文章摘要:时间序列的多尺度特征包含丰富的类别信息，且对分类具有不同的重要程度，然而现有的单变量时间序列分类模型通常以固定步长卷积提取序列特征，不能有效地获取并聚焦重要的多尺度特征。针对上述问题，提出一种基于多尺度卷积和注意力机制的LSTM网络结构，MCA-LSTM（Multi-scale Convolution and Attention Mechanism based Long Short-term Memory Networks），能够融合并关注重要的多尺度特征，实现更准确的分类结果。其中，长短时记忆网络（LSTM）使用记忆细胞和门机制控制序列信息的传递，充分提取时间序列的相关性信息；多尺度卷积模块使用不同卷积步长的CNN提取序列的多尺度特征；注意力模块融合通道信息，获取特征的重要性并分配注意力权重，使网络关注重要的时序特征。在UCR数据集的65个单变量时间序列数据集上的实验结果表明，对比当前最先进的基于深度学习的时序分类方法：USRL-FordA、Combined（1-NN）、Inception-Time、OS-CNN和RTFN，平均错误率（ME）分别降低了7.48、9.92、2.43、2.09、0.82个百分点，并取得了最高的算术平均排名和几何平均排名，分别为2.14和3.23，充分体现了本文方法在单变量时间序列分类中的有效性。

文章关键词:

论文分类号:O211.61;TP183

文章来源：《信息记录材料》 网址: http://www.xxjlcl.cn/qikandaodu/2022/0124/2477.html