基于改进LDA的多变量时间序列分类降维算法研究

为解决多元时间序列(MTS)分类中高维特性导致的性能不佳问题，来自国内的研究团队开展了基于线性判别分析(LDA)的监督降维算法研究。该研究创新性地提出针对不等长MTS的等长转换方法，并通过优化类内离散度和类间离散度的投影平面，在16个公开数据集上验证了降维后分类性能的显著提升。

　　

近年来，多元时间序列(Multivariate Time Series, MTS)分类逐渐成为机器学习领域的研究热点。面对MTS数据固有的高维特性，直接进行分类往往难以获得理想效果。传统降维方法在处理不等长MTS数据集时，常面临信息冗余或丢失的困境。

这项研究带来了两大创新突破：首先开发了新颖的特征提取技术，能够将不等长MTS数据转化为等长格式；更重要的是提出了基于线性判别分析(Linear Discriminant Analysis, LDA)的监督降维方案。该方案独具匠心地捕捉到不同MTS样本可能在不同时间点呈现相同特征这一关键现象，通过动态优化每个时间点的投影平面，实现类内离散度最小化和类间离散度最大化的双重目标。

研究团队在16个公开基准数据集上进行了系统验证。实验数据表明，这种改进的LDA降维策略显著提升了后续分类模型的性能指标，为复杂时间序列数据的模式识别提供了新的技术路径。