摘要
时间序列数据广泛存在于多个学科领域。早期时间序列分类旨在尽可能早且准确地预测时间序列的类别标签，这一任务在诸多对时间敏感的应用中具有重要意义，但同时也面临巨大挑战。现有的方法主要依赖启发式停止规则，从时间序列分类器的预测结果中捕捉停止信号。然而，这类启发式规则仅能识别明显的停止信号，导致现有方法往往只能做出正确但延迟的预测，或过早但错误的预测。为解决该问题，本文提出一种新型的二阶置信度网络，用于时间序列的早期分类。该模型能够在统一框架下自动学习，捕捉早期时间序列中隐含的停止信号。所提出的模型利用深度神经网络捕捉时间序列中的时序模式，并输出二阶置信度，以反映这些隐含的停止信号。具体而言，我们的模型不仅利用单个时间步的数据，还结合概率序列信息，以更全面地捕捉停止信号。通过融合分类器输出的停止信号与二阶置信度，我们设计了一种更为鲁棒的触发机制，用于判断是否需要进一步获取未来时间步的观测数据。实验结果表明，与当前最先进的方法相比，本文提出的方法在早期分类任务中取得了更优的性能。