Multivariate Zeitreihenklassifizierung mit WEASEL+MUSE

Multivariate Zeitreihen (MTS) entstehen, wenn mehrere miteinander verbundene Sensoren Daten über die Zeit aufzeichnen. Die Bearbeitung dieser hochdimensionalen Daten stellt für jeden Klassifikator mindestens zwei Herausforderungen dar: Erstens wird eine MTS nicht nur durch einzelne Merkmalswerte charakterisiert, sondern auch durch das Zusammenspiel der Merkmale in verschiedenen Dimensionen. Zweitens führt dies in der Regel zu großen Mengen irrelevanten Daten und Rauschens. Wir stellen unseren neuen MTS-Klassifikator WEASEL+MUSE vor, der beide Herausforderungen angeht. WEASEL+MUSE erstellt einen multivariaten Merkmalsvektor, indem zunächst ein gleitendes Fenster auf jede Dimension der MTS angewendet wird, dann pro Fenster und Dimension diskrete Merkmale extrahiert werden. Der resultierende Merkmalsvektor wird anschließend durch eine Merkmalsauswahl verarbeitet, bei der nicht diskriminierende Merkmale entfernt werden, und von einem maschinellen Lernklassifikator analysiert. Die Neuheit von WEASEL+MUSE liegt in seiner spezifischen Art und Weise, kontextbezogene Informationen in jedes Merkmal zu kodieren, um multivariate Merkmale aus MTS zu extrahieren und zu filtern. Trotzdem ist die resultierende Merkmengen klein, aber sehr diskriminierend und nützlich für die Klassifikation von MTS. Basierend auf einem bekannten Benchmark mit 20 MTS-Datensätzen fanden wir heraus, dass WEASEL+MUSE zu den genauesten Klassifikatoren gehört, wenn er mit dem Stand der Technik verglichen wird. Die hervorragende Robustheit von WEASEL+MUSE wird zudem anhand von Bewegungsgestenerkennungsdaten bestätigt, wo es direkt aus der Box ähnliche Genauigkeiten wie domänenspezifische Methoden erreichte.