时间序列分类算法极简设计之ROCKET、MiniRocket详解及python实战

作者：Guff_9hys | 2024-08-03 23:09:42

踩

rocket算法

前言

时间序列分类任务也是比较常见的任务，根据分类，来判断时间序列的性质，类别等。

其中rocket算法十分另类，看似用的非常简单且暴力的方式，却拿到了不错的效果，以及拥有非常快的推理和训练速度。

后续还有minirocket，在rocket的基础上进行简化，在基本上不损失精度的前提下，拥有更快的速度。

ROCKET（RandOm Convolutional KErnel Transform）

ROCKET: Exceptionally fast and accurate time series classification using random convolutional kernels

论文：https://arxiv.org/abs/1910.13051 github：https://github.com/angus924/rocket

理论知识

ROCKET算法的优点在于其简单性和效率。梳理一下训练和预测过程：

随机生成卷积核：生成大量卷积核（例如10,000个）。且这些卷积核都是不同的，拥有随机的长度、扩张和填充，以及随机的权重和偏差，这意味着它们不是从数据中学习得到的，而是预先设定的。
对时间序列进行卷积：使用生成的卷积核对每个时间序列进行卷积运算。提取时间序列数据中各种模式和特征。
从卷积结果中提取特征：对于每个卷积核得到的卷积结果，ROCKET计算两个简单的统计量：最大值（类似于maxpooling）和正数值的比例（ppv：proportion of positive values）。使得分类器能够衡量给定模式在时间序列中的流行程度。所以如果对于一条时间序列来说，会产生卷积核数量✖️2的特征树
训练线性分类器：利用提取的特征来训练一个线性分类器（线性的都可以）。ROCKET通过将时间序列转换为特征向量，使得分类器可以应用于标准的机器学习任务。
进行预测：使用训练好的分类器对新的时间序列数据进行分类预测。

实战

具体源码可以看

https://github.com/angus924/rocket/blob/master/code/rocket_functions.py

这块就是卷积提取特征的过程

具体使用：


if __name__ == '__main__':
    x = np.random.uniform(0, 1, 30)
    x = x.reshape((1, len(x)))
    kernels = generate_kernels(30, 20)
    y = apply_kernels(x, kernels)
    print(y.shape)

结果

或者直接用sktime去学习怎么用，现在官方也在引导大家用sktime去用rocket，sktime里把rocket的几种变体融合在一起了

sktime：https://www.sktime.net/en/stable/

rocket api：https://www.sktime.net/en/stable/api_reference/auto_generated/sktime.classification.kernel_based.RocketClassifier.html

输入可以是怎么多格式


Parameters
        ----------
        X : 3D np.array (any number of dimensions, equal length series)
                of shape [n_instances, n_dimensions, series_length]
            or 2D np.array (univariate, equal length series)
                of shape [n_instances, series_length]
            or pd.DataFrame with each column a dimension, each cell a pd.Series
                (any number of dimensions, equal or unequal length series)
            or of any other supported Panel mtype
                for list of mtypes, see datatypes.SCITYPE_REGISTER
                for specifications, see examples/AA_datatypes_and_datasets.ipynb
        y : 1D np.array of int, of shape [n_instances] - class labels for fitting
            indices correspond to instance indices in X

这块不赘述了，直接看代码详解很详细，不光是 rocket，只要是分类的方法，在sktime里的输入格式都是一样的


from sktime.classification.kernel_based import RocketClassifier
from sktime.datasets import load_unit_test
 
X_train, y_train = load_unit_test(split="train", return_X_y=True)
print(X_train.shape, y_train.shape)
X_test, y_test = load_unit_test(split="test", return_X_y=True)
clf = RocketClassifier(num_kernels=500)
 
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
print(y_pred)

结果


(20, 1) (20,)
 
['1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '2' '2' '1' '2' '2' '1'
 '2' '2' '2' '1']

MiniRocket

MINIROCKET: A Very Fast (Almost) Deterministic Transform for Time Series Classification

论文：https://arxiv.org/abs/2012.08791 github：https://github.com/angus924/minirocket

理论优化

MiniRocket ROCKET方法的一种更快、更小型的变体，它提供几乎相同的性能，同时极大地减少了计算的时间和资源消耗，在更大的数据集上比 Rocket 快 75 倍，同时保持基本相同的准确性。

核心思想是简化ROCKET的随机卷积核特征提取过程。主要是两个过程优化了，其他基本一致。

卷积核确定化
特征只用了ppv

论文一张图全部直接概括了。

实战


from sktime.classification.kernel_based import RocketClassifier
from sktime.datasets import load_unit_test
 
X_train, y_train = load_unit_test(split="train", return_X_y=True)
print(X_train.shape, y_train.shape)
X_test, y_test = load_unit_test(split="test", return_X_y=True)
clf = RocketClassifier(num_kernels=500, rocket_transform="minirocket")
 
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
print(y_pred)

时间序列分类算法 极简设计之ROCKET、MiniRocket详解及python实战

前言

ROCKET（RandOm Convolutional KErnel Transform）

理论知识

实战

MiniRocket

理论优化

实战

时间序列分类算法极简设计之ROCKET、MiniRocket详解及python实战