摘要
多变量时间序列（MTS）是在多个相互连接的传感器随时间记录数据时产生的。处理这种高维数据对每个分类器来说都是一个挑战，至少存在两个方面的问题：首先，MTS不仅由单个特征值定义，还取决于不同维度特征之间的相互作用；其次，这通常会增加大量无关数据和噪声。我们提出了一种新的MTS分类器WEASEL+MUSE，该分类器能够应对这两个挑战。WEASEL+MUSE通过在MTS的每个维度上应用滑动窗口方法构建多变量特征向量，然后从每个窗口和维度中提取离散特征。随后，这些特征向量经过特征选择过程，去除非判别性特征，并由机器学习分类器进行分析。WEASEL+MUSE的新颖之处在于其特定的从MTS中提取和过滤多变量特征的方法，即将上下文信息编码到每个特征中。尽管最终生成的特征集较小，但具有很高的判别性和实用性，适用于MTS分类。基于20个流行的MTS数据集基准测试，我们发现与现有技术相比，WEASEL+MUSE是最准确的分类器之一。此外，在运动手势识别数据上的测试进一步证实了WEASEL+MUSE的卓越鲁棒性，其开箱即用的准确性与领域特定方法相当。