Time Series Embedding Methods for Classification Tasks: A Review

doi:10.1111/exsy.70148

2025-11-01

PRE

DOI：10.1111/exsy.70148

原文链接

原文求助

摘要

En 中文

时间序列分析已在工程、金融、医疗保健和社会科学等多个领域变得至关重要。由于时间序列的多维特性，它们通常需要被嵌入到固定维度的特征空间中，以便能够使用各种机器学习算法进行处理。本文中，我们介绍了时间序列嵌入方法的全面综述和定量评估，以在机器学习和深度学习模型中实现有效表示。我们引入了一种嵌入技术的分类方法，根据其理论基础和应用背景对其进行分类。我们的工作通过对各类代表性方法在多样化真实世界数据集上的下游分类任务性能进行评估，提供了定量评价。我们的实验结果表明，嵌入方法的性能会根据所使用的数据集和分类算法显著变化，强调了针对特定应用进行仔细模型选择和广泛实验的重要性。本研究通过提供时间序列嵌入技术的系统性比较，为该领域做出了贡献，指导实践者为其特定应用选择适当的方法，并为时间序列分析的进一步发展奠定了基础。为促进进一步研究和实际应用，我们提供了一个开源代码库，实现了这些嵌入方法：https://github.com/imics-lab/time-series-embedding。

Keyword:

classification

deep learning

dimensionality reduction

feature extraction

machine learning

signal processing

time series embedding