面向时间序列分类的位置感知加权序列模式挖掘

摘要

时间序列分类技术在电力负荷监测等实际场景中具有重要的应用价值。针对现有深度学习模型可解释性不足，以及传统序列模式挖掘方法易忽略波形时间位置信息、限制分类性能等问题，本文提出一种位置感知加权序列模式挖掘（PA-WSPM）方法。该方法首先利用滑动窗口提取序列的能量、趋势和抖动等局部特征并予以离散化；其次，引入位置编码机制，将提取的特征与对应时间段有效绑定；最后，结合内容加权与对比策略，自动抑制背景噪声，进而挖掘具有强区分能力的核心模式。在Electric Devices数据集上的实验结果表明：仅引入位置感知编码即可使分类准确率获得55.9%的相对提升；全面融合加权与对比策略后，最终模型准确率达到48.6%。PA-WSPM能够有效表征复杂用电特征并准确定位关键特征的时间边界，为时序数据分类提供了一套直观且透明的决策依据。

关键词

时间序列分类 / 可解释性 / 序列模式挖掘 / 位置感知