在时间序列模式识别[关闭](Pattern recognition in time series [

通过处理一时间序列图，我想检测一下类似这样的模式：

使用样本时间序列为例，我想能够检测模式如下标注：

什么样的AI算法（我假设marchine学习技术），我需要用它来实现这一目标？是否有任何库（在C / C ++），在那里，我可以使用吗？

Answer 1:

下面是一个小项目，我做了分区心电图数据的样本结果。

我的做法是一个“转换自回归HMM”（google一下，如果你还没有听说过它），其中每个数据点是从以前的数据点使用贝叶斯回归模型预测。我创建81种隐藏状态：垃圾状态到每个节拍之间捕获数据，以及对应于心跳图案内的不同位置80个分开的隐藏状态。图案80点的状态直接从一个子采样单拍模式构建，有两个转变 - 一个自转变和模式下一个状态的转换。在模式的最终状态过渡到自行或垃圾状态。

我训练模型维特比训练，只有更新回归参数。

结果在大多数情况下足够了。另外一种类似结构条件随机场可能会表现得更好，但培养了CRF将需要手动标记模式在数据集中，如果你不已经标记的数据。

编辑：

下面是一些例子Python代码 - 它并不完美，但它给人的一般方法。它实现了EM而非维特比训练，这可能会稍微更稳定。心电图数据集是从http://www.cs.ucr.edu/~eamonn/discords/ECG_data.zip

import numpy as np
import numpy.random as rnd
import matplotlib.pyplot as plt 
import scipy.linalg as lin
import re

data=np.array(map(lambda l: map(float,filter(lambda x: len(x)>0,re.split('\\s+',l))),open('chfdb_chf01_275.txt'))).T
dK=230
pattern=data[1,:dK]
data=data[1,dK:]

def create_mats(dat):
    '''
    create 
        A - an initial transition matrix 
        pA - pseudocounts for A
        w - emission distribution regression weights
        K - number of hidden states
    '''
    step=5 #adjust this to change the granularity of the pattern
    eps=.1
    dat=dat[::step]
    K=len(dat)+1
    A=np.zeros( (K,K) )
    A[0,1]=1.
    pA=np.zeros( (K,K) )
    pA[0,1]=1.
    for i in xrange(1,K-1):
        A[i,i]=(step-1.+eps)/(step+2*eps)
        A[i,i+1]=(1.+eps)/(step+2*eps)
        pA[i,i]=1.
        pA[i,i+1]=1.
    A[-1,-1]=(step-1.+eps)/(step+2*eps)
    A[-1,1]=(1.+eps)/(step+2*eps)
    pA[-1,-1]=1.
    pA[-1,1]=1.

    w=np.ones( (K,2) , dtype=np.float)
    w[0,1]=dat[0]
    w[1:-1,1]=(dat[:-1]-dat[1:])/step
    w[-1,1]=(dat[0]-dat[-1])/step

    return A,pA,w,K

#initialize stuff
A,pA,w,K=create_mats(pattern)

eta=10. #precision parameter for the autoregressive portion of the model 
lam=.1 #precision parameter for the weights prior 

N=1 #number of sequences
M=2 #number of dimensions - the second variable is for the bias term
T=len(data) #length of sequences

x=np.ones( (T+1,M) ) # sequence data (just one sequence)
x[0,1]=1
x[1:,0]=data

#emissions
e=np.zeros( (T,K) )
#residuals
v=np.zeros( (T,K) )

#store the forward and backward recurrences
f=np.zeros( (T+1,K) )
fls=np.zeros( (T+1) )
f[0,0]=1
b=np.zeros( (T+1,K) )
bls=np.zeros( (T+1) )
b[-1,1:]=1./(K-1)

#hidden states
z=np.zeros( (T+1),dtype=np.int )

#expected hidden states
ex_k=np.zeros( (T,K) )

# expected pairs of hidden states
ex_kk=np.zeros( (K,K) )
nkk=np.zeros( (K,K) )

def fwd(xn):
    global f,e
    for t in xrange(T):
        f[t+1,:]=np.dot(f[t,:],A)*e[t,:]
        sm=np.sum(f[t+1,:])
        fls[t+1]=fls[t]+np.log(sm)
        f[t+1,:]/=sm
        assert f[t+1,0]==0

def bck(xn):
    global b,e
    for t in xrange(T-1,-1,-1):
        b[t,:]=np.dot(A,b[t+1,:]*e[t,:])
        sm=np.sum(b[t,:])
        bls[t]=bls[t+1]+np.log(sm)
        b[t,:]/=sm

def em_step(xn):
    global A,w,eta
    global f,b,e,v
    global ex_k,ex_kk,nkk

    x=xn[:-1] #current data vectors
    y=xn[1:,:1] #next data vectors predicted from current
    #compute residuals
    v=np.dot(x,w.T) # (N,K) <- (N,1) (N,K)
    v-=y
    e=np.exp(-eta/2*v**2,e)

    fwd(xn)
    bck(xn)

    # compute expected hidden states
    for t in xrange(len(e)):
        ex_k[t,:]=f[t+1,:]*b[t+1,:]
        ex_k[t,:]/=np.sum(ex_k[t,:])

    # compute expected pairs of hidden states    
    for t in xrange(len(f)-1):
        ex_kk=A*f[t,:][:,np.newaxis]*e[t,:]*b[t+1,:]
        ex_kk/=np.sum(ex_kk)
        nkk+=ex_kk

    # max w/ respect to transition probabilities
    A=pA+nkk
    A/=np.sum(A,1)[:,np.newaxis]

    # solve the weighted regression problem for emissions weights
    #  x and y are from above 
    for k in xrange(K):
        ex=ex_k[:,k][:,np.newaxis]
        dx=np.dot(x.T,ex*x)
        dy=np.dot(x.T,ex*y)
        dy.shape=(2)
        w[k,:]=lin.solve(dx+lam*np.eye(x.shape[1]), dy)

    #return the probability of the sequence (computed by the forward algorithm)
    return fls[-1]

if __name__=='__main__':
    #run the em algorithm
    for i in xrange(20):
        print em_step(x)

    #get rough boundaries by taking the maximum expected hidden state for each position
    r=np.arange(len(ex_k))[np.argmax(ex_k,1)<3]

    #plot
    plt.plot(range(T),x[1:,0])

    yr=[np.min(x[:,0]),np.max(x[:,0])]
    for i in r:
        plt.plot([i,i],yr,'-r')

    plt.show()

Answer 2:

为什么不使用简单的匹配滤波器？或它的一般统计对口称为交叉关系。给定的已知图案X（t）和含有您的图案的嘈杂化合物时间序列A，B，...，Z像偏移y(t) = x(ta) + x(tb) +...+ x(tz) + n(t). x和y之间的互相关函数应该给峰A，B，...，Z

Answer 3:

WEKA是机器学习软件的功能强大的集合，并且支持一些时间序列分析工具，但我不知道有足够的了解该领域推荐一个最好的办法。但是，它是基于Java的; 你可以调用从C / C ++的Java代码没有大做文章。

对于时间序列进行打包处理大多是冲着股市。我建议克洛诺斯的意见; 我不知道该怎么做模式识别有了它，除了显而易见的：你的系列长度的任何好的模型能够预测的是，在之后的最后一个小凸点一定的距离小颠簸，颠簸大跟随。也就是说，你的序列表现出的自相似性，并在克洛诺斯所使用的模型的设计建模。

如果你不介意C＃中，你应该要求一个版本的TimeSearcher2在HCIL从乡亲-模式识别，对于这个系统，画什么图案的样子，然后检查你的模型是否足够一般以捕捉大多数情况下与低误报率。也许最人性化的方式，你会发现; 所有其他需要统计或模式识别策略颇有背景。

Answer 4:

我不知道什么包会工作最适合此。我没有在大学一个地步，我试图自动检测在XY轴一定的相似形状的一堆不同的图形类似的东西。你可以这样做以下。

类的标签，如：

没课
区域的开始
区域的中间
区域的端部

的功能，如：

在一个窗口中的每个周围的点的相对y轴的相对和绝对差11分宽
功能，如从平均差异
，点前后点之间的相对差异

Answer 5:

我使用的深度学习，如果它是一个选择。它在Java中，完成Deeplearning4j 。我与LSTM试验。我试图1隐含层和2隐藏层以处理时间序列。

return new NeuralNetConfiguration.Builder()
                .seed(HyperParameter.seed)
                .iterations(HyperParameter.nItr)
                .miniBatch(false)
                .learningRate(HyperParameter.learningRate)
                .biasInit(0)
                .weightInit(WeightInit.XAVIER)
                .momentum(HyperParameter.momentum)
                .optimizationAlgo(
                        OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT  // RMSE: ????
                )
                .regularization(true)
                .updater(Updater.RMSPROP) // NESTEROVS
                // .l2(0.001)
                .list()
                .layer(0,
                        new GravesLSTM.Builder().nIn(HyperParameter.numInputs).nOut(HyperParameter.nHNodes_1).activation("tanh").build())
                .layer(1,
                        new GravesLSTM.Builder().nIn(HyperParameter.nHNodes_1).nOut(HyperParameter.nHNodes_2).dropOut(HyperParameter.dropOut).activation("tanh").build())
                .layer(2,
                        new GravesLSTM.Builder().nIn(HyperParameter.nHNodes_2).nOut(HyperParameter.nHNodes_2).dropOut(HyperParameter.dropOut).activation("tanh").build())
                .layer(3, // "identity" make regression output
                        new RnnOutputLayer.Builder(LossFunctions.LossFunction.MSE).nIn(HyperParameter.nHNodes_2).nOut(HyperParameter.numOutputs).activation("identity").build()) // "identity"
                .backpropType(BackpropType.TruncatedBPTT)
                .tBPTTBackwardLength(100)
                .pretrain(false)
                .backprop(true)
                .build();

发现几件事情：