時系列でのパターン認識
1. 序章
このチュートリアルでは、時系列のパターンを検出するための視覚的な手法について説明します。
2. 時系列でのパターン検出
時系列は2列のデータに過ぎず、列の1つが時間です。 例としては、1年間の都市の最低気温、または1か月の地震活動などがあります。
さらに、パターンの原因や操作方法を見つけるのに役立ちます。
上記の時系列データの例は、オーストラリアのメルボルンの10年間の気温を示しています。
3. 視覚的パターン認識
時系列のパターンを認識する多くの方法は、最初に時系列をより一般的なタイプのデータに変換することによって認識します。次に、古典的な機械学習アルゴリズムを使用してパターンを検出および分類します。
視覚的パターン認識は、最初にデータを画像に変換することによってこれを実現します。次に、画像分類アルゴリズムを使用してパターンを検出します。 しかし、どうすれば1次元データを画像に変換できますか？
4. データの変換
最初のステップは、離散微分を計算することです。 これを行うには、時系列の各ポイントを前のポイントから減算します。 次に、データポイントをプロットします。そのx座標はその値であり、そのy座標はその離散微分です。次のステップでは、変換をパターンと比較し、画像分類方法をに適用します。それ、例えば その機能を分析します。
5. 例
以前の時系列を詳しく見てみましょう。特定の期間における都市の気温について説明しています。
元のデータはここにあります。 時系列の最後に、1年間のランダムデータを追加します。 私たちのパターン認識は、最初の年をパターンとして取ります。 このパターンを使用すると、次の7年間を正常に検出できるはずですが、昨年は属していないことも示されます。
6. メソッドの適用
視覚的パターン認識を適用した後、時系列は9つの異なる画像に変換されます。各年に1つの画像です。
ご覧のとおり、すべての画像は最初の画像と非常によく似ていますが、最後の画像は例外です。 これは、画像認識ソフトウェアで簡単に検出できる違いです。 単純なヒストグラムでも、画像間のベクトルの違いがわかります。
7. 比較
例が示すように、私たちの方法は非常に視覚的であり、パターンがどのように認識されるかを簡単に確認できます。これは確かに複数のパターンと異なるデータでより複雑になりますが、それでも次の手順を理解するのに役立ちます私たちの分析で起こっています。
これにより、隠れマルコフ連鎖モデルなどの他の時系列パターン認識アルゴリズムと比較して、アルゴリズムの追跡と変更がはるかに簡単になります。
8. 結論
この記事では、視覚的なパターン認識アルゴリズムを使用しました。 時系列から画像に特徴を変換し、ヒストグラムの比較などの従来の画像認識方法を使用して分析を続けました。
