多源时间序列中具有显著时间间隔的Shapelet对挖掘

• 作者: 李钟麒 段磊 秦攀 胡斌 邓松
• 来源期刊: 数据采集与处理
• 学科: 工学
• 关键词: 时间序列 特征提取 信息增益 Shapelet
• 年，卷（期）: 2016,（1）
• 页码范围: 168-177
• 页数: 10页
• 分类号: TP311
• 字数: 6236字
• 语种: 中文
• DOI: 10.16337/j.1004-9037.2016.01.018

摘要

Shapelet作为时间序列特征,具有较好的可解释性.Shapelet在行为识别、聚类分析及异常检测等方向均得到了广泛应用.但在电力运行监测、医学图像分析以及流媒体监测等领域,时间序列具有多源、同步的特点,仅对单一源上的时间序列提取Shapelet可能丢失序列间相关性.在Shapelet概念基础上,本文提出p-Shapelet作为不同源的Shapelet间关于时间间隔的特征表达,从而实现分析不同源Shape-let间的相关性.具体地,为找出不同类别样本间时间间隔具有最显著差异的Shapelet对,设计并实现了并行化挖掘的算法p-Shapelet miner.算法采用信息增益对不同源间的Shapelet对进行评价,并找出能最大化信息增益的Shapelet对(p-Shapelet).利用CMU人体动作捕捉数据集进行实验,验证了算法的有效性与执行效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邓松	南京邮电大学先进技术研究院	23	180	7.0	12.0
2	段磊	武汉大学软件工程国家重点实验室	49	685	13.0	24.0
4	秦攀	四川大学计算机学院	5	60	3.0	5.0
7	李钟麒	武汉大学软件工程国家重点实验室	1	1	1.0	1.0
11	胡斌		6	36	2.0	6.0