.png){kind=icon}
返回
Benchmarking Time Series Feature Extraction for Algorithm Selection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05176-9_21.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时间序列数据中预测算法的有效选择是机器学习领域的一项挑战，影响着预测精度和效率。元学习利用从时间序列中提取的特征，提供了一种优化算法选择的策略性方法。这种方法的有效性取决于特征中包含的有关算法行为的信息量。尽管存在几种系统的时间序列特征提取方法，但它们从未被比较过。本文实证分析了每种特征提取方法在算法选择中的性能及其对预测精度的影响。我们的研究表明，TSFRESH、TSFEATURES和TSFEL在算法选择精度方面表现出可比的性能，能够有效捕捉时间序列特征以支持准确的算法选择。相比之下，Catch22被认为在这方面效果较差。特别地，TSFEL被确定为最有效的方法，平衡了维度和预测性能。这些发现为通过审慎选择元特征提取器来提升预测精度和效率提供了见解。
Keyword:
Forecasting
Algorithm Selection
Feature Extraction
Feature Engineering
期刊
P
IF:
0
论文数:
38
被引数:
0
机构
引用论文
Meta-learning for time series forecasting and forecast combination时间序列预测和预测组合的元学习.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
分享收藏分享收藏
查看更多内容