Disjoint-CNN für die Klassifikation multivariater Zeitreihen

Zeitreihen-Klassifizierungs-Algorithmen wurden bisher hauptsächlich von nicht-tiefen Lernmodellen dominiert.In den letzten Jahren hat das tiefes Lernen für die multivariate Zeitreihen-Klassifikation (MTSC) erhebliches Interesse geweckt.Die meisten aktuellen State-of-the-Art-Methoden basieren auf Faltungsnetzen, wobei eindimensionale (1D) Faltungen eingesetzt werden, um Merkmale aus zweidimensionalen Zeitreihen zu extrahieren. Diese Studie zeigt, dass die Faktorisierung von 1D-Faltungsfiltern in disjunkte zeitliche und räumliche Komponenten zu signifikanten Genauigkeitsverbesserungen führt, ohne dabei nahezu zusätzlichen Rechenaufwand mit sich zu bringen.Auf Basis unserer Untersuchung zu disjunkten zeitlich-räumlichen Filtern haben wir einen neuen Filterblock namens „1+1D“ entworfen, der die Wechselwirkung zwischen den Dimensionen betont und somit die Leistungsfähigkeit von auf Faltungen basierenden tiefen Lern-Modellen für die MTSC verbessert. Außerdem haben wir eine neue und effektive MTSC-Methode namens Disjoint-CNN vorgestellt, die auf unseren vorgeschlagenen 1+1D-Filterblöcken basiert. In umfangreichen Experimenten zeigen wir, dass unser Modell (Disjoint-CNN) die State-of-the-Art-MTSC-Modelle auf 26 Datensätzen der UEA Multivariate Time Series Archive übertrifft und dabei die höchste durchschnittliche Rangplatzierung unter 9 MTSC-Benchmark-Modellen erreicht.