基于模型聚类的可解释时间序列特征提取方法

《IEEE Access》：Human-Interpretable Time-Series Feature Extraction Using Model-Based Clustering

　　

摘要：

特征提取对于深度神经网络（DNNs）来说是一项至关重要任务，因为通常会遇到高维数据，而过滤可以突出与目标重建或预测相关的模式。当前的多元时间序列预测策略在数据维度增加时，越来越难以找到紧凑且信息量丰富的表示方法。为了解决这些高维特征提取问题，可以应用基于图的聚类方法，该方法允许动态定义参数，从而实现人类可解释的聚类环境。与可能会采用过度专业化压缩过程的自动编码器（AE）相比，这种方法能够提高特征空间中捕获的模式的质量。在这里，我们提出了一种基于托普利茨逆协方差聚类（TICC）方法的人类可解释特征空间表示，作为一种用于多元时间序列数据的最佳且动态的基于模型的聚类策略。此外，我们还进行了实验性比较评估，包括模型精度和多个参数，以突出这种人类可解释的特征提取过程所带来的改进。