本發(fā)明涉及時間序列分類技術領域，特別涉及一種時間序列分類方法及系統(tǒng)。

背景技術：

時間序列是某種現象或統(tǒng)計指標在不同時間點上的各個數值，按照時間順序排列而成的有序序列。時間序列的分類問題一直是時間序列數據挖掘領域研究人員關注的重點。隨著大數據時代的到來，快速有效地對雜亂無章的時間序列分類顯得尤為重要。當前，對時間序列進行分類的分類算法主要包括最近鄰分類器、支持向量機以及稀疏編碼算法等。

目前，在利用最近鄰分類器、支持向量機或稀疏編碼算法對時間序列進行分類時，需要事先對時間序列進行核變換處理，然后再對經過核變換處理的時間序列進行分類。例如，可以利用高斯核函數對時間序列進行核變換處理，但是由于傳統(tǒng)的歐氏距離難以處理時間序列特有的偏移性，有學者提出將能夠對時間序列進行有效度量的動態(tài)時間規(guī)整距離(DTW，即Dynamic Time Warping)引入到高斯核函數中，相應地得到了GDTW(即Gaussian Dynamic Time Warping kernel，高斯動態(tài)時間規(guī)整核函數)。時間序列經過GDTW核函數的核變換處理后，最終的分類效果得到了一定的提升。但是，由于GDTW核函數僅將DTW作為一種距離度量，簡單地將其替換高斯核函數中的歐氏距離，而忽略了DTW中較為重要的偏移路徑信息，因此使得時間序列的分類效果還有待進一步的改善。

綜上所述可以看出，如何進一步改善時間序列的分類效果是目前有待解決的問題。

技術實現要素：

有鑒于此，本發(fā)明的目的在于提供一種時間序列分類方法及系統(tǒng)，進一步改善了時間序列的分類效果。其具體方案如下：

一種時間序列分類方法，包括：

預先對GDTW核函數進行優(yōu)化，得到改進后的GDTW核函數；

利用所述改進后的GDTW核函數，分別對預設的時間序列訓練樣本集和時間序列測試樣本進行核變換，相應地得到訓練樣本的核變換數據集和測試樣本的核變換數據；

利用預設的分類算法，并依據所述訓練樣本的核變換數據集中的時間序列類別標簽，對所述測試樣本的核變換數據進行分類處理，得到所述時間序列測試樣本的類別；

其中，所述改進后的GDTW核函數為：

$K(x,y)=\underset{s=1}{\overset{N}{\Σ}}\exp (-{\mathrm{Dist}}_{eu}{\left(w_{s|x},w_{s|y}\right)}^2/{\mathrm{\σ}}^2);$

式中，σ表示核參數，x表示輸入所述改進后的GDTW核函數中的第一時間序列，y表示輸入所述改進后的GDTW核函數中的第二時間序列，w_s|x表示所述第一時間序列上的第g個序列元素，w_s|y表示所述第二時間序列上的第h個序列元素，并且，(w_s|x,w_s|y)表示最優(yōu)偏移路徑W_x,y上的第s個路徑元素，Dist_eu(w_s|x,w_s|y)表示w_s|x和w_s|y之間的歐氏距離，所述最優(yōu)偏移路徑W_x,y表示所述第一時間序列和所述第二時間序列之間的最優(yōu)偏移路徑，其中，W_x,y＝{w₁,w₂,...,w_N}。

優(yōu)選的，對所述時間序列訓練樣本集進行核變換的過程，包括：

利用所述改進后的GDTW核函數，對所述時間序列訓練樣本集進行核變換，得到所述訓練樣本的核變換數據集；其中，所述訓練樣本的核變換數據集為：

式中，x_k表示所述時間序列訓練樣本集中的第k個時間序列訓練樣本，v_k表示x_k的類別標簽，表示所述訓練樣本的核變換數據集中的第k個核變換數據元素，

優(yōu)選的，對所述時間序列測試樣本進行核變換的過程，包括：

利用所述改進后的GDTW核函數，并結合所述時間序列訓練樣本集，對所述時間序列測試樣本進行核變換，得到所述測試樣本的核變換數據；其中，所述測試樣本的核變換數據為：

式中，y表示所述時間序列測試樣本，x_k表示所述時間序列訓練樣本集中的第k個時間序列訓練樣本，k＝{1,2,...,M}。

優(yōu)選的，所述分類算法為最近鄰分類器、支持向量機或稀疏編碼算法。

本發(fā)明還公開了一種時間序列分類系統(tǒng)，包括：

核函數優(yōu)化模塊，用于預先對GDTW核函數進行優(yōu)化，得到改進后的GDTW核函數；

核變換模塊，用于利用所述改進后的GDTW核函數，分別對預設的時間序列訓練樣本集和時間序列測試樣本進行核變換，相應地得到訓練樣本的核變換數據集和測試樣本的核變換數據；

時間序列分類模塊，用于利用預設的分類算法，并依據所述訓練樣本的核變換數據集中的時間序列類別標簽，對所述測試樣本的核變換數據進行分類處理，得到所述時間序列測試樣本的類別；

其中，所述改進后的GDTW核函數為：

$K(x,y)=\underset{s=1}{\overset{N}{\Σ}}\exp (-{\mathrm{Dist}}_{eu}{\left(w_{s|x},w_{s|y}\right)}^2/{\mathrm{\σ}}^2);$

式中，σ表示核參數，x表示輸入所述改進后的GDTW核函數中的第一時間序列，y表示輸入所述改進后的GDTW核函數中的第二時間序列，w_s|x表示所述第一時間序列上的第g個序列元素，w_s|y表示所述第二時間序列上的第h個序列元素，并且，(w_s|x,w_s|y)表示最優(yōu)偏移路徑W_x,y上的第s個路徑元素，Dist_eu(w_s|x,w_s|y)表示w_s|x和w_s|y之間的歐氏距離，所述最優(yōu)偏移路徑W_x,y表示所述第一時間序列和所述第二時間序列之間的最優(yōu)偏移路徑，其中，W_x,y＝{w₁,w₂,...,w_N}。

優(yōu)選的，所述核變換模塊，包括：

第一核變換單元，用于利用所述改進后的GDTW核函數，對所述時間序列訓練樣本集進行核變換，得到所述訓練樣本的核變換數據集；其中，所述訓練樣本的核變換數據集為：

式中，x_k表示所述時間序列訓練樣本集中的第k個時間序列訓練樣本，v_k表示x_k的類別標簽，表示所述訓練樣本的核變換數據集中的第k個核變換數據元素，

第二核變換單元，用于利用所述改進后的GDTW核函數，并結合所述時間序列訓練樣本集，對所述時間序列測試樣本進行核變換，得到所述測試樣本的核變換數據；其中，所述測試樣本的核變換數據為：

式中，y表示所述時間序列測試樣本，x_k表示所述時間序列訓練樣本集中的第k個時間序列訓練樣本，k＝{1,2,...,M}。

優(yōu)選的，所述時間序列分類模塊中所采用的分類算法為最近鄰分類器、支持向量機或稀疏編碼算法。

本發(fā)明中，時間序列分類方法包括：預先對GDTW核函數進行優(yōu)化，得到改進后的GDTW核函數；利用改進后的GDTW核函數，分別對預設的時間序列訓練樣本集和時間序列測試樣本進行核變換，相應地得到訓練樣本的核變換數據集和測試樣本的核變換數據；利用預設的分類算法，并依據訓練樣本的核變換數據集中的時間序列類別標簽，對測試樣本的核變換數據進行分類處理，得到時間序列測試樣本的類別；其中，改進后的GDTW核函數為：

$K(x,y)=\underset{s=1}{\overset{N}{\Σ}}\exp (-{\mathrm{Dist}}_{eu}{\left(w_{s|x},w_{s|y}\right)}^2/{\mathrm{\σ}}^2);$

式中，σ表示核參數，x表示輸入改進后的GDTW核函數中的第一時間序列，y表示輸入改進后的GDTW核函數中的第二時間序列，w_s|x表示第一時間序列上的第g個序列元素，w_s|y表示第二時間序列上的第h個序列元素，并且，(w_s|x,w_s|y)表示最優(yōu)偏移路徑W_x,y上的第s個路徑元素，Dist_eu(w_s|x,w_s|y)表示w_s|x和w_s|y之間的歐氏距離，最優(yōu)偏移路徑W_x,y表示第一時間序列和第二時間序列之間的最優(yōu)偏移路徑，其中，W_x,y＝{w₁,w₂,...,w_N}。

由上可知，本發(fā)明將時間序列間的最優(yōu)偏移路徑引入了GDTW核函數中，也即，本發(fā)明中，改進后的GDTW核函數在計算時間序列元素之間的歐氏距離時，是對滿足最優(yōu)偏移路徑的兩個時間序列元素之間的歐式距離進行計算的，這樣使得改進后的GDTW核函數保留了時間序列之間的偏移路徑信息，從而使得后續(xù)的分類效果得到進一步的改善。也即，本發(fā)明進一步改善了時間序列的分類效果。

附圖說明

為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例公開的一種時間序列分類方法流程圖；

圖2為本發(fā)明實施例公開的一種時間序列分類系統(tǒng)結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明實施例公開了一種時間序列分類方法，參見圖1所示，該方法包括：

步驟S11：預先對GDTW核函數進行優(yōu)化，得到改進后的GDTW核函數。其中，改進后的GDTW核函數為：

$K(x,y)=\underset{s=1}{\overset{N}{\Σ}}\exp (-{\mathrm{Dist}}_{eu}{\left(w_{s|x},w_{s|y}\right)}^2/{\mathrm{\σ}}^2);$

式中，σ表示核參數，x表示輸入改進后的GDTW核函數中的第一時間序列，y表示輸入改進后的GDTW核函數中的第二時間序列，w_s|x表示第一時間序列上的第g個序列元素，w_s|y表示第二時間序列上的第h個序列元素，并且，(w_s|x,w_s|y)表示最優(yōu)偏移路徑W_x,y上的第s個路徑元素，Dist_eu(w_s|x,w_s|y)表示w_s|x和w_s|y之間的歐氏距離，最優(yōu)偏移路徑W_x,y表示第一時間序列和第二時間序列之間的最優(yōu)偏移路徑，其中，W_x,y＝{w₁,w₂,...,w_N}。

本實施例中，上述第一時間序列為輸入上述改進后的GDTW核函數中的任一時間序列，上述第二時間序列為輸入上述改進后的GDTW核函數中的另一任意時間序列。上述改進后的GDTW核函數中，(w_s|x,w_s|y)表示最優(yōu)偏移路徑W_x,y上的第s個路徑元素，w_s|x表示第一時間序列上的第g個序列元素，w_s|y表示第二時間序列上的第h個序列元素，其中，上述g值小于或等于第一時間序列上的序列元素的總數，同理，上述h值小于或等于第二時間序列上的序列元素的總數?？梢姡趯⑸鲜龅谝粫r間序列和上述第二時間序列輸入上述改進后的GDTW核函數之后，需要先確定出上述第一時間序列和上述第二時間序列之間的最優(yōu)偏移路徑，其中，最優(yōu)偏移路徑中包括多個路徑元素，每個路徑元素均包括兩個序列元素，其中一個序列元素位于上述第一時間序列，另一個序列元素位于上述第二時間序列。由此可以看出，在上述改進后的GDTW核函數中，需要進行歐氏距離計算的任意兩個序列元素需要滿足能夠構成最優(yōu)偏移路徑上的路徑元素的條件。

步驟S12：利用上述改進后的GDTW核函數，分別對預設的時間序列訓練樣本集和時間序列測試樣本進行核變換，相應地得到訓練樣本的核變換數據集和測試樣本的核變換數據。

需要說明的是，上述預設的時間序列訓練樣本集中攜帶有每一時間序列樣本所對應的序列類別標簽。利用上述改進后的GDTW核函數對上述時間序列訓練樣本集進行核變換后，所得到的訓練樣本的核變換數據集中依然會攜帶原有的時間序列類別標簽。而由于上述時間序列測試樣本的類別在上述核變換之前還處于未知狀態(tài)，所以，經過上述核變換后，上述時間序列測試樣本的類別依然處于未知狀態(tài)。

步驟S13：利用預設的分類算法，并依據訓練樣本的核變換數據集中的時間序列類別標簽，對測試樣本的核變換數據進行分類處理，得到時間序列測試樣本的類別。

需要說明的是，本實施例中，上述預設的分類算法可以是最近鄰分類器、支持向量機或稀疏編碼算法。

由上可知，本發(fā)明實施例將時間序列間的最優(yōu)偏移路徑引入了GDTW核函數中，也即，本發(fā)明實施例中，改進后的GDTW核函數在計算時間序列元素之間的歐氏距離時，是對滿足最優(yōu)偏移路徑的兩個時間序列元素之間的歐式距離進行計算的，這樣使得改進后的GDTW核函數保留了時間序列之間的偏移路徑信息，從而使得后續(xù)的分類效果得到進一步的改善。也即，本發(fā)明實施例進一步改善了時間序列的分類效果。

本發(fā)明實施例公開了一種具體的時間序列分類方法，相對于上一實施例，本實施例對技術方案作了進一步的說明和優(yōu)化。具體的：

上一實施例步驟S11中，通過將最優(yōu)偏移路徑W_x,y引入GDTW核函數，以對GDTW核函數進行優(yōu)化，從而得到了改進后的GDTW核函數。其中，上述最優(yōu)偏移路徑W_x,y＝{w₁,w₂,...,w_N}。需要說明的是，如何確定上述最優(yōu)偏移路徑W_x,y是現有技術中已知的技術方案。具體的，利用第一時間序列和第二時間序列，創(chuàng)建一個n行×m列的矩陣D；其中，n與第一時間序列的序列長度相等，m與第二時間序列的序列長度相等，并且，最優(yōu)偏移路徑W_x,y的第s個路徑元素(w_s|x,w_s|y)所對應的路徑距離D(g,h)為：

D(g,h)＝Dist_eu(x_g,y_h)+min{D(g-1,h),D(g,h-1),D(g-1,h-1)}；

式中，Dist_eu(x_g,y_h)表示第一時間序列上的第g個序列元素和第二時間序列上的第h個序列元素之間的歐氏距離，D(g,h)表示第一時間序列上長度為g的子序列和第二時間序列上長度為h的子序列之間的路徑距離，其中，第一時間序列上長度為g的子序列表示第一時間序列上從第1個序列元素到第g個序列元素之間的數據，同理，第二時間序列上長度為h的子序列表示第二時間序列上從第1個序列元素到第h個序列元素之間的數據。另外，需要說明的是，上述最優(yōu)偏移路徑W_x,y的第1個路徑元素w₁所對應的路徑距離為D(1,1)，第N個路徑元素w_N所對應的路徑距離為D(n,m)，也即，D(1,1)所對應的序列元素構成了上述最優(yōu)偏移路徑W_x,y的下邊界，D(n,m)所對應的序列元素構成了上述最優(yōu)偏移路徑W_x,y的上邊界。

上一實施例步驟S12中，需要對時間序列訓練樣本集進行核變換。本實施例中，對時間序列訓練樣本集進行核變換的過程，具體包括：

利用改進后的GDTW核函數，對時間序列訓練樣本集進行核變換，得到訓練樣本的核變換數據集；其中，訓練樣本的核變換數據集為：

式中，x_k表示時間序列訓練樣本集中的第k個時間序列訓練樣本，v_k表示x_k的類別標簽，表示訓練樣本的核變換數據集中的第k個核變換數據元素，

另外，上一實施例步驟S12中，還需要對時間序列測試樣本進行核變換。本實施例中，對時間序列測試樣本進行核變換的過程，具體包括：

利用改進后的GDTW核函數，并結合時間序列訓練樣本集，對時間序列測試樣本進行核變換，得到測試樣本的核變換數據；其中，測試樣本的核變換數據為：

式中，y表示時間序列測試樣本，x_k表示時間序列訓練樣本集中的第k個時間序列訓練樣本，k＝{1,2,...,M}。

相應的，本發(fā)明實施例還公開了一種時間序列分類系統(tǒng)，參見圖2所以，該系統(tǒng)包括：

核函數優(yōu)化模塊21，用于預先對GDTW核函數進行優(yōu)化，得到改進后的GDTW核函數；

核變換模塊22，用于利用改進后的GDTW核函數，分別對預設的時間序列訓練樣本集和時間序列測試樣本進行核變換，相應地得到訓練樣本的核變換數據集和測試樣本的核變換數據；

時間序列分類模塊23，用于利用預設的分類算法，并依據訓練樣本的核變換數據集中的時間序列類別標簽，對測試樣本的核變換數據進行分類處理，得到時間序列測試樣本的類別；

其中，上述改進后的GDTW核函數為：

$K(x,y)=\underset{s=1}{\overset{N}{\Σ}}\exp (-{\mathrm{Dist}}_{eu}{\left(w_{s|x},w_{s|y}\right)}^2/{\mathrm{\σ}}^2);$

式中，σ表示核參數，x表示輸入改進后的GDTW核函數中的第一時間序列，y表示輸入改進后的GDTW核函數中的第二時間序列，w_s|x表示第一時間序列上的第g個序列元素，w_s|y表示第二時間序列上的第h個序列元素，并且，(w_s|x,w_s|y)表示最優(yōu)偏移路徑W_x,y上的第s個路徑元素，Dist_eu(w_s|x,w_s|y)表示w_s|x和w_s|y之間的歐氏距離，最優(yōu)偏移路徑W_x,y表示第一時間序列和第二時間序列之間的最優(yōu)偏移路徑，其中，W_x,y＝{w₁,w₂,...,w_N}。

由上可知，本發(fā)明實施例將時間序列間的最優(yōu)偏移路徑引入了GDTW核函數中，也即，本發(fā)明實施例中，改進后的GDTW核函數在計算時間序列元素之間的歐氏距離時，是對滿足最優(yōu)偏移路徑的兩個時間序列元素之間的歐式距離進行計算的，這樣使得改進后的GDTW核函數保留了時間序列之間的偏移路徑信息，從而使得后續(xù)的分類效果得到進一步的改善。也即，本發(fā)明實施例進一步改善了時間序列的分類效果。

另外，上述核變換模塊，具體包括第一核變換單元和第二核變換單元，其中：

第一核變換單元，用于利用改進后的GDTW核函數，對時間序列訓練樣本集進行核變換，得到訓練樣本的核變換數據集；其中，訓練樣本的核變換數據集為：

式中，x_k表示時間序列訓練樣本集中的第k個時間序列訓練樣本，v_k表示x_k的類別標簽，表示訓練樣本的核變換數據集中的第k個核變換數據元素，

第二核變換單元，用于利用改進后的GDTW核函數，并結合時間序列訓練樣本集，對時間序列測試樣本進行核變換，得到測試樣本的核變換數據；其中，測試樣本的核變換數據為：

式中，y表示時間序列測試樣本，x_k表示時間序列訓練樣本集中的第k個時間序列訓練樣本，k＝{1,2,...,M}。

另外，上述時間序列分類模塊中所采用的分類算法具體可以為最近鄰分類器、支持向量機或稀疏編碼算法。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

以上對本發(fā)明所提供的一種時間序列分類方法及系統(tǒng)進行了詳細介紹，本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領域的一般技術人員，依據本發(fā)明的思想，在具體實施方式及應用范圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本發(fā)明的限制。