分类多元时间序列

我有一组由约40个维度的时间序列（8个点）组成的数据（因此每个时间序列为8 x 40）。对应的输出（类别的可能结果）为0或1。

设计具有多个维度的时间序列的分类器的最佳方法是什么？

我最初的策略是从这些时间序列中提取特征：均值，标准差，每个维度的最大变化。我获得了用于训练RandomTreeForest的数据集。意识到这一点的天真之处，并且在获得较差的结果之后，我现在正在寻找一种更好的模型。

我的线索如下：对每个维度进行系列分类（使用KNN算法和DWT），使用PCA降低维度，并沿多维类别使用最终分类器。作为ML的新手，我不知道自己是否完全错了。

您走在正确的轨道上。看一下在时域和频域中计算更多特征。只要样本数量>>特征数量，就不太可能过拟合。是否有关于类似问题的文献？如果是这样，那总是提供一个很好的起点。

尝试使用增强型树分类器，例如xgboost或LightGBM。它们往往更容易调整超参数，并且使用默认参数可以提供良好的结果。随机森林分类器和增强树分类器都可以返回特征重要性，因此您可以查看哪些特征与问题相关。您也可以尝试删除功能以检查是否存在协方差。

但是，最重要的是，如果您的结果出乎意料的差，请确保正确定义了问题。手动检查您的结果，以确保管道中没有任何错误。

如果您使用的是Python，则有几个软件包可以自动从时间序列中提取成百上千个功能，将它们与标签关联起来，选择最重要的功能，然后为您训练模型。

https://github.com/blue-yonder/tsfresh

https://github.com/rtavenar/tslearn

您可以如下向数据集添加更多功能。

1. 如果您的数据来自高度非线性的过程，则可以尝试使用nolds软件包。

2. 最大值，最小值，平均值，偏斜，峰度，如果可能，还需要一些滚动统计信息。

我正在做类似的事情，并问了一个相关的问题。

我确实同意Jan Van der Vegt的观点，将标准化（例如[-1，1]）或标准化N（0，1）与激活函数结合起来对于神经网络可能非常重要。我会检查Pichaid Varoonchotikul的论文：“关于人工神经网络的来龙去脉，使用人工神经网络进行洪水预报”。它有一些非常有趣的警告。无论如何，我习惯于先尝试不尝试，但是当结果不能令人满意时，我习惯对两者进行试验。不确定是否会有所帮助，但我会检查R包TSclust和相关文档。作者非常友善，他们将帮助您找到实现此目标的特定模型。他们是时间序列分析的专家！祝好运！