基于核分组与多变换池化算子的时间序列分类方法KG-MTP研究

为解决时间序列分类(TSC)中特征多样性与计算效率的平衡问题，研究人员提出KG-MTP算法，通过核分组竞争策略、希尔伯特变换和新型ZCR池化算子，在UCR 112数据集上实现超越HIVE-COTE 2.0的精度（仅需0.22%训练时间），为高效TSC提供新范式。

　　

时间序列分类（Time Series Classification, TSC）是人工智能领域的重要研究方向，其核心任务是将连续有序的观测序列映射到预定义类别。随着医疗监测、工业传感器等场景数据量激增，如何在保证分类精度的同时提升计算效率成为关键挑战。现有基于随机卷积核的算法如Rocket系列和Hydra虽在速度上表现优异，但仍存在特征多样性不足、核设计固化等问题。尤其当面对UCR Archive（时间序列标准测试集）中复杂多变的112个数据集时，当前最优算法HIVE-COTE 2.0虽精度领先，但训练耗时成为瓶颈。

针对这一矛盾，中国研究人员提出KG-MTP（Kernel Grouping for time series classification with Multiple Transformations and Pooling operators），通过四大创新实现突破：首先重构卷积核的长度、数量和权重配置；其次引入希尔伯特变换（Hilbert transform）增强频域特征；第三设计零交叉率（Zero Crossing Rate, ZCR）池化算子捕捉振荡特征；最后借鉴Hydra的核分组策略实现特征协同提取。实验表明，KG-MTP在UCR数据集上超越所有对比算法（包括HIVE-COTE 2.0），训练时间仅为后者的0.22%。相关成果发表于《Expert Systems with Applications》，为实时TSC应用提供新思路。

关键技术方法包括：1）对原始时间序列进行一阶差分和希尔伯特变换生成多模态表示；2）采用62个预定义核分5组提取响应特征；3）联合Max、PPV（Proportion of Positive Values）等6种池化算子生成特征；4）使用岭回归（ridge regression）分类器验证效果。

Traditional state of the art algorithms
梳理六类传统算法，指出基于距离（如DTW）、字典（如BOSS）、区间（如TSF）等方法虽各具优势，但计算复杂度高，凸显KG-MTP的高效性。

KG-MTP
详述算法流程：多变换表征→核分组卷积→协同特征提取。特别说明ZCR算子通过统计过零点次数补充PPV的阳性值特征，希尔伯特变换则显式编码相位信息。

Experimental Results
在112个UCR数据集上，KG-MTP平均精度达90.3%，较Hydra+MultiRocket提升2.1%，训练时间仅1.5分钟（HIVE-COTE 2.0需680分钟）。

Discussion
消融实验证实：12长度核组合效果最优；希尔伯特变换使14个数据集精度提升>5%；ZCR与PPV联用贡献最大特征增益。

Conclusion
KG-MTP通过核共享机制与多维度特征融合，首次在精度和效率双维度超越现有SOTA算法。其模块化设计支持扩展更多变换与池化算子，为边缘计算等场景提供可能。作者团队声明无利益冲突。