Classification rapide des séries temporelles utilisant la réduction de numérosité

De nombreux algorithmes ont été proposés pour le problème de la classification des séries temporelles. Cependant, il est clair que le plus proche voisin avec la distance de Dynamic Time Warping (DTW) est exceptionnellement difficile à surpasser. Cette approche a cependant un point faible ; elle est computationnellement trop exigeante pour de nombreuses applications en temps réel. Une façon d'atténuer ce problème est d'accélérer les calculs DTW. Néanmoins, il y a une limite à la mesure dans laquelle cela peut aider. Dans ce travail, nous proposons une technique supplémentaire, la réduction de numérosité, pour accélérer le plus proche voisin DTW. Bien que l'idée de la réduction de numérosité pour les classificateurs à plus proche voisin ait une longue histoire, nous montrons ici que nous pouvons tirer parti d'une observation originale concernant la relation entre la taille du jeu de données et les contraintes DTW pour produire un ensemble de données extrêmement compact avec peu ou pas de perte de précision. Nous testons nos idées avec un ensemble complet d'expériences et montrons qu'il peut produire efficacement des classificateurs précis et extrêmement rapides.