🤖 machine learning

A Dictionary-based approach to Time Series Ordinal Classification

本文提出了一种名为 O-TDE 的序数时间序列分类算法，通过改进现有的字典集成方法 TDE，在 18 个序数分类问题上验证了其相较于四种传统标称字典技术的性能优势。

原作者： Rafael Ayllón-Gavilán, David Guijo-Rubio, Pedro Antonio Gutiérrez, César Hervás-Martinez

发布于 2026-04-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Rafael Ayllón-Gavilán, David Guijo-Rubio, Pedro Antonio Gutiérrez, César Hervás-Martinez

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何更聪明地给“时间序列”分类的故事。为了让你轻松理解，我们可以把时间序列想象成一段段随时间变化的“旋律”，而分类任务就是给这些旋律贴上标签。

1. 背景：什么是时间序列分类？

想象你手里有很多段录音（比如股票每天的涨跌、病人的心跳、或者海浪的高度）。

普通分类：就像给歌曲贴标签，比如“摇滚”、“爵士”或“古典”。只要贴对了就行，贴错成“摇滚”和贴错成“古典”后果是一样的。
序数分类（本文的重点）：这里的标签是有等级顺序的。比如给病人的病情贴标签：轻度 -> 中度 -> 重度 -> 极重度。
- 关键点：如果你把“轻度”误判为“极重度”，这比误判为“中度”要严重得多！普通的分类方法往往忽略了这种“距离感”，而本文就是要解决这个问题。

2. 现有的高手：TDE（时间字典集成）

在时间序列分类界，有一个叫 TDE (Temporal Dictionary Ensemble) 的“超级英雄”，它是目前最厉害的方法之一。

它是怎么工作的？
想象 TDE 是一个乐谱翻译官。它把长长的录音切成很多小片段（滑动窗口），然后把每个片段转换成一种简单的“符号语言”（比如把一段旋律变成 "Do-Re-Mi" 这样的单词）。
- 它把这些单词统计成词频表（就像统计一首歌里 "Do" 出现了几次，"Re" 出现了几次）。
- 最后，它拿着新来的录音，去和数据库里已有的词频表比对，看谁最像，就给它贴上谁的标签。
它的弱点：TDE 虽然很强，但它原本是个“普通分类器”。它只关心“对不对”，不关心“错得有多远”。在序数问题（有等级顺序）上，它不够聪明。

3. 本文的发明：O-TDE（序数时间字典集成）

作者们给这位“超级英雄”装上了**“等级意识”的芯片**，把它升级成了 O-TDE。

核心升级点（用比喻解释）：

更聪明的“切分”与“翻译”：
原来的 TDE 在把旋律变成符号时，只是随机或按固定规则切分。
O-TDE 则像是一个经验丰富的老乐评人。它在切分旋律时，会特别关注那些能区分“病情轻重”的关键音符。它利用一种叫“信息增益”的数学工具，确保切出来的每一个“单词”，都能最大程度地反映出等级的高低。
更严格的“评分标准”：
这是最精彩的部分。
- 普通 TDE 的评分：如果你把“中度”猜成“重度”，它只扣 1 分（因为标签错了）。
- O-TDE 的评分：它知道“中度”和“重度”离得近，但“轻度”和“重度”离得远。所以，如果你把“轻度”猜成“重度”，它会狠狠扣分！
- 比喻：就像射箭比赛。普通分类只看有没有射中靶心；而 O-TDE 会看你是射中了靶心旁边（小错），还是射到了靶子外面很远（大错）。它通过惩罚“大错”，强迫模型学会更精准地把握等级界限。

4. 实验结果：真的有效吗？

作者们找来了 18 个不同的“数据集” 来测试，这些数据集涵盖了：

股票价格（预测下周是涨、微涨、持平、微跌、大跌）。
医疗数据（如心房颤动、手指骨骼发育阶段）。
能源数据（如海浪高度、能量波动等级）。

结果非常亮眼：

O-TDE 在所有测试中都表现最好，或者至少是第二好。
特别是在衡量“错得有多远”的指标上（比如平均绝对误差 MAE），O-TDE 完胜其他所有方法。
结论：当你面对有等级顺序的数据时，使用 O-TDE 就像给模型戴上了一副“透视眼镜”，让它能看清标签之间的细微差别，从而做出更准确的判断。

5. 总结

这就好比：

以前的方法：像是一个只会说“对”或“错”的裁判。
O-TDE：像是一个懂得“差之毫厘，谬以千里”的资深裁判。它不仅告诉你答案对不对，还会根据错误的大小来调整评分，从而引导模型在那些有等级顺序的复杂问题（如医疗诊断、金融预测）上表现得更加出色。

这篇论文的意义在于，它填补了时间序列领域的一个空白，让机器在处理“有等级”的数据时，不再只是机械地分类，而是学会了理解“程度”和“顺序”。

以下是基于论文《A Dictionary-based approach to Time Series Ordinal Classification》（一种基于词典的时间序列序数分类方法）的详细技术总结：

1. 研究背景与问题定义 (Problem)

背景：时间序列分类（TSC）是机器学习中的重要领域，基于词典（Dictionary-based）的方法（如 TDE）是目前该领域的最先进（SOTA）技术。然而，现有的 TSC 方法通常将标签视为无序的“名义”类别（Nominal）。
核心问题：在许多实际应用中（如医疗、金融、工业），时间序列的标签之间存在自然的顺序关系（Ordinality）。例如，乙醇浓度等级（E35, E38, E40, E45）或股票收益率的等级。
现有局限：将标签视为名义类别会忽略这种顺序信息。在名义分类中，将 E45 误判为 E35 与误判为 E40 的惩罚是相同的，但在序数问题中，前者错误更严重。目前针对**时间序列序数分类（TSOC）**的研究尚属空白，缺乏专门利用序数信息的词典类方法。
目标：开发一种能够利用输出变量序数信息的词典类方法，以提升在 TSOC 任务上的性能。

2. 方法论 (Methodology)

本文提出了序数时间序列词典集成（Ordinal Temporal Dictionary Ensemble, O-TDE），它是当前 SOTA 方法 TDE 的序数适配版本。

核心组件与改进策略：

基础架构：
- 沿用 TDE 的框架，即通过滑动窗口将时间序列转换为符号表示（Words），构建词袋（Bag of Words）直方图，最后使用 K-近邻（KNN）进行分类。
- 使用离散傅里叶变换（DFT）将窗口内的数据转换为频域系数，并保留前 $c$ 个系数以去噪和降维。
关键创新点（序数适配）：
- 集成成员选择（Ensemble Member Selection）：
  - 原 TDE 使用高斯过程预测**准确率（Accuracy）**来选择集成成员。
  - O-TDE 改用高斯过程预测平均绝对误差（MAE）。MAE 直接量化了序数尺度上的误差大小，从而引导选择那些在序数问题上表现更好的参数配置。
- 符号化与分箱（Symbolic Representation & Binning）：
  - 使用**信息增益分箱（Information Gain Binning, IGB）**将傅里叶系数离散化为符号。
  - 改进的分裂标准：在构建决策树回归器（DTR）以寻找最优分箱阈值时，不再使用原 TDE 的准确率指标，而是使用Friedman-MSE（均方误差改进指标）。该指标考虑了左右子节点响应均值的差异，能够更有效地捕捉序数标签的分布特性，从而生成更适合序数问题的符号表示。
- 距离度量：在分类阶段，计算测试样本与训练样本直方图之间的距离，并返回最近邻的标签。

3. 实验设置 (Experimental Settings)

数据集：构建了一个包含 18 个 TSOC 问题 的扩展基准集。
- 来源包括：UEA/UCR 时间序列分类库（9 个）、Monash/UEA/UCR 时间序列回归库（2 个，经离散化处理）、Yahoo Finance 股票数据（5 个，基于收益率离散化）、NDBC 浮标数据（2 个）。
- 涵盖单变量和多变量时间序列，长度和维度各异。
对比基线：将 O-TDE 与 4 种现有的名义词典类 SOTA 方法进行比较：
- BOSS, cBOSS, WEASEL, TDE。
评估指标：
- 名义指标：正确分类率（CCR/Accuracy）。
- 序数指标：
  - MAE (Mean Absolute Error)：衡量预测值与真实值在序数尺度上的平均距离。
  - QWK (Quadratic Weighted Kappa)：根据错误发生的距离给予不同权重的 Kappa 系数。
  - 1-OFF Accuracy：允许预测值与真实值相差一个等级仍视为正确。
实验过程：每个数据集进行 30 次随机划分运行，以确保结果的统计显著性。

4. 实验结果 (Results)

性能表现：
- O-TDE 在 18 个数据集中表现最佳：在 MAE 指标上，O-TDE 在 10 个数据集中排名第一，在另外 4 个数据集中排名第二。
- 综合排名：O-TDE 的平均排名（Rank）为 2.00，显著优于其他所有方法（TDE 为 2.78，WEASEL 为 2.67，cBOSS 为 3.33，BOSS 为 4.17）。
统计显著性：
- 通过 Nemenyi 检验和 Wilcoxon 符号秩检验，O-TDE 在 MAE 和 1-OFF 指标上与其他方法相比具有统计显著性的优势。
- 值得注意的是，O-TDE 不仅在序数指标（MAE, QWK）上胜出，甚至在名义指标 CCR（准确率） 上也优于所有名义基线方法。这表明序数信息的利用不仅优化了序数误差，还提升了整体分类能力。
可视化：临界差异图（CDDs）直观展示了 O-TDE 在各项指标上的优越性。

5. 主要贡献与意义 (Contributions & Significance)

填补领域空白：首次将最先进的词典类时间序列分类方法（TDE）成功适配到序数分类领域，提出了 O-TDE 算法，推动了 TSOC 这一未充分探索子领域的发展。
方法论创新：
- 证明了在集成成员选择和符号化分箱过程中，引入序数感知指标（如 MAE 和 Friedman-MSE）比传统的准确率指标更有效。
- 展示了通过惩罚“远距离”错误（即序数上差异大的错误），可以显著提升模型性能。
基准扩展：将 TSOC 可用的基准数据集从原有的 7 个扩展至 18 个，为后续研究提供了更鲁棒的实验平台。
实际应用价值：该方法在金融（股票预测）、医疗（生理信号分析）、工业（能量波动监测）等具有天然序数标签的领域具有极高的应用潜力。
开源贡献：相关代码将集成到开源库 aeon 中，促进了该技术的普及和复现。

总结：该论文通过 O-TDE 证明了在处理具有序数标签的时间序列时，显式地利用标签的顺序关系（通过改进的误差度量和分箱策略）能够显著超越传统的名义分类方法，不仅在序数误差上大幅降低，甚至在整体准确率上也取得了提升。