[论文解读] Scalable Discovery of Time-Series Shapelets

Josif Grabocka, Martin Wistuba+1 more|arXiv (Cornell University)|Mar 11, 2015

Time Series Analysis and Forecasting参考文献 8被引用 8

一句话总结

本文提出了一种可扩展的方法，通过基于距离的在线聚类来修剪冗余候选形状子，结合增量最近邻分类器实现监督形状子选择。该方法在45个UCR数据集上相比最先进方法实现了3–4个数量级的速度提升，同时保持或提升了分类准确率。

ABSTRACT

Time-series classification is an important problem for the data mining community due to the wide range of application domains involving time-series data. A recent paradigm, called shapelets, represents patterns that are highly predictive for the target variable. Shapelets are discovered by measuring the prediction accuracy of a set of potential (shapelet) candidates. The candidates typically consist of all the segments of a dataset, therefore, the discovery of shapelets is computationally expensive. This paper proposes a novel method that avoids measuring the prediction accuracy of similar candidates in Euclidean distance space, through an online clustering pruning technique. In addition, our algorithm incorporates a supervised shapelet selection that filters out only those candidates that improve classification accuracy. Empirical evidence on 45 datasets from the UCR collection demonstrate that our method is 3-4 orders of magnitudes faster than the fastest existing shapelet-discovery method, while providing better prediction accuracy.

研究动机与目标

• 解决由于候选片段数量庞大，导致在大规模时间序列数据集中进行穷举形状子发现计算上不可行的问题。
• 通过消除在欧几里得距离空间中相似的冗余形状子候选，减少发现时间。
• 通过监督选择机制筛选仅对分类有益的形状子，维持或提升分类准确率。
• 为实际应用中对速度和准确率要求较高的场景，实现可扩展的形状子发现。
• 提供一种高效且可解释的方法，支持领域专家理解类别区分性模式。

提出的方法

• 应用基于距离的聚类技术，将欧几里得空间中相似的时间序列片段分组，实现在已考虑的候选附近时在线剪枝。
• 使用参数化阈值定义相似性，允许在搜索过程中动态剪枝冗余形状子候选。
• 集成增量最近邻分类器，实现实时监督选择能提升分类性能的形状子。
• 利用分段聚合近似（PAA）进行降维，加速距离计算，同时保持较小的准确率损失。
• 在模块化框架中结合PAA压缩与剪枝，支持消融研究以分离各组件的影响。
• 通过流式处理候选，优化发现流程，避免对相似片段的重复评估。

实验结果

研究问题

• RQ1 在欧几里得空间中对相似形状子候选进行剪枝，在不降低分类准确率的前提下，能在多大程度上减少发现时间？
• RQ2 PAA压缩与候选剪枝的结合如何影响形状子发现的整体速度与准确率？
• RQ3 所提出的监督选择机制是否能有效识别出仅能提升分类性能的形状子？
• RQ4 与现有最先进形状子发现算法相比，所提方法是否实现了统计上显著的速度提升？
• RQ5 在减少评估的候选形状子数量的同时，该方法能否维持或提升预测准确率？

主要发现

• 所提方法SD在45个UCR数据集上相比现有最快形状子发现方法实现了3–4个数量级的速度提升。
• 仅剪枝部分即贡献了大部分速度提升，与无剪枝变体相比，运行时间减少了3–4个数量级。
• 剪枝与PAA压缩的结合实现了最快性能，当两个组件同时使用时，加速效果呈乘法叠加。
• 剪枝方法的预测准确率与穷举基线相比无统计显著差异，双尾检验p值分别为0.119和0.112（α=0.05）。
• 该方法在速度与准确率两方面均优于现有方法，最佳变体在多个数据集上的准确率甚至超过穷举方法。
• Wilcoxon符号秩检验证实，剪枝方法与穷举方法之间的性能差异无统计显著性，验证了剪枝策略的鲁棒性。