计算机应用

作者：袁子璇, 翁小清, 戈宁振

单位：河北经贸大学 信息技术学院，石家庄 050061

关键词：多变量时间序列,早期分类,正交局部保持映射,成本优化,高斯过程分类器

基金：河北经贸大学培育项目(2021PY058)

时间序列早期分类（ETSC）有两个矛盾的目标：早期性和准确率。分类早期性的实现，总是以牺牲它的准确率为代价。现有基于优化的多变量时间序列（MTS）早期分类方法，虽然在成本函数中考虑了错误分类成本和延迟决策成本，却忽视了MTS数据集样本之间的局部结构对分类性能的影响。针对这个问题，提出一种基于正交局部保持映射（OLPP）和成本优化的MTS早期分类模型（OLPPMOAE）。首先，使用OLPP将MTS样本前缀映射到低维空间，保持原数据集的局部结构；其次，在低维空间训练一组高斯过程（GP）分类器，生成训练集每个时刻的类概率；最后，使用粒子群优化（PSO）算法从这些类概率中学习停止规则中的最优参数。在6个MTS数据集上的实验结果表明，在早期性基本持平的情况下，OLPPMOAE的准确率显著高于基于成本的R1_Clr（stopping Rule and Cost function with regularization term l1 and l2）模型，平均准确率能够提升11.33%~15.35%，调和均值（HM）能够提升4.71%~9.01%。因此，所提模型能够以较高的准确率尽早地分类MTS。

来源：2024年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第6期