-
题名基于IFS-LCT-ViT的时间序列分类方法
被引量：1
- 1
-
-
作者
杨思栋
王珂
刘兵
苏冰
-
机构
中国矿业大学计算机科学与技术学院
河北广电网络集团秦皇岛有限公司
-
出处
《南京师大学报(自然科学版)》
北大核心
2025年第2期91-101,共11页
-
基金
国家自然科学基金项目(62276266).
-
文摘
目前针对时间序列分类问题,大多采用一维视角进行分析.二维视角下的时间序列具有更高量级的数据,但相关的研究较少且基本为格拉姆角场法(Gramian Angular Field,GAF)和卷积神经网络模型的组合.文中将对图像视角下的时间序列分类进行深入研究,对目前方法存在的相关问题进行优化.首先解决GAF算法的计算冗余问题,提出不平衡因子法(imbalance factor subtraction,IFS),以基础运算替换GAF的三角运算,在不损失分类精度的情况下,减少了图像生成过程的运算.其次针对卷积类模型存在局部偏好的问题,文中将图像识别的任务交给视觉全自注意力网络(Vision Transformer,ViT),通过对时序转换图分割,再对分割后的子块以全局并行计算的方式分配注意力权重,得到图像的整体特征.最后,提出适配ViT模型的轻量卷积令牌(lightweight convolutional token,LCT),通过一维卷积提取原始序列的局部特征,来弥补ViT模型对图像简单硬分割所带来的信息损失.结合以上所有提出了IFS-LCT-ViT模型,为了验证模型的有效性,在UCR官网中的11个数据集上进行了实验.结果表明,该模型与GRU-FCN、TST、GAF-CNN、XCM、OSCNN、MultiRocket相比,在6个数据集上获得了85.9%、80.2%、68.2%、63.0、85.3%和84.0%的最高准确率,证明了该模型在时间序列分类任务上的有效性.
-
关键词
时间序列分类
图像视角
不平衡因子
视觉自注意力网络
轻量卷积令牌
-
Keywords
time series classification
image perspective
imbalance factor subtraction
vision transformer
lightweight convolution token
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
