摘要
时间序列分类指的是根据以往时间序列的标记结果，推断出当前时间序列的所属类别，是诸多领域迫切解决的问题。基于时序图像化的时间序列分类是其中的一个研究方向，该类方法通过维度重组的方式将时间序列转换为图像，后利用成熟的图像分类模型进行识别。近年，该方向在诸多领域的应用愈发广泛，但在基础性研究上存在空缺，需要进一步的研究和探索。 当以图像视角进行时间序列分类时，由于时间序列长短不一，所转换的图像分辨率存在差异，一般是时间序列长度的平方。目前的研究主要是针对数据集采取不同的处理方法，如修改图像分类模型使其适宜当前数据，但此种方式不适宜建立通用模型进行研究。因此，文中将转换后的图像分辨率设定为常规图像分类模型的输入，即224×224，此种方式无需打破原有的模型结构，具有良好的适配性。为此，在面临小于224长度的时间序列时，需要对图像进行分辨率提升，反之需要对信息进行压缩，并具有较低的信息损失。同时为提高分类性能，结合视觉自注意力神经网络（VisionTransformer，ViT）作为分类模型，该模型对自然图像的依赖性低，针对时序图像这类非自然图像更具优势。为建立基于时序图像化的通用高性能分类模型，本文作出的研究如下： （1）基于时序图像化与ViT的短时间序列分类：对于长度小于224的时间序列，优化图像转换、图像上采样和图像识别步骤。首先提出不平衡因子法，在保证分类准确度的情况下，将转换过程的未简化时间复杂度降至了最低。其次提出双感知机采样法，以全局非线性的采样方式，提高了图像上采样过程的表征能力。最后，通过在ViT中嵌入轻量卷积令牌，提高了该模型的局部表现力。 （2）基于时序图像化与ViT的长时间序列分类：对于长度大于224的时间序列，首先，提出通道不平衡因子法，以神经网络的方式对时间序列维度进行调整并在调整过程中完成了局部特征提取。其次，提出多阶段记忆令牌模块，以此在模型中引入时间序列的记忆信息，进一步提高模型的分类性能。最后，研究低计算量的ViT模型，通过在ViT中引入池化操作和多尺度信息，在保证整体分类性能的情况下，降低该模型的浮点计算量。
NETL