Multi-Channel MHLFを用いた時系列データの分類手法

• Item type: Trans(1)
• 公開日: 2020-08-28
• タイトル: Multi-Channel MHLFを用いた時系列データの分類手法
• タイトル / 言語: en
• タイトル: Time Series Classification Using Multi-Channel MHLF
• 言語: eng
• キーワード / 主題Scheme: Other
• キーワード / 主題: [オリジナル論文] 時系列データ分類，LSTM-FCN，MACDヒストグラム，LSTM，畳み込みニューラルネットワーク
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 広島市立大学大学院情報科学研究科
• 著者所属: 広島市立大学大学院情報科学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Sciences, Hiroshima City University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Sciences, Hiroshima City University
• 著者名: 橋田, 修一; 田村, 慶一
• 著者名(英): Shuichi, Hashida; Keiichi, Tamura
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，深層学習を用いた時系列データの分類問題に関する研究がさかんに行われており，時系列データを高精度に分類することができる深層モデルの開発が求められている．本論文では畳み込みニューラルネットワーク（CNN）とMACDヒストグラムを用いた新しい分類手法としてMulti-Channel MACD-Histogram-based LSTM-FCN（Multi-Channel MHLF）を提案する．先行研究において，時系列データの分類問題に対してCNNを用いた分類手法が提案されており，その有効性が示されている．本研究では時系列データと時系列データから抽出したMACDヒストグラムとをマルチチャネルデータとして入力する手法を検討する．Multi-Channel MHLFはMACDヒストグラムとして短期と長期の2種類のウィンドウを用いて異なる特徴を抽出し，深層モデルとして時系列データの分類において高い精度が報告されているLSTM-FCNモデルにマルチチャネルデータを入力する手法となっている．評価実験では時系列データの分類問題のためのベンチマークとして公開されているUCRアーカイブデータセットを用いて，従来手法との比較実験を行った．実験の結果，提案手法は従来手法よりも分類精度が高いことが確認できた．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Recently, time series classification methods with the deep learning have been developing in many researches. In many application areas, deep-model with the high performance in the classification are required. This paper proposes a new time series classification method, which is called Multi-Channel MACD-Histogram-based LSTM-FCN (Multi-Channel MHLF), with the convolutional neural networks (CNN) and the MACD-histogram. Time series classification methods based on CNN were proposed in many researches and they are reported as the high accurately models. In this work, the proposed method includes multi-channel input that consists of time series data and its MACD-histograms. The MACD-histogram is extracted with the two kinds of windows as the short-term and long-term window. Additionally, the proposed method is based on the LSTM-FCN model which is reported the most accurately model. In experiments, the UCR archive dataset which is a defact standard benchmark dataset for the time series classification is used for comparing the proposed method and conventional methods. The experimental results show the proposed model is higher accurately than the conventional methods.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11464803
• 書誌情報: 情報処理学会論文誌数理モデル化と応用（TOM）; 巻 13, 号 2, p. 22-35, 発行日 2020-08-28
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7780
• 出版者 / 言語: ja
• 出版者: 情報処理学会