Classification of time series by shapelet transformation

Abstract

Time-series classification (TSC) problems present a specific challenge for classification algorithms: how to measure similarity between series. A \emph{shapelet} is a time-series subsequence that allows for TSC based on local, phase-independent similarity in shape. Shapelet-based classification uses the similarity between a shapelet and a series as a discriminatory feature. One benefit of the shapelet approach is that shapelets are comprehensible, and can offer insight into the problem domain. The original shapelet-based classifier embeds the shapelet-discovery algorithm in a decision tree, and uses information gain to assess the quality of candidates, finding a new shapelet at each node of the tree through an enumerative search. Subsequent research has focused mainly on techniques to speed up the search. We examine how best to use the shapelet primitive to construct classifiers. We propose a single-scan shapelet algorithm that finds the best $k$ shapelets, which are used to produce a transformed dataset, where each of the $k$ features represent the distance between a time series and a shapelet. The primary advantages over the embedded approach are that the transformed data can be used in conjunction with any classifier, and that there is no recursive search for shapelets. We demonstrate that the transformed data, in conjunction with more complex classifiers, gives greater accuracy than the embedded shapelet tree. We also evaluate three similarity measures that produce equivalent results to information gain in less time. Finally, we show that by conducting post-transform clustering of shapelets, we can enhance the interpretability of the transformed data. We conduct our experiments on 29 datasets: 17 from the UCR repository, and 12 we provide ourselve

Otolith shape and size: The importance of age when determining indices for fish-stock separation

“…Otolith boundaries are also extracted and represented, or encoded in different ways (transformed) prior to analysis with methods such as Fourier transforms (Begg and Brown 2000;Galley et al 2006;Bani et al 2013); and Elliptical Fourier transforms (Campana and Casselman 1993;Duarte-Neto et al 2008). Other methods of otolith boundary representation include Wavelets (Parisi-Baradad et al 2005), Curvature-Scale-Space (Begg et al 2005;Parisi-Baradad et al 2005) and the more recent Shapelet transform method (Lines et al 2012;Mapp et al 2013;Hills et al 2014).…”

“…The Waikato Environment for Knowledge Analysis, (WEKA (Hall et al 2009)) is a freely available library of machine learning tools which are widely adopted by the machine learning community, and which have previously been used for otolith classification (Hills et al 2014). The library comprises many statistical and modelling tools together with learning algorithms.…”

Amostragem e medidas de qualidade de shapelets

“…Também não há experimentos extensivos que avaliam as medidas de qualidade de subsequências no domínio da transformada. E o principal problema de técnicas que envolvem subsequências permanece sem solução satisfatória, pois a quantidade de subsequências possíveis de um conjunto de dados é enorme, e a avaliação de cada uma delas é um processo custoso, logo em seus trabalhos eles realizaram experimentos em subsequências de tamanho restrito (HILLS et al, 2014).…”

“…A primeira das lacunas está no fato de que os experimentos apresentados até o momento foram em um conjunto reduzido do total de shapelets por questões de tempo de execução. Por exemplo, Hills et al (2014) propôs um algoritmo que restringe a busca por bons shapelets àqueles que possuam uma quantidade de amostras entre um valor mínimo e máximo. A nossa crítica é que sem experimentos que utilizem todos os shapelets qualquer avaliação, seja de acurácia ou de tempo de execução, de métodos que reduzem o espaço de busca dos shapelets tem baixo valor científico.…”

“…A nossa crítica é que sem experimentos que utilizem todos os shapelets qualquer avaliação, seja de acurácia ou de tempo de execução, de métodos que reduzem o espaço de busca dos shapelets tem baixo valor científico. Sendo assim, nosso primeiro objetivo é realizar experimentos que utilizem todos os shapelets: Hills et al (2014) conduziram experimentos com restrição ao tamanho das subsequências extraídas, pois computar todas é um processo caro. No entanto, sem ter o resultado da computação total a avaliação de métodos que fazem um speedup do processo de classificação por ignorar certas subsequências se torna nulo.…”