Transformée aléatoire à formes dilatées : une nouvelle approche pour les formes temporelles

Les algorithmes basés sur les shapelets sont largement utilisés pour la classification de séries temporelles en raison de leur facilité d'interprétation, mais ils sont actuellement surpassés par les approches les plus récentes de pointe. Nous proposons une nouvelle formulation des shapelets de séries temporelles incluant la notion de dilatation, ainsi qu'une nouvelle caractéristique de shapelet visant à renforcer leur pouvoir discriminant pour la classification. Des expérimentations menées sur 112 jeux de données montrent que notre méthode améliore l'algorithme de shapelets de pointe actuel et atteint une précision comparable aux approches les plus récentes de pointe, sans compromettre ni la scalabilité ni l'interprétabilité.