基于可视性图与图注意力网络的时间序列分割方法

《Scientific Reports》：A network science approach to granular time series segmentation

　　

摘要

时间序列分割为序列的每一部分分配一个标签。我们将密集单变量分割表述为一个图的节点分类问题，该图的节点是原始时间点。局部窗口提供节点特征，而无需设定输出粒度。我们在基于不相交的UCR训练和测试实例构建的TSSB衍生归纳基准上评估该方法。在固定的图注意力网络（GAT）下，基于可视性的变换在十一种图构建方法中获得了最高的平均排名。经过Holm校正后，WDPVG、有向NVG和加权NVG形成了一个在统计上无法区分的前列组。在包含59个数据集的时间序列分割基准上，WDPVG+GAT达到了0.916的加权F1分数，低于seq2point的0.951，并且与相同特征的MLP、随机森林和1-NN对照组在统计上无法区分，因为在此降采样分辨率下，每个片段都很短，而固定的81个样本窗口已经覆盖了其大部分。在原始分辨率下，每个片段都比该窗口长，WDPVG+GAT对特征窗口宽度的敏感性较低，并且在每个测试窗口下都保持在相同特征的MLP之上。与这些逐点分类器相比，该图的优势来自于局部窗口之外的上下文，而可视性图的长程边可以提供这种上下文，而不是来自窗口内的更好特征。在单独的分辨率扫描中，该方法与经过窗口搜索的seq2point在统计上持平，同时使用的参数少约\(70\times \)倍，实测峰值内存少约\(46\times \)倍，尽管在降采样后seq2point取得了领先。这为精细采样序列确定了一个实际可行的运行范围，其中模型大小和重复的窗口调优至关重要。