时间序列的鲁棒形态表征方法

doi:10.11772/j.issn.1001-9081.2024020163

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (2): 436-443.DOI: 10.11772/j.issn.1001-9081.2024020163

• 数据科学与技术 • 上一篇

时间序列的鲁棒形态表征方法

张倩婷¹^,², 胡丽莹¹^,², 陈黎飞¹^,²^,³()

^1.福建师范大学计算机与网络空间安全学院，福州 350117
^2.数字福建环境监测物联网实验室（福建师范大学），福州 350117
^3.福建省应用数学中心（福建师范大学），福州 350117

收稿日期:2024-02-19 修回日期:2024-03-24 接受日期:2024-04-01 发布日期:2024-06-04 出版日期:2025-02-10
通讯作者: 陈黎飞
作者简介:张倩婷（1995—），女，福建惠安人，硕士研究生，主要研究方向：数据挖掘、机器学习
胡丽莹（1979—），女，浙江缙云人，副教授，博士，主要研究方向：数据挖掘、机器学习、目标检测；
基金资助:
国家自然科学基金资助项目(U1805263)

Robust shapelet representation method for time series

Qianting ZHANG¹^,², Liying HU¹^,², Lifei CHEN¹^,²^,³()

^1.College of Computer and Cyber Security，Fujian Normal University，Fuzhou Fujian 350117，China
^2.Digital Fujian Internet?of?Things Laboratory of Environmental Monitoring （Fujian Normal University），Fuzhou Fujian 350117，China
^3.Center for Applied Mathematics of Fujian Province （Fujian Normal University），Fuzhou Fujian 350117，China

Received:2024-02-19 Revised:2024-03-24 Accepted:2024-04-01 Online:2024-06-04 Published:2025-02-10
Contact: Lifei CHEN
About author:ZHANG Qianting， born in 1995， M. S. candidate. Her research interests include data mining， machine learning.
HU Liying， born in 1979， Ph. D.， associate professor. Her research interests include data mining， machine learning， target detection.
Supported by:
National Natural Science Foundation of China(U1805263)

摘要/Abstract

摘要：

鉴于时间序列数据在各个领域的广泛应用，对这些数据的可辨识特征的挖掘和表征至关重要。受数据采集环境和采集设备的影响，许多应用领域的时序数据都存在高噪声的特点，这对数据表征方法的鲁棒性提出了很高的要求。因此，提出一种时间序列的鲁棒形态表征方法（TRS）。该方法采用关键形态（KS）的特征提取方法，在保留可解释性的同时减少噪声的影响，并通过位置距离度量对时间序列进行表征，从而提高整个方法的鲁棒性。在受噪声干扰的时间序列数据上的实验结果表明，TRS所提取的特征在分类上显著均优于现有的方法，与同样基于形态模式提取特征的深度学习模型——对抗动态Shapelet网络（ADSN）相比，平均正确率高出2.1个百分点。可见，TRS提取的特征集更有代表性和鲁棒性。

关键词: 时间序列, 关键形态, 噪声, 鲁棒性, 表征

Abstract:

In view of the wide application of time series data in various fields， the mining and representation of identifiable features of the data is crucial. Due to the influence of the data acquisition environment and acquisition equipment， time series data in many application fields are characterized by high noise， which puts forward high requirements for the robustness of data representation methods. Therefore， a Robust Shapelet representation method for Time series （TRS） was proposed， which adopts the feature extraction method of Key-Shapelet （KS）， retains the interpretability while reducing the influence of noise， and represents the time series by position distance measurement， thereby improving the robustness of the whole method. Experimental results on noise-disturbed time series data show that the features extracted by TRS are significantly better than those of the existing methods in classification， and the average accuracy of TRS is 2.1 percentage points higher than that of the deep learning model — Adversarial Dynamic Shapelet Network （ADSN）， which also extracts features based on Shapelets. It can be seen that the feature set extracted by TRS is more representative and robust.

Key words: time series, Key-Shapelet (KS), noise, robustness, representation

中图分类号:

TP301.6

张倩婷, 胡丽莹, 陈黎飞. 时间序列的鲁棒形态表征方法[J]. 计算机应用, 2025, 45(2): 436-443.

Qianting ZHANG, Liying HU, Lifei CHEN. Robust shapelet representation method for time series[J]. Journal of Computer Applications, 2025, 45(2): 436-443.

图/表 13

参考文献 23

1	魏池璇，王志海，原继东，等. 时间序列可变尺度的时频特征求解及其分类［J］. 软件学报， 2022， 33（12）： 4411-4428.
	WEI C X， WANG Z H， YUAN J D， et al. Time series pattern discovery and classification with variable scales in time-frequency domains［J］. Journal of Software， 2022， 33（12）： 4411-4428.
2	WANG J， CHEN Y， HAO S， et al. Deep learning for sensor-based activity recognition： a survey［J］. Pattern Recognition Letters， 2019， 119： 3-11.
3	RAJKOMAR A， OREN E， CHEN K， et al. Scalable and accurate deep learning with electronic health records［J］. npj Digital Medicine， 2018， 1： No.18.
4	任守纲，张景旭，顾兴健，等. 时间序列特征提取方法研究综述［J］. 小型微型计算机系统， 2021， 42（2）： 271-278.
	REN S G， ZHANG J X， GU X J， et al. Overview of feature extraction algorithms for time series［J］. Journal of Chinese Computer Systems， 2021， 42（2）： 271-278.
5	罗伟. 基于时间序列表征的检索与分类研究［D］. 济南：山东大学， 2022.
	LUO W. Research on time series representation based retrieval and classification［D］. Jinan： Shandong University， 2022.
6	DILMI M D， BARTHÈS L， MALLET C， et al. Iterative Multiscale Dynamic Time Warping （IMs-DTW）： a tool for rainfall time series comparison［J］. International Journal of Data Science Analytics， 2020， 10（1）： 65-79.
7	PETITJEAN F， FORESTIER G， WEBB G I， et al. Dynamic time warping averaging of time series allows faster and more accurate classification［C］// Proceedings of the 2014 IEEE International Conference on Data Mining. Piscataway： IEEE， 2014： 470-479.
8	ISMAIL FAWAZ H， LUCAS B， FORESTIER G， et al. InceptionTime： finding AlexNet for time series classification［J］. Data Mining and Knowledge Discovery， 2020， 34（6）： 1936-1962.
9	DEMPSTER A， PETITJEAN F， WEBB G I. ROCKET： exceptionally fast and accurate time series classification using random convolutional kernels［J］. Data Mining and Knowledge Discovery， 2020， 34： 1454-1495.
10	DEMPSTER A， SCHMIDT D F， WEBB G I. MiniRocket： a very fast （almost） deterministic transform for time series classification［C］// Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2021： 248-257.
11	YE L， KEOGH E. Time series shapelets： a new primitive for data mining［C］// Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2009： 947-956.
12	LINES J， DAVIS L M， HILLS J， et al. A shapelet transform for time series classification［C］// Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2012： 289-297.
13	RAKTHANMANON T， KEOGH E. Fast shapelets： a scalable algorithm for discovering time series shapelets［C］// Proceedings of the 2013 SIAM International Conference on Data Mining. Philadelphia， PA： SIAM， 2013： 668-676.
14	GRABOCKA J， SCHILLING N， WISTUBA M， et al. Learning time-series shapelets［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014： 392-401.
15	ZHANG Z， ZHANG H， WEN Y， et al. Accelerating time series shapelets discovery with key points［C］// Proceedings of the 2016 Asia-Pacific Web Conference， LNCS 9932. Cham： Springer， 2016： 330-342.
16	JI C， ZHAO C， PAN L， et al. A fast shapelet discovery algorithm based on important data points［J］. International Journal of Web Services Research， 2017， 14（2）： 67-80.
17	BOSTROM A， BAGNALL A. Binary shapelet transform for multiclass time series classification［C］// Proceedings of the 2015 Big Data Analytics and Knowledge Discovery， LNCS 9263. Cham： Springer， 2015： 257-269.
18	LI G， CHOI B， XU J， et al. Efficient shapelet discovery for time series classification［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（3）： 1149-1163.
19	MA Q， ZHUANG W， COTTRELL G. Triple-shapelet networks for time series classification［C］// Proceedings of the 2019 IEEE International Conference on Data Mining. Piscataway： IEEE， 2019： 1246-1251.
20	MA Q， ZHUANG W， LI S， et al. Adversarial dynamic shapelet networks［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 5069-5076.
21	YEH C C M， ZHU Y， ULANOVA L， et al. Matrix profile I： all pairs similarity joins for time series： a unifying view that includes motifs， discords and shapelets［C］// Proceedings of the IEEE 16th International Conference on Data Mining. Piscataway： IEEE， 2016： 1317-1322.
22	冯冠玺，马超，石小川，等. Kernel-Shapelets：基于卷积网络的特征子序列学习方法［J］. 软件导刊， 2023， 22（4）： 8-14.
	FENG G X， MA C， SHI X C， et al. Kernel-Shapelets： approach to learning Shapelets based on CNN［J］. Software Guide， 2023， 22（4）： 8-14.
23	DEMŠAR J. Statistical comparisons of classifiers over multiple datasets［J］. Journal of Machine Learning Research， 2006， 7： 1-30.

方法	时间复杂度	方法	时间复杂度
DWT	O（n²m³）	FS	O（nm²）
ST	O（n²m⁴）	BSPCOVER	O（In²m）
LTS	O（Inm²）	TRS	O（nm²）

方法	时间复杂度	方法	时间复杂度
DWT	O（n²m³）	FS	O（nm²）
ST	O（n²m⁴）	BSPCOVER	O（In²m）
LTS	O（Inm²）	TRS	O（nm²）

场景数据	样本数		类别数	长度
场景数据	训练集	测试集	类别数	长度
ECG200	100	100	2	96
ECG5000	500	4 500	5	140
ECGFiveDays	23	861	2	136
NonInvasiveFatalECGThorax1	1 800	1 965	42	750
NonInvasiveFatalECGThorax2	1 800	1 965	42	750
TwoLeadECG	613	370	2	235
CinECGTorso	40	1 380	4	1 639
Lightning7	70	73	7	319
MoteStrain	20	1 252	2	84
Phoneme	214	1 896	39	1 024
Plane	105	105	7	144
SonyAIBORobotSurface1	20	601	2	70
SonyAIBORobotSurface2	27	953	2	65
Wafer	100	100	4	275

场景数据	样本数		类别数	长度
场景数据	训练集	测试集	类别数	长度
ECG200	100	100	2	96
ECG5000	500	4 500	5	140
ECGFiveDays	23	861	2	136
NonInvasiveFatalECGThorax1	1 800	1 965	42	750
NonInvasiveFatalECGThorax2	1 800	1 965	42	750
TwoLeadECG	613	370	2	235
CinECGTorso	40	1 380	4	1 639
Lightning7	70	73	7	319
MoteStrain	20	1 252	2	84
Phoneme	214	1 896	39	1 024
Plane	105	105	7	144
SonyAIBORobotSurface1	20	601	2	70
SonyAIBORobotSurface2	27	953	2	65
Wafer	100	100	4	275

场景数据	LS	TSN	ADSN	BSPCOVER	InceptionTime	MiniRocket	TRS
ECG200	0.880	0.900	0.920	0.920	0.910	0.910	0.950
ECG5000	0.932	0.948	0.947	0.944	0.942	0.945	0.951
ECGFiveDays	1.000	1.000	1.000	1.000	1.000	1.000	1.000
NonInvasiveFatalECGThorax1	0.259	0.877	0.902	0.915	0.958	0.955	0.947
NonInvasiveFatalECGThorax2	0.770	0.902	0.917	0.938	0.959	0.969	0.969
TwoLeadECG	0.996	0.972	0.986	0.997	0.996	0.998	0.997
CinECGTorso	0.870	0.975	0.976	0.965	0.853	0.870	0.901
Lightning7	0.726	0.644	0.767	0.808	0.795	0.795	0.795
MoteStrain	0.883	0.908	0.906	0.911	0.894	0.931	0.942
Phoneme	0.218	0.216	0.227	0.207	0.337	0.292	0.361
Plane	1.000	1.000	1.000	1.000	0.942	1.000	1.000
SonyAIBORobotSurface1	0.810	0.857	0.915	0.883	0.879	0.890	0.948
SonyAIBORobotSurface2	0.875	0.909	0.940	0.935	0.952	0.918	0.942
Wafer	0.996	0.999	0.999	0.998	0.999	0.999	1.000
Average Accuracy	0.801	0.865	0.886	0.887	0.887	0.891	0.907
Average Rank	5.571	4.429	3.214	3.357	3.643	2.571	1.571
Wilcoxon Test p value	0.002	0.019	0.028	0.075	0.025	0.025	—

时间序列的鲁棒形态表征方法

Robust shapelet representation method for time series

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 23

相关文章 15

编辑推荐

Metrics

场景数据	ST		TRS
场景数据	RF	SVM（Linear）	RF	SVM（Linear）
ECG200	0.830	0.810	0.950	0.890
ECG5000	0.944	0.932	0.951	0.948
ECGFiveDays	0.933	0.990	1.000	1.000
NonInvasiveFatalECGThorax1	0.950	0.877	0.955	0.958
NonInvasiveFatalECGThorax2	0.951	0.938	0.969	0.967
TwoLeadECG	0.961	0.993	0.978	0.972
CinECGTorso	0.859	0.901	0.954	0.901
Lightning7	0.726	0.712	0.767	0.780
MoteStrain	0.846	0.886	0.939	0.907
Phoneme	0.321	0.321	0.361	0.369
Plane	1.000	1.000	1.000	1.000
SonyAIBORobotSurface1	0.851	0.867	0.965	0.965
SonyAIBORobotSurface2	0.934	0.937	0.929	0.938
Wafer	1.000	1.000	0.999	0.999
Average Accuracy	0.865	0.869	0.908	0.900
Average Rank	2.920	2.643	1.780	1.780
Wilcoxon Test p value	0.003	0.012	—	—

数据集	无处理	关键点剪枝	关键点剪枝&AMP剪枝
ECG200	0.695±0.012	0.878±0.006	0.934±0.020
ECG5000	0.844±0.030	0.922±0.005	0.948±0.003
ECGFiveDays	0.813±0.001	0.998±0.000	1.000±0.000
NonInvasiveFatalECGThorax1	0.853±0.002	0.931±0.008	0.943±0.013
NonInvasiveFatalECGThorax2	0.772±0.002	0.924±0.012	0.961±0.010
TwoLeadECG	0.893±0.004	0.951±0.004	0.996±0.001
CinECGTorso	0.724±0.001	0.860±0.022	0.901±0.033

数据集	TRS		ST
数据集	带位置信息关键形态表征	不带位置信息关键形态表征	ST
ECG200	0.950	0.890	0.830
ECG5000	0.951	0.928	0.944
ECGFiveDays	1.000	0.954	0.933
NonInvasiveFatalECGThorax1	0.955	0.952	0.950
NonInvasiveFatalECGThorax2	0.969	0.956	0.951
TwoLeadECG	0.997	0.977	0.961
CinECGTorso	0.901	0.900	0.859

[1]	张翰林, 王俊陆, 宋宝燕. 融合衍生特征的时间序列事件分类方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 428-435.
[2]	胡健鹏, 张立臣. 面向多时间步风功率预测的深度时空网络模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 98-105.
[3]	张思齐, 张金俊, 王天一, 秦小林. 基于信号时态逻辑的深度时序事件检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 90-97.
[4]	任烈弘, 黄铝文, 田旭, 段飞. 基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2739-2746.
[5]	范黎林, 曹富康, 王琬婷, 杨凯, 宋钊瑜. 基于需求模式自适应匹配的间歇性需求预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2747-2755.
[6]	赵秦壮, 谭红叶. 基于自适应阈值学习的时序因果推断方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2660-2666.
[7]	韩祎珂, 徐彬, 张硕. 基于认知诊断的个性化习题推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2351-2356.
[8]	唐廷杰, 黄佳进, 秦进, 陆辉. 基于图共现增强多层感知机的会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2357-2364.
[9]	陈学斌, 任志强, 张宏扬. 联邦学习中的安全威胁与防御措施综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1663-1672.
[10]	王美, 苏雪松, 刘佳, 殷若南, 黄珊. 时频域多尺度交叉注意力融合的时间序列分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1842-1847.
[11]	袁子璇, 翁小清, 戈宁振. 基于正交局部保持映射和成本优化的多变量时间序列早期分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1832-1841.
[12]	徐泽鑫, 杨磊, 李康顺. 较短的长序列时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1824-1831.
[13]	吴锦富, 柳毅. 基于随机噪声和自适应步长的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1807-1815.
[14]	邹博士, 杨铭, 宗辰辰, 谢明昆, 黄圣君. 基于负学习的样本重加权鲁棒学习方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1479-1484.
[15]	孟凡, 杨群力, 霍静, 王新宽. 基于边缘异常候选集的迭代式主动多元时序异常检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1458-1463.