李 霞

(武汉科技大学城市学院，湖北 武汉 430083)

1 引言

时间序列数据具有高维特性，在一个时间序列中，数据都包含在不同时刻的变化中。时间序列会按照某些模式变化，所以数据很容易存在一定噪声[1]。因此，不同维度上数据的关联性十分重要，有效检测出冗杂数据，继而完成高效挖掘及获取信息，是当前时间序列分类算法的研究重点。分类问题是数据挖掘的基础，对于一个未知类型的时间序列，如何把它分配至某个预定义类别中，是分类的关键任务[2]，也是当前相关领域的重点研究问题。

目前已有相关外学者对这一问题做出了研究，并取得了一定的研究成果。文献[3]构建了基于BP和朴素贝叶斯的时间序列分类模型。利用BP神经网络非线性映射能力和朴素贝叶斯分类器的稳定性能，在少量标记数据的情况下，把BP神经网络获取的特征引入朴素贝叶斯分类器内，从而实现时间序列分类。该方法分类效率较高，但仅能在时间序列数据较少时才能使用，实用性较差。文献[4]提出一种端对端深度学习神经网络模型BiGRU-FCN，采用不同网络计算得到卷积神经网络在时序信息上空间特征和双向循环神经网络在序列上双向时序依赖特征，同时对单维时间序列进行分类。但该方法分类精度不高，无法满足实际应用需求。

针对上述方法存在的问题，提出一种基于连续密度隐马尔可夫的时间序列分类算法。首先对时间序列趋势进行特征提取，明确其随时间变化产生的转换趋势，得到时间序列数据中的关键数据，为后续分类计算的有效提供帮助。……