0 引 言
时间序列数据是一 组 按照时间 先 后 顺序进行 排 列 的观测序 列 . 时间序列
数据分析 是数据 挖掘领 域的热 点之一 , 也在科技金 融领域 中发挥着重要的作
用. 随着科技的进步, 智能算法的成熟促使了金融从业者有更多、更加精准的
方式获取数据和用户需求. 在金融市场中, 深度挖掘金融产品历史价格数据对
政府和投资者有着重要的意义
[1-2]
. 以证券价格为例, 精确预判证券价格对政府
而言, 有利于政府加强对证券市场的把控, 做出及时有效的行政干预, 正确推
动证券市场的健康发展; 对企业或个人投资者来说, 及时感知证券价格的变化,
有效规避造成巨大损失的投资风险, 优化金融产品的投资组合, 以此实现投资
收益最大化. 因此, 早期时间序列分类是科技金融领域内亟待解决且具有应用
价值的问题
[3]
, 而早期时间序列分类应用广泛, 如医学检测、智能交通、行为
识别等领域, 具有深远且重要的研究意义.
近年来, 早期时间序列分类方法受到国内外研究者的热切关注, 有些学者
对已有的 早期时 间序列 分类模 型进行 了系统 整理, 其中不 乏一些 优秀的 综述
论文
[4-6]
. 马超红等
[4]
于 2016 年对基于原始数据、基于特征的时间序列早期分
类进 行 了 总 结 ; 同年, Santos 等
[5]
归纳 了 当 前 已 实现的主要的 早 期 分 类 框架,
如 ECTS、 RelClass、ECDIRE, 但其论文发表时间较早. 随后, Gupta 等
[6]
在
早期时间序列分类领域相关研究进展的基础上, 对其方法进行了比较和归类,
将其归为基于前缀、基于特征、基于模型和其他方法等 4 类, 但未聚焦于科技
金融领域. 本文与已有的综述文献不同, 在总结已有方法的基础上, 更新了早
期时间序列分类方法的最新进展, 且侧重于分类时间点的确定策略.
本文的主要贡献: 概述了时间序列分类器的构造方法; 从决策时刻的角度
总结并综述了以最小预测长度(Minimum Prediction Length, MPL)、最大区分子
序列(Shapelet)和模型这 3 类的时间序列分类时间点的确定方法; 系统性梳理
了未来的研究方向, 这将有助于学者后续的研究和探索.
本文的结构: 第 1 章介绍时间序列领域的基础知识; 第 2 章对时间序列分
类器的构造方法进行阐述, 如图 1(a)所示; 第 3 章主要围绕时间序列分类时间
点的确定方法进行阐述, 其框架如图 1(b)所示; 第 4 章整理早期时间序列分类
评论0
最新资源