基于动态滑动窗口的加权深度森林算法OACSTPCD

深度森林是一种典型的机器学习方法,被广泛用于分类任务中。但其在时间序列分类中,往往容易忽视时间序列变化趋势对其特征提取的积极作用;且在级联森林中的特征向量更新时,将各子分类器同等对待,使不同子模型的分类能力无法得到充分利用,最终使得时间序列分类陷入局部最优。为了解决上述问题,该文提出了一种基于动态滑动窗口的加权深度森林方法,称为AWGE-gcForest,用于时间序列数据的分类。AWGE-gcForest算法首先根据时间序列的变化趋势,定义了窗口变化值WCV,实现窗口动态调整的同时减少多粒度扫描次数,以提高特征提取的效率、分类的准确率和泛化能力;其次,通过迭代最优对级联森林进行加权,为分类准确率高的森林赋予更大权重,从而降低分类性较弱的子树对整个模型的影响。上述操作从全局考虑级联森林的分类性能,避免陷入局部最优,以减少级联层数并降低时间复杂度。该算法在UCR数据集上与TS-CHIEF算法、MultiRocket算法、DF21算法和OS-CNN算法进行对比,其分类精度以及时间效率优于目前先进的时间序列分类方法,是一种相对高效的时间序列分类算法。