基于Shapelet的时间序列分类方法研究的开题报告.docx

基于Shapelet的时间序列分类方法研究的开题报告
开题报告：基于Shapelet的时间序列分类方法研究
一、研究背景和意义
时间序列（timeseries）是指一系列按照时间顺序排列的数据。时间序列数据在许多领域中都非常重要，如金融领域、气象预测、医疗健康等。时间序列分类是对时间序列数据进行分类的方法，可以帮助人们更好地理解和处理数据。
经典的时间序列分类方法包括两个步骤：特征提取和分类。特征提取通常是将原始时间序列数据转换成一组描述其特征的数值属性。然后使用常规的分类器进行分类。近年来，基于Shapelet的时间序列分类方法引起了研究人员的广泛关注。
Shapelet是一个短而代表性的时间序列片段，可以用来表示其它时间序列。基于Shapelet的分类器通过从训练集中学习一组Shapelet来识别相似性，并使用这些Shapelet来计算测试集中每个时间序列与每个类别的距离。然后使用最近邻分类器进行分类。
基于Shapelet的分类方法具有许多优点，如稳健性、可解释性和快速性等。它可以通过学习具有代表性的Shapelet来提高分类精度。另外，这种方法可以同时应用于单变量和多变量时间序列分类问题。因此，研究基于Shapelet的时间序列分类方法具有重要的理论和应用意义。
二、研究内容和目标
本研究的主要目标是研究基于Shapelet的时间序列分类方法。具体来讲，将采用以下步骤：
1.对Shapelet进行详细的描述，包括定义、性质和提取方法等。
2.研究Shapelet作为特征提取的效果和限制，并探讨如何通过多个Shapelet进行时间序列的表示。
3.研究不同的分类算法，包括最近邻、支持向量机、决策树等，并结合Shapelet进行时间序列分类。
4.使用公开数据集进行实验验证，并与经典方法进行比较。评估所提出方法的性能和实用性。
三、研究方法和实验方案
本研究将采用文献调研、实验验证和数据分析等方法，具体实验方案如下：
1.收集和阅读相关文献，熟悉基于Shapelet的时间序列分类方法的研究现状和发展趋势。
2.实现Shapelet提取算法和基于Shapelet的分类算法，并基于UCR时间序列数据集进行实验验证。
3.分析实验结果，包括分类精度、时间效率和可扩展性等指标。同时与基于其他特征提取方法的分类器进行比较。
四、论文结构和进度安排
本研究计划撰写一篇学术论文，具体结构和进度安排如下：
1.绪论：介绍研究背景、意义和研究内容。
2.相关工作：介绍时间序列分类的经典方法和基于Shapelet的分类方法。
3.基于Shapelet的时间序列分类方法：对Shapelet进行详细描述，包括提取方法和多个Shapelet的表示。
4.实验设计：介绍实验所用数据集、实验验证方案和指标体系。
5.实验结果与分析：介绍实验结果、性能指标和分析结果。
6.结论和展望：总结论文内容，展望未来研究方向和发展趋势。
预计完成时间：2022年6月份。
五、参考文献
[1]XiaonanZhu,KaiMingTing.Efficientindexingofstreamingtimeseriesundertimewarping[J].InformationScience,2018,452:268-283.
[2]EamonnJ.Keogh,StefanoLonardi,BillChiu.Findingsurprisingpatternsinatimeseriesdatabaseinlineartimeandspace[C].Proceedingsofthe8thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.ACM,2002:550-556.
[3]YanpingChen,BingHu,GeLi,etal.Robustshapelet-basedtimeseriesclassification[J].IEEEtransactionsonknowledgeanddataengineering,2015,27(9):2206-2217.