基于动态集成决策树的多类别时间序列分类模型

摘要

针对以往时间序列分类技术忽略了数据间自相关性对算法影响的不足,通过对传统决策树算法进行扩展,提出了序列熵和序列对信息增益的概念,并以此构建针对时间序列的决策树(time series decision tree,TSDT).在此基础上,以TSDT为基分类器,通过动态分类器集成技术,提出了时间序列动态集成分类算法(En-TSDT).在UCR数据集上的实验表明,与目前应用最广泛的1NN-DTW分类器相比,En-TSDT克服了时间序列数据的自相关性对分类算法的影响,具有更好的分类性能和鲁棒性.