时间序列形状特征综述

Logical-shapelets: an expressive primitive for time series classification（Abdullah Mueen、Eamonn Keogh、Neal Young2011）

逻辑shapelets，时间序列分类的表达原语*

创新点：引入一种新算法来更快找到shapeletes，首次展示了一种增强的 shapelet 表示，该表示基于 shapelet 的连接或析取来区分数据。
Chang等人（Chang等人，2012年）在GPU上实现了shapelet发现的并行版本，显著减少了运行时间。

Efficient pattern-based time series classification on GPU（KW Chang, B Deka, WMW Hwu2012）

GPU 上基于模式的高效时间序列分类

创新点：在GPU上实现了shapelet发现的并行版本，显著减少了运行时间。

A shapelet transform for time series classification（J Lines, LM Davis, J Hills, A Bagnall2012）shapelet变换

一种用于时间序列分类的shapelet变换

创新点：该领域的原始研究嵌入了在决策树中查找 shapelets 的过程。我们建议通过提出 shapelet 变换，将查找 shapelet 的过程与分类算法断开。我们描述了一种提取k的方法在单次传递中从数据集中获得最佳 shapelet，然后使用这些 shapelet 通过计算从一系列到每个 shapelet 的距离来转换数据。形状元素用于将时间序列数据转换为新的表示，其中每个属性是时间序列到其中一个形状元素的距离。

Rotation-invariant similarity in time series using bag-of-patterns representation（J Lin, R Khade2012）

使用模式袋表示的时间序列中的旋转不变相似性

创新点：受文本挖掘和信息检索社区广泛接受的“词袋”方法，即 BoW 方法的启发，Lin 提出 BOP 方法，一种基于直方图的时间序列数据表示，通过提取的 Shapelets，使用 SAX 方法构建单词序列矩阵，借助 SAX 代表 TS 中的一个模式，实现了大长度时间序列的高级特征提取．

Fast Shapelets: A Scalable Algorithm for Discovering Time Series Shapelets （Thanawin Rakthanmanon and Eamonn Keogh2013）

快速Shapelets:一种发现时间序列Shapelets的可扩展算法

创新点：提出了一种快速 shapelet 发现算法，将时间复杂度降低为 O( nm2) ，通过对原始时间序列进行符号聚合近似值( Symbolic Aggregate approximation，SAX) 表示，将原始时间序列转换为离散低维表示，加快了搜索过程。再利用随机投影查找潜在的 Shapelets 候选．

learning shapelets Learning time-series shapelets（Josif Grabocka,Nicolas Schilling, Martin Wistuba, Lars Schmidt-Thieme2014）shapelet变换

学习时间序列shapelets

创新点：在学习 shapelets 方面提出了一种新颖的观点，称为 LTS。提出了一种通过分类目标函数对任务进行新的数学形式化，并应用了定制的随机梯度学习算法。（过程：开始先预估一个最优 Shapelets，再通过最小化分类损失函数，迭代学习并优化形状，使用梯度下降法更新 Shapelets，最终得到关键有效的多个 Shapelets．所提出的方法可以直接学习接近最优的 shapelets，而无需尝试大量候选者。

Ultra-fast shapelets for time series classification(M Wistuba, J Grabocka, L Schmidt-Thieme2015)

用于时间序列分类的超快速 Shapelets3

创新点：提出了使用许多随机 shapelets 的 Ultra-Fast Shapelets，提议修剪相似的形状元素，并使用监督选择过程根据形状元素提高分类精度的程度来选择形状元素。

在LTS的推动下，提出了其他基于学习的shapelet方法（Shah等人，2016；Zhang等人，2016）将学习的shapelet用于时间序列聚类任务，在聚类之前使用shapelet变换。Zhang提出无监督显著子序列学习模型( Unsupervised Salient Subsequence Learning，USSL)［37］，通过伪标签将无监督学习变为监督学习，利用 shapelets 正则项过滤掉相似的 shapelets． LS 方法是通过学习过程，有目的地进行优化，因此效率要远远高于基于暴力搜索的 Shapelets 方法和 Fast-Shapelets 方法．
在LTS所提出的方法中，欧几里得距离度量被用作距离度量。作为限制，它不能学习单个 shapelet，它可以代表时间序列的不同子序列，这些子序列只是沿时间轴扭曲。为了考虑这些情况，Shah等人建议在 LTS 框架中使用动态时间规整 (DTW) 作为距离度量。

Learning DTW-shapelets for time-series classification（M Shah, J Grabocka, N Schilling, M Wistuba2016）

学习用于时间序列分类的 DTW- shapelets

Zhang Q，Wu J，Zhang P，et al． Salient subsequence learning for time series clustering［J］． IEEE Transactions on Pattern Anallysis and Machine Intelligence，2019，41( 9) : 2193-2207

时间序列聚类的显着子序列学习

两个主要缺点。首先，由于使用这些方法学习的形状元素在训练后是固定的，因此它们无法处理局部模式的新变形，这将导致在测试时无法识别重要模式。其次，原始的基于shapelet的方法提供了可解释性，因为shapelet基于判别子序列。然而，现有的基于学习的shapelet方法没有约束，即shapelet应该类似于子序列，这降低了它们的可解释性。基于学习的方法可以具有任意形状，甚至偏离真实子序列，这与shapelet方法的初衷相反。

Fast classification of univariate and multivariate time series through shapelet discovery（J Grabocka, M Wistuba, L Schmidt-Thieme2016）

基于shapelet发现的单变量和多变量时间序列快速分类

创新点：shapelets 的发现在计算上是昂贵的。本文提出了一种新方法，通过在线聚类/剪枝技术避免测量欧几里得距离空间中相似候选的预测精度。此外，我们的算法结合了一个有监督的 shapelet 选择，它只过滤掉那些提高分类准确性的候选者。方法更快，精度提高

Efficient learning of timeseries shapelets（L Hou, J Kwok, J Zurada2016）

时间序列shapelets的高效学习

创新点：采用了一种完全不同的方法，并将 shapelet 发现任务重新表述为一个数值优化问题。特别是，通过结合广义特征向量方法和融合 lasso 正则化器来学习 shapelet 位置，以鼓励稀疏和块状解决方案。方法更快，精度提高

A shapelet transform for multivariate time series classification（A Bostrom, A Bagnall2017）

基于shapelet变换的多元时间序列分类

创新点：提出了对Shapelet变换（ST）的三种适应性，以捕获多元时间序列分类中的多元特征。

Learning shapelet patterns from network-based time series（H Wang, J Wu, P Zhang, Y Chen2018）

从基于网络的时间序列中学习形状模型

创新点：现有的 shapelet 选择工作假设时间序列是独立且同分布的。这个假设将他们的应用限制在社交网络时间序列分析中，因为用户的行为可以与他/她的社会关系相关联。在本文中，我们提出了一种新颖的网络正则化最小二乘 (NetRLS) 特征选择模型，该模型结合了典型的时间序列数据和用户网络数据进行分析。

Adversarial dynamic shapelet networks（Q Ma, W Zhuang, S Li, D Huang2020）

对抗性动态shapelet网络

以往的两个缺点：首先，学习到的 shapelets 在训练后是固定的，不能适应测试阶段变形的时间序列。其次，通过反向传播学习到的 shapelets 可能与任何真实的子序列都不相似，这与 shapelets 的初衷背道而驰，降低了模型的可解释性。
创新点：提出了一种新颖的 shapelet 学习模型，称为对抗性动态 Shapelet 网络 (ADSN)。采用对抗性训练策略来防止生成的 shapelets 偏离时间序列的实际子序列。在推理过程中，shapelet 生成器生成特定于样本的 shapelet，动态 shapelet 转换使用生成的 shapelet 来提取判别特征。因此，ADSN 可以动态生成与真实子序列相似的 shapelet，而不是具有任意形状。

An improved fast shapelet selection algorithm and its application to pervasive EEG（X Zou, X Zheng, C Ji, Y Zhang2021）

一种改进的快速 shapelet 选择算法及其在普适脑电图中的应用

创新点：提出了一种改进的基于聚类 (FSSoC) 的快速 Shapelet 选择算法，该算法大大减少了 shapelet 选择的时间。首先，使用改进的 k-means 将时间序列聚类成几组，然后使用基于欧几里德距离排序的策略从每个聚类中抽取一些时间序列。第二，识别采样时间序列的重要数据点 (IDP)，并且仅将两个不相邻的 IDP 之间的子序列添加到 shapelet 候选者中。因此，shapelet 候选的数量大大减少，从而导致时间消耗明显减少。第三，将FSSoC应用于shapelet变换算法测试分类精度和运行时间，实验表明FSSoC明显快于现有的shapelet选择算法，同时保持较高的精度。最后，给出了脑电时间序列的案例研究，验证了FSSoC应用自动发现代表性脑电特征的可行性。

Learning Time-series Shapelets Enhancing Discriminability

(A Yamaguchi, K Ueno, H Kashim2022)

学习时间序列 Shapelets 增强可辨别性
创新点：最近研究了分类器和 shapelets 的联合学习，因为这种方法提高了算法复杂性和分类性能。然而，由于使用传统的 sigmoid 交叉熵损失函数，现有方法缺乏特征识别能力。为了增强特征可辨别性，我们提出了损失函数的自适应缩放，灵感来自最近计算机视觉中的判别损失。此外，我们提出了一种理论上合理的正则化，通过缩小适当的特征来增强特征可辨别性并保持 shapelet 可解释性。

Random Dilated Shapelet Transform: A New Approach for Time Series Shapelets（A Guillaume, C Vrain, W Elloumi2022）

随机扩张 Shapelet 变换：时间序列 Shapelet 的一种新方法

创新点：我们提出了一种新的时间序列 shapelet 公式，包括膨胀的概念，并且我们引入了一个新的 shapelet 特征来增强它们对分类的判别能力。
随着 RNN、长短时记忆网络( Long Short-term Memory，LSTM ) 、回声 状 态 网 络( Echo State Network，ESN) 的发展，基于神经网络的时间序列预测已成为研究热点．发展出两阶段注意力的 RNN( Dual-stage attention-based RNN，DA-RNN)［33］，拉 普 拉 斯 ESN ( Laplacian ESN，LAESN) 方法［17］等

A dual-stage attention-based recurrent neural network for time series prediction（Y Qin, D Song, H Chen, W Cheng, G Jiang2017）

用于时间序列预测的双阶段注意力循环神经网络

创新点：尽管已经开发了各种 NARX 模型，但很少有人能够适当地捕捉长期的时间依赖性并选择相关的驱动序列进行预测。在本文中，我们提出了一种基于双阶段注意力的循环神经网络 (DA-RNN) 来解决这两个问题。在第一阶段，我们引入了一种输入注意机制，通过参考之前的编码器隐藏状态，在每个时间步自适应地提取相关的驱动序列（也就是输入特征）。在第二阶段，我们使用时间注意机制在所有时间步长中选择相关的编码器隐藏状态。