การเพิ่มประสิทธิภาพในการจำแนกประเภทข้อมูลอนุกรมเวลาโดยใช้หลักการวิเคราะห์ความถดถอยร่วมกับแนวคิดของตัวอธิบายรูปร่าง

Abstract

การจำแนกประเภทอนุกรมเวลา (Time Series Classification (TSC)) มีการใช้งานอย่างกว้างขวางใน ลักษณะของการใช้งานจริงมากมายหลายแขนง ซึ่งตัวจำแนกประเภทแบบเพื่อนบ้านที่ใกล้ที่สุด (Nearest Neighbor (NN)) สำหรับวิธีการไดนามิกไทม์วอร์ปปิง (Dynamic Time Warping (DTW)) ถือเป็นหนึ่งในวิธีที่มีประสิทธิภาพและได้รับความนิยมมากที่สุดสำหรับจัดการกับปัญหาการจำแนกประเภทอนุกรมเวลา ด้วยการวัดระยะทางแบบปรับแนวที่ไม่เป็นเส้นตรง จึงทำให้ไดนามิกไทม์วอร์ปปิงเป็นที่รู้จักกว่าเป็นเครื่องมือที่มีประสิทธิภาพในการจับคู่อนุกรมเวลาสองชุดในการด้านทำงานได้อย่างกลมกลืนกันกับตัวจำแนกประเภทแบบเพื่อนบ้านที่ใกล้ที่สุด อย่างไรก็ตาม แม้จะมีข้อเท็จจริงว่า ไดนามิกไทม์วอร์ปปิงได้รับการออกแบบโดยเฉพาะเจาะจงเพื่อค้นหาการปรับแนวที่เหมาะสมที่สุด แต่วิธีการดังกล่าวอาจไม่สามารถใช้ในการปรับแนวเฉพาะส่วนได้อย่างสมเหตุสมผล ในงานวิจัยนี้จึงได้นำเอากรอบการทำงานของไดนามิกไทม์วอร์ปปิงแบบรูปร่าง หรือ shapeDTWมาใช้เพื่อจำแนกข้อมูลอนุกรมเวลาโดยอิงตามตัวอธิบายรูปร่างแบบฮิสโตแกรมของทิศทางตามค่าเกรเดียนท์ 1 มิติหรือ HOG1D รูปแบบใหม่ล่าสุด โครงสร้างเฉพาะส่วนแบบจุดต่อจุดจะได้รับการนำมาใช้งานในขั้นตอนการปรับแนว โดยโครงสร้างที่มีรูปร่างคล้ายคลึงกันจะจับคู่โดยอิงตามระดับความคล้ายคลึงกัน และด้วยการนำกรอบการปรับแนวทั่วไปจาก shapeDTWมาใช้งาน จะช่วยให้ผู้ใช้สามารถออกแบบตัวอธิบายรูปร่างโดยอิงตามลักษณะและขอบเขตของข้อมูลตัวอย่างของตัวอธิบายรูปร่างที่ปรับปรุงใหม่ซึ่งเรียกว่า HOG1D-L ได้รับการนำเสนอโดยอิงจากแนวคิดที่สำคัญจากHOG1D และการวิเคราะห์ถดถอยเชิงเส้น งานวิจัยดังกล่าวนี้นำเสนอผ่านการทดสอบอย่างกว้างขวางด้วยชุดข้อมูลอนุกรมเวลา UCR ถึง 84 ชุดข้อมูลและผลที่ได้แสดงให้เห็นว่าสามารถรักษาระดับความแม่นยำหรือให้ผลสำเร็จในการจำแนกประเภทที่แม่นยำมากขึ้นในชุดข้อมูลส่วนใหญ่