時間序列分類(TSC)在時間序列數(shù)據(jù)挖掘任務(wù)中備受關(guān)注，已經(jīng)應(yīng)用到各個領(lǐng)域。隨著卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)的迅速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的TSC方法直到最近才開始出現(xiàn)。因此，提出了一個新的深度學(xué)習(xí)框架，使用相對位置矩陣（Relative Position Matrix，RPM）和卷積神經(jīng)網(wǎng)絡(luò)(CNN)來完成TSC任務(wù)。我們研究了一種稱為相對位置矩陣的時間序列數(shù)據(jù)表示方法將原始時間序列數(shù)據(jù)轉(zhuǎn)換為二維圖像，從而可以使用圖像識別技術(shù)。這些圖像顯示了原始時間序列數(shù)據(jù)的一些有用信息。此外，原始時間序列數(shù)據(jù)中嵌入的模式和特征被包含在轉(zhuǎn)換后的圖像中。從RPM生成的圖像中，很容易直觀地看到和解讀類內(nèi)和類間的相似性。

參考文獻：

計算步驟：

對于一個時間序列

step1：對原始時間序列數(shù)據(jù)進行zscore歸一化，得到標(biāo)準(zhǔn)正態(tài)分布

，μ是T的平均值，σ是T的標(biāo)準(zhǔn)差

step2：應(yīng)用分段聚合近似(Piecewise Aggregation Approximation ，PAA)方法將Z的維數(shù)降至m。選擇合適的降維因子k，生成新的平滑時間序列

，

簡單地說，通過計算一個分段常數(shù)的平均值，將歸一化時間序列數(shù)據(jù)從n維降為m維，同時保持原始序列的近似趨勢。

step3：構(gòu)造一個m × m矩陣，計算兩個時間戳之間的相對位置，將預(yù)處理后的時間序列X轉(zhuǎn)換為二維矩陣。

顯然，時間序列的每兩個時間戳都用M連接起來，以獲得它們的相對位置，M的每一行和每一列都以某一個時間戳為參照點，包含了整個時間序列的信息。此外，作為我們工作的一個優(yōu)點，RPM可以作為一種數(shù)據(jù)增強方法，通過提供時間序列的冗余特征來提高泛化能力。M的每一行顯示不同參考點的時間序列，每一列顯示前者的鏡像，這提供了一個相反的視角來查看時間序列。

step4：應(yīng)用min-max歸一化將M轉(zhuǎn)換為灰度值矩陣

相對位置矩陣(Relative Position Matrix) Python代碼實現(xiàn)

https://mbd.pub/o/bread/mbd-ZJuVlZ9w

復(fù)現(xiàn)結(jié)果