Classification of Uncertain Time Series by Propagating Uncertainty in Shapelet Transform
Résumé
Time series classification is a task that aims at classifying chronological data. It is used in a diverse range of domains such as meteorology, medicine and physics. In the last decade, many algorithms have been built to perform this task with very appreciable accuracy. However, the uncertainty in data is not explicitly taken into account by these methods. Using uncertainty propagation techniques, we propose a new uncertain dissimilarity measure based on euclidean distance. We also show how to classify uncertain time series using the proposed dissimilarity measure and shapelet transform, one of the best time series classification methods. An experimental assessment of our contribution is done on the well known UCR dataset.
La classification des séries temporelles est une tache dont le but est de classer des données qui évoluent avec le temps. Elle est utilisée dans divers domaines tels que la météorologie, la médecine et la physique. Durant la dernière décennie, plusieurs algorithmes performants ont été développés pour réaliser cette tache. Cependant, l'incertitude dans les données n'est généralement pas prise en compte dans ces méthodes. En utilisant les techniques de propagation de l'incertitude, nous proposons une nouvelle mesure de dissimilarité incertaine basée sur la distance euclidienne. Nous avons ensuite couplé cette distance à la transformation shapelet afin de réaliser la classification des séries temporelles incertaines. Une évaluation expérimentale de notre contribution a été faite sur les jeux de données du dépôt UCR.
Domaines
Apprentissage [cs.LG]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
