多元时间序列分类网络

时空特征全捕获

融合局部、全局与空间依赖特征，分类精度跻身顶尖方法之列。

Mingsen, Du · Yanxuan, Wei · 郑向伟 · 嵇存

Information Sciences 2023

技术优势

空间依赖不丢失

通过 spatial-local block 集成局部与全局特征，显式提取多变量之间的空间依赖关系，避免信息丢失。

局部特征更聚焦

global-local block 利用注意力机制获取局部特征，使模型能关注到对分类更有贡献的时间片段。

全局信息不遗漏

稀疏自注意力机制捕获全局特征，并以更低成本保持对长序列的建模能力。

性能不输现有最优

在 UEA 多个数据集上的实验结果表明分类性能与现有最优方法相当，证明该架构的有效性。

应用场景

• 多元时间序列分类：直接作为多元时间序列分类模型，替代单纯依赖局部或全局特征的传统方法。
• 传感器数据分析：处理多传感器融合数据，捕捉传感器之间的空间关联以提升分析精度。
• 生物信号识别：对多通道生理信号（如 EEG、EMG）进行分类，利用空间依赖辅助疾病或动作识别。
• 工业设备监测：监测设备多变量状态数据，建模变量间依赖以更早发现异常或故障。