，2*

（1.中国矿业大学计算机科学与技术学院，江苏徐州 221116；2.中国矿业大学灾害智能防控与应急救援创新研究中心，江苏徐州 221116）

0 引言

时间序列分类和不平衡数据分布是实际应用中普遍存在的问题。时间序列存在数据维度高、数据之间相关性强和噪声干扰多等特点，而不平衡数据学习则更加强调分类器对少数类样本的识别能力。一方面时间序列数据的特殊性使得不平衡学习领域的方法不能完全适用，时间序列的高维度、时间相关性和序列数据存在先后逻辑顺序的特点使不平衡问题在时间序列条件下变得更加复杂。例如序列数据中的少数类和噪声的判别会更加艰难，类重叠会更难以处理等；同时，现有的解决时间序列不平衡的方案以重采样为主，其中又是以生成少数类合成样本的过采样方法为重点，而时间序列较一般数据更难合成合适的人工样本，这导致合成的样本效果往往并不理想。

进一步，已有的解决时间序列不平衡的方案大多只适用于二分类问题，如果通过将多分类转换为二分类的问题分解方式，则会造成整体数据分布的变化，仍会影响最终的分类效果。综上所述，直至目前时间序列不平衡分类仍然是亟待解决的重要实际应用问题。集成学习方法在时间序列分类问题中取得了显著的精度优势，但是其对数据集分布的不均衡性不敏感。

基于变换的集合的层次投票集合（Hierarchical Vote Collective of Transformation-based Ensembles，HIVE-COTE）［1］是目前表现最为出色的时间序列集成分类框架，但其中的组件没有考虑数据集分布的不均衡问题，属于不平衡时间序列的弱分类器。……