混合范数趋势滤波时间序列分类算法研究

针对时间序列分类算法易受噪声影响的问题,传统的L1趋势滤波和L2趋势滤波都是有效的时间序列平滑方法,然而两者的趋势模型固定,仅适用于特定类型的数据.另外常用的欧氏距离度量在处理时间序列时没有考虑时序属性.因此,本文提出一种基于混合范数趋势滤波的时间序列分类算法.首先,在趋势滤波目标函数中引入混合范数模型作为正则项,获取更适于分类的时间序列趋势估计;然后,采用动态时间弯曲(DTW)距离度量消除时序干扰,训练基于DTW的k近邻分类器实现时间序列分类;最后,使用贝叶斯优化算法自适应地寻找最优的超参数组合,以降低问题求解的时间复杂度.在UCR时间序列数据库的40个数据集上进行实验,结果表明本文算法在时间序列分类任务中的性能更佳、分类错误率更低.