[论文解读] Plotting time: On the usage of CNNs for time series classification

Nuno M. Rodrigues, João E. Batista+5 more|arXiv (Cornell University)|Feb 8, 2021

Time Series Analysis and Forecasting参考文献 5被引用 9

一句话总结

该论文提出了一种简单但高效的时间序列分类方法，通过将时间序列转换为2D折线图图像并输入到基本的卷积神经网络（CNN）中，在多个UCR数据集和两个真实世界数据集上实现了最先进（SOTA）的性能，且无需数据归一化或复杂架构。该方法表明，仅通过最小化预处理和使用标准CNN，即可超越专门设计的SOTA方法。

ABSTRACT

We present a novel approach for time series classification where we represent time series data as plot images and feed them to a simple CNN, outperforming several state-of-the-art methods. We propose a simple and highly replicable way of plotting the time series, and feed these images as input to a non-optimized shallow CNN, without any normalization or residual connections. These representations are no more than default line plots using the time series data, where the only pre-processing applied is to reduce the number of white pixels in the image. We compare our method with different state-of-the-art methods specialized in time series classification on two real-world non public datasets, as well as 98 datasets of the UCR dataset collection. The results show that our approach is very promising, achieving the best results on both real-world datasets and matching / beating the best state-of-the-art methods in six UCR datasets. We argue that, if a simple naive design like ours can obtain such good results, it is worth further exploring the capabilities of using image representation of time series data, along with more powerful CNNs, for classification and other related tasks.

研究动机与目标

• 探究时间序列的简单视觉表示是否能够通过标准CNN实现高性能分类。
• 评估一种极简方法——使用默认折线图和浅层CNN——与复杂且专门化的时间序列分类算法相比的有效性。
• 确定基于图像的深度学习方法是否能够匹配或超越最先进的时间序列分类模型的性能。
• 探索视觉表示作为时间序列分析中一种可行且尚未被充分开发的路径的潜力。

提出的方法

• 时间序列数据通过标准折线图转换为2D图像表示，仅进行最小化预处理以减少空白区域。
• 生成的图像直接输入到未经优化的浅层CNN中，且不进行任何归一化或残差连接操作。
• 该方法使用默认的折线图可视化方式，其中x轴表示时间，y轴表示时间序列数值。
• 预处理仅限于减少图像中的空白像素数量，以提高输入效率。
• CNN架构被刻意保持简单，以突出视觉表示的重要性，而非模型复杂性。
• 该方法适用于单变量和多变量时间序列，且图像转换与分类流程保持一致。

实验结果

研究问题

• RQ1 是否可以将时间序列数据的简单视觉表示（如标准折线图）有效用作CNN分类的输入？
• RQ2 在不进行归一化或使用残差连接的情况下，极简CNN架构是否能与最先进的时间序列分类模型实现具有竞争力的性能？
• RQ3 该基于图像的方法在真实世界和基准数据集上与专门化的时间序列算法相比表现如何？
• RQ4 在多大程度上可以利用时间序列数据的视觉特性，通过现成的计算机视觉模型？

主要发现

• 该方法在两个真实世界非公开时间序列数据集上取得了最佳性能，超越了现有SOTA方法。
• 在UCR时间序列分类基准上，该方法在六个数据集上达到或超过最佳SOTA结果，包括'GunPoint'、'Ham'和'Yoga'。
• 该方法在18个UCR数据集上实现了100%准确率，包括'FaceAll'、'FaceFour'和'Fish'，其中多个SOTA方法也取得了完美得分。
• 尽管方法简单，该方法在多个数据集（如'DistalPhalanxOutlineAgeGroup'和'Earthquakes'）上仍优于复杂的集成模型（如HIVE-COTE和TS-CHIEF）。
• 结果表明，仅通过原始视觉表示与基本CNN结合，即可在无需专门特征工程或复杂架构的情况下实现具有竞争力的性能。
• 本研究表明，时间序列数据的视觉表示，尤其是使用简单图像化深度学习方法，是未来研究中一个有前景且尚未被充分探索的方向。