Kernel-Shapelets:基于卷积网络的特征子序列学习方法

在时序分类领域中,基于特征子序列的方法因能给出个体分类的局部依据,从而具有较强的可解释性,但计算十分耗时,且分类表现相较于深度学习方法并不占优。深度学习方法虽在分类表现上优于其他方法,但缺乏可解释性。为了提高基于特征子序列方法的分类表现,增强深度学习方法的可解释性,提出基于CNN网络提取特征子序列的方法Kernel-Shapelets。该方法通过提取CNN的卷积核对应权重并作进一步筛选,从而提取出特征子序列,利用全局最大池化层的输出找出CNN网络的判断依据,从而提高模型的可解释性。通过在UCR时序数据集上进行实验,Kernel-Shapelets方法的平均分类准确率为82%,相比基于特征子序列的最优基准模型提高了15.4%,证明了Kernel-Shapelets能够利用CNN网络的学习能力提取出更有效、更具有辨识性的特征子序列,提取出的特征子序列也提高了CNN网络的可解释性。

基于特征子序列修正的公交刷卡滞后时间推算

针对一票制公共交通IC卡刷卡系统存在的滞后时间问题,提出基于特征子序列修正的时差匹配推算方法。依托GPS车辆到站信息序列和刷卡聚类序列,分析首末站和中途站站间运行时间分布的差异化特征,分别从两序列中提取大时间差和连续小时间差等特征子序列;利用两种子序列间一对一或一对多的对应关系分别进行初步搜索和二次修正,兼顾匹配过程的效率和精度。将推算流程应用于山西省大同市公共汽车系统,结果显示,抽样车辆的刷卡匹配率均达到99%以上,并且针对不同类型的公共汽车线路具有较强的适应性。

周跳在高阶差分中的时序特征及精确估计

提出了独立周跳和非独立周跳的概念,给出了独立周跳在高阶差分时间序列中特征子序列,发现了非独立周跳的叠加性并给出了它在高阶差分中的特征子序列。提出以高阶差分为观测值,根据特征子序列建立观测方程,用最小二乘法探测和固定周跳的方法(探测周跳就是要判别特征子序列的位置)。对非差载波相位观测值的模拟试验表明这种方法能够精确地探测非独立周跳,而以往的高阶差分法往往无法准确探测非独立周跳。