論文の概要: Converting Time Series Data to Numeric Representations Using Alphabetic Mapping and k-mer strategy

• arxiv url: http://arxiv.org/abs/2412.20617v1
• Date: Sun, 29 Dec 2024 23:29:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:05:27.479193
• Title: Converting Time Series Data to Numeric Representations Using Alphabetic Mapping and k-mer strategy
• Title（参考訳）: アルファベットマッピングとk-mer戦略を用いた時系列データの数値表現への変換
• Authors: Sarwan Ali, Tamkanat E Ali, Imdad Ullah Khan, Murray Patterson,
• Abstract要約: 本稿では,時系列信号を生体/分子配列型表現に変換する手法を提案する。 英語アルファベットの26文字に対応する26の範囲を生成することにより、時系列内の各値をその範囲に基づいて特定の文字にマッピングする。 実世界の時系列信号を文字シーケンスに変換し、シーケンス分類を行うことにより、このアプローチの有効性を実証する。
• 参考スコア（独自算出の注目度）: 2.949890760187898
• License:
• Abstract: In the realm of data analysis and bioinformatics, representing time series data in a manner akin to biological sequences offers a novel approach to leverage sequence analysis techniques. Transforming time series signals into molecular sequence-type representations allows us to enhance pattern recognition by applying sophisticated sequence analysis techniques (e.g. $k$-mers based representation) developed in bioinformatics, uncovering hidden patterns and relationships in complex, non-linear time series data. This paper proposes a method to transform time series signals into biological/molecular sequence-type representations using a unique alphabetic mapping technique. By generating 26 ranges corresponding to the 26 letters of the English alphabet, each value within the time series is mapped to a specific character based on its range. This conversion facilitates the application of sequence analysis algorithms, typically used in bioinformatics, to analyze time series data. We demonstrate the effectiveness of this approach by converting real-world time series signals into character sequences and performing sequence classification. The resulting sequences can be utilized for various sequence-based analysis techniques, offering a new perspective on time series data representation and analysis.
• Abstract（参考訳）: データ解析とバイオインフォマティクスの領域では、時系列データを生物学的配列に似た方法で表現することは、シーケンス解析技術を活用するための新しいアプローチを提供する。 時系列信号を分子配列型表現に変換することにより,バイオインフォマティクスで開発された高度なシーケンス解析技術(例えば$k$-mersをベースとした表現)を適用し,複雑で非線形な時系列データにおける隠れパターンと関係を明らかにすることにより,パターン認識を向上することができる。 本稿では,時系列信号の生体/分子配列型表現への変換を,独自のアルファベットマッピング手法を用いて提案する。 英語アルファベットの26文字に対応する26の範囲を生成することにより、時系列内の各値をその範囲に基づいて特定の文字にマッピングする。 この変換は、典型的にはバイオインフォマティクスで使用されるシーケンス解析アルゴリズムを用いて時系列データを解析することを容易にする。 実世界の時系列信号を文字シーケンスに変換し、シーケンス分類を行うことにより、このアプローチの有効性を実証する。 得られたシーケンスは、時系列データ表現と解析の新しい視点を提供する、様々なシーケンスベースの分析技術に利用できる。

関連論文リスト

• Metadata Matters for Time Series: Informative Forecasting with Transformers [70.38241681764738]
  時系列予測のためのMetaTST(Metadata-informed Time Series Transformer)を提案する。 メタデータの非構造化の性質に取り組むため、MetaTSTは、事前に設計されたテンプレートによってそれらを自然言語に形式化する。 Transformerエンコーダは、メタデータ情報によるシーケンス表現を拡張するシリーズトークンとメタデータトークンの通信に使用される。
  論文  参考訳（メタデータ） (2024-10-04T11:37:55Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• Custom DNN using Reward Modulated Inverted STDP Learning for Temporal Pattern Recognition [0.0]
  時間的スパイク認識は、異常検出、キーワードスポッティング、神経科学など、様々な領域において重要な役割を果たす。 本稿では,スパース事象系列データに基づく時間的スパイクパターン認識のための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-15T18:57:27Z)
• TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
  トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。 新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-01T08:33:16Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• OPP-Miner: Order-preserving sequential pattern mining [26.997138010841347]
  本稿では時系列データの順序関係に基づいてパターンを表現した順序保存シーケンシャルパターン(OPP)マイニング手法を提案する。 実験により、OPP-Minerは効率的でスケーラブルであるだけでなく、時系列で類似したサブシーケンスを発見できることが示された。
  論文  参考訳（メタデータ） (2022-01-09T11:06:26Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction [9.449017120452675]
  時系列データ(英: time series)とは、時系列データの一種で、時系列で記録された観測の集合である。 既存のディープラーニング技術では、時系列解析にジェネリックシーケンスモデルを使用しており、そのユニークな性質を無視している。 本稿では,新しいニューラルネットワークアーキテクチャを提案し,時系列予測問題に適用し,時間的モデリングのための複数の解像度でサンプル畳み込みと相互作用を行う。
  論文  参考訳（メタデータ） (2021-06-17T08:15:04Z)
• Multi-Decoder RNN Autoencoder Based on Variational Bayes Method [0.3007949058551534]
  本稿では、繰り返しニューラルネットワークによる信号の生成過程と変分ベイズ法に着目した新しいクラスタリングアルゴリズムを提案する。 実験の結果,提案アルゴリズムは位相シフト,振幅,信号長の変動に対する頑健性だけでなく,変分ベイズ法の特性に基づく柔軟なクラスタリングも可能であることがわかった。
  論文  参考訳（メタデータ） (2020-04-29T08:25:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。