขนาดคงที่เป็นอิสระจาก , จากนั้นใช้วิธีการจำแนกมาตรฐานในชุดคุณสมบัตินี้ ฉันไม่สนใจการคาดการณ์เช่นการทำนายf ( X T ) = y ∈ [ 1 .. K $T$v ฉัน D T ϕ ( X T ) = v 1 , … , v D ∈ R , x T +

อะไรคือคุณสมบัติมาตรฐานที่ฉันอาจนำมาพิจารณา ในตัวอย่างที่เราเห็นได้ชัดว่าสามารถใช้ค่าเฉลี่ยและความแปรปรวนของเซเรียอา (หรือช่วงเวลาที่การสั่งซื้อสูงกว่า) และยังมองเข้าไปในโดเมนความถี่เช่นพลังงานที่มีอยู่ในช่วงเวลาของบางอย่างไม่ต่อเนื่องแปลงฟูเรียของเซเรียอา (หรือไม่ต่อเนื่องแปลงเวฟเล็ต )

คุณสมบัติทางสถิติอย่างง่าย

• หมายถึงในแต่ละมิติ$d$
• ค่าเบี่ยงเบนมาตรฐานของมิติ$d$
• เบ้ , โด่งและสูงกว่าช่วงเวลาที่คำสั่งของมิติ$d$
• สูงสุดและขั้นต่ำค่า

คุณสมบัติที่เกี่ยวข้องกับการวิเคราะห์อนุกรมเวลา

• ข้ามความสัมพันธ์ระหว่างแต่ละมิติและ Auto-ความสัมพันธ์$d \times d-1$ $d$
• คำสั่งของ autoregressive (AR), integrated (I) และ moving average (MA) เป็นส่วนหนึ่งของโมเดลARIMAโดยประมาณ
• พารามิเตอร์ของส่วน AR
• พารามิเตอร์ของส่วน MA

คุณสมบัติที่เกี่ยวข้องกับโดเมนความถี่

ดูMorchen03เพื่อศึกษาคุณสมบัติการประหยัดพลังงานบน DFT และ DWT

• ความถี่ของยอดในความกว้างในDFTsสำหรับdetrendedมิติ$k$ $d$
• $k$ -quantilesของ DFT เหล่านี้

Emile ฉันคิดว่าคุณสมบัติที่ระบุไว้ในคำตอบของคุณนั้นเป็นจุดเริ่มต้นที่ค่อนข้างดี แต่เช่นเคยฉันคิดว่าความเชี่ยวชาญด้านโดเมนบางอย่าง (หรืออย่างน้อยก็คิดดีมานาน) เกี่ยวกับปัญหาของคุณก็มีความสำคัญเท่าเทียมกัน

คุณอาจต้องการพิจารณารวมถึงคุณสมบัติที่คำนวณจากสัญญาซื้อขายล่วงหน้า (หรืออินทิกรัล) ของสัญญาณของคุณ ตัวอย่างเช่นฉันจะเดิมพันว่าการเร่งความเร็ว / การลดความเร็วอย่างรวดเร็วเป็นตัวทำนายที่ดีพอสมควรในการขับขี่โดยอุบัติเหตุ ข้อมูลดังกล่าวยังคงปรากฏอยู่ในสัญญาณตำแหน่งอย่างชัดเจน แต่ก็ยังไม่ชัดเจน

คุณอาจต้องการพิจารณาแทนที่ค่าสัมประสิทธิ์ฟูริเยร์ด้วยการแทนแพ็คเก็ตเวฟเล็ตหรือเวฟเล็ต ข้อได้เปรียบที่สำคัญของเวฟเล็ตคือช่วยให้คุณสามารถ จำกัด สถานที่ได้ทั้งความถี่และเวลาในขณะที่ค่าสัมประสิทธิ์ฟูริเยร์แบบดั้งเดิมนั้น จำกัด ไว้เพียงครั้งเดียวเท่านั้น สิ่งนี้อาจมีประโยชน์อย่างยิ่งหากข้อมูลของคุณมีส่วนประกอบที่เปิด / ปิดไม่สม่ำเสมอหรือมีพัลส์คล้ายคลื่นสี่เหลี่ยมซึ่งอาจเป็นปัญหาสำหรับวิธีฟูริเยร์

ตามคำตอบอื่น ๆ ที่แนะนำมีคุณลักษณะของอนุกรมเวลาจำนวนมากที่สามารถใช้เป็นคุณลักษณะที่เป็นไปได้ มีคุณสมบัติที่เรียบง่ายเช่นค่าเฉลี่ย, อนุกรมเวลาที่เกี่ยวข้องกับคุณสมบัติเช่นค่าสัมประสิทธิ์ของแบบจำลอง AR หรือคุณสมบัติที่มีความซับซ้อนสูงเช่นสถิติการทดสอบของการทดสอบสมมติฐานเพิ่มเติม dickey fuller

ภาพรวมที่ครอบคลุมเกี่ยวกับคุณสมบัติอนุกรมเวลาที่เป็นไปได้

แพ็คเกจ python tsfreshทำการแยกคุณสมบัติเหล่านั้นโดยอัตโนมัติ เอกสารอธิบายถึงคุณสมบัติที่คำนวณได้แตกต่างกัน คุณสามารถพบหน้าพร้อมกับคุณสมบัติที่คำนวณได้ที่นี่

คำเตือน: ฉันเป็นหนึ่งในผู้เขียนของ tsfresh

ฉันขอแนะนำให้คุณแทนที่จะใช้วิธีการแบบคลาสสิกสำหรับการแยกฟีเจอร์ที่ออกแบบด้วยมือให้ใช้ประโยชน์จากระบบเข้ารหัสอัตโนมัติ Autoencoders มีบทบาทสำคัญในการดึงคุณสมบัติของสถาปัตยกรรมการเรียนรู้ลึก

autoencoder พยายามที่จะเรียนรู้ฟังก์ชั่นfในคำอื่น ๆ ก็จะพยายามที่จะเรียนรู้การประมาณฟังก์ชั่นตัวตนเพื่อให้เป็นไปส่งออกที่คล้ายกับX_TX T X $f(X_T)≈X_T$$\hat X_T$$X_T$

ฟังก์ชั่นตัวตนดูเหมือนฟังก์ชั่นเล็ก ๆ น้อย ๆ โดยเฉพาะอย่างยิ่งที่จะพยายามที่จะเรียนรู้; แต่ด้วยการวางข้อ จำกัด บนเครือข่ายเช่นโดยการ จำกัด จำนวนของหน่วยที่ซ่อนอยู่เราสามารถค้นพบโครงสร้างที่น่าสนใจเกี่ยวกับข้อมูล

ด้วยวิธีนี้คุณต้องการจะเทียบเท่ากับค่าการส่งออกของชั้นชั้นกลางใน autoencoder ลึกถ้าคุณ จำกัด จำนวนหน่วยที่ซ่อนอยู่ในชั้นกลางในการพัฒนา$ϕ(X_T)=v_1,…,v_D \in R$$D$

นอกจากนี้คุณสามารถใช้ตัวเข้ารหัสอัตโนมัติหลายรสชาติเพื่อค้นหาวิธีแก้ไขปัญหาที่ดีที่สุด

กระดาษที่เชื่อมโยงจะค่อนข้างตรัสรู้เนื่องจากมีความสนใจในประเด็นเดียวกันมากขึ้นหรือน้อยลงในบริบทอื่น

บทคัดย่อกระดาษ (ใน Internet Archive)

กระดาษ PDF

ขึ้นอยู่กับความยาวของอนุกรมเวลาของคุณวิธีการปกติคือยุคข้อมูลในกลุ่มเช่น 10 วินาที

อย่างไรก็ตามบ่อยครั้งก่อนที่จะแบ่งอนุกรมเวลาออกเป็นส่วน ๆ จำเป็นต้องทำการประมวลผลล่วงหน้าเช่นการกรองและการปฏิเสธสิ่งประดิษฐ์ จากนั้นคุณสามารถคำนวณคุณสมบัติที่หลากหลายเช่นคุณลักษณะตามความถี่ (เช่นใช้ FFT สำหรับแต่ละยุค) เวลา (เช่นค่าเฉลี่ยความแปรปรวน ฯลฯ ของอนุกรมเวลาในยุคนั้น) หรือรูปร่าง (เช่นรูปร่างของสัญญาณ / อนุกรมเวลาในแต่ละยุคสมัย)

โดยปกติแล้วคุณสมบัติที่ใช้ในการจำแนกกลุ่ม (epochs) ของอนุกรมเวลา / สัญญาณเป็นแบบเฉพาะโดเมน แต่การวิเคราะห์เวฟเล็ต / ฟูริเยร์เป็นเพียงเครื่องมือที่ช่วยให้คุณตรวจสอบสัญญาณของคุณในโดเมนความถี่ / เวลาความถี่แทนที่จะเป็นคุณสมบัติในตัวเอง

ในปัญหาการจำแนกประเภทแต่ละยุคจะมีเลเบลของคลาสเช่น 'สุข' หรือ 'เศร้า' คุณจะต้องฝึกแยกประเภทเพื่อแยกแยะความแตกต่างระหว่างกาล 'แฮปปี้' และ 'เศร้า' โดยใช้ 6 คุณสมบัติที่คำนวณสำหรับแต่ละยุค

ในกรณีที่แต่ละชุดเวลาแทนกรณีเดียวสำหรับการจัดหมวดหมู่คุณต้องคำนวณแต่ละคุณลักษณะในตัวอย่างทั้งหมดของอนุกรมเวลา FFT มีความเกี่ยวข้องเฉพาะที่นี่หากสัญญาณเป็น Linear time invariant (LTI) นั่นคือถ้าสัญญาณสามารถพิจารณาได้ว่าอยู่นิ่งตลอดทั้งอนุกรมอนุกรมหากสัญญาณไม่นิ่งในช่วงเวลาที่สนใจการวิเคราะห์เวฟเล็ตอาจจะเป็น เหมาะสมกว่า วิธีการนี้จะหมายความว่าแต่ละชุดเวลาจะสร้างเวกเตอร์หนึ่งคุณลักษณะและจะประกอบไปด้วยกรณีหนึ่งสำหรับการจัดหมวดหมู่