catch22: 高效提取时间序列特征的开源工具包

在时间序列分析和机器学习领域,如何从原始时间序列数据中提取有意义的特征一直是一个重要的研究课题。近年来,一个名为catch22的开源工具包引起了学术界和工业界的广泛关注。本文将详细介绍catch22的基本原理、主要功能以及在实际应用中的表现。

catch22简介

catch22是CAnonical Time-series CHaracteristics的缩写,它是一个包含22个时间序列特征的精选集合。这些特征是从7000多个候选特征中筛选出来的,能够在保持较高分类性能的同时大大降低计算复杂度。catch22的核心代码使用C语言实现,并提供了Python、R、Matlab和Julia等多种编程语言的接口,方便研究人员和工程师在不同环境中使用。

catch22的主要特点

高效性: catch22仅包含22个精选特征,计算速度远快于传统的大规模特征集。
通用性: 这些特征在93个真实世界的时间序列分类问题上表现出色,具有广泛的适用性。
跨平台: 提供C、Python、R、Matlab和Julia等多种语言接口,适用于不同的开发环境。
开源免费: 采用GNU GPL v3开源许可证,研究人员和开发者可以自由使用和修改。
可扩展性: 除了核心的22个特征外,用户还可以根据需要添加均值和标准差等基本统计量。

catch22的工作原理

catch22的22个特征涵盖了时间序列的多个方面,包括:

分布统计量
线性相关性
非线性自相关性
熵和复杂度度量
波动和趋势分析

这些特征能够捕捉时间序列数据的重要动态特性,为后续的分类、聚类或异常检测等任务提供有价值的输入。

在实际应用中的表现

研究表明,catch22在多个领域的时间序列分类任务中表现出色。下图展示了catch22与包含7000多个特征的hctsa特征集在93个分类问题上的性能对比:

可以看出,catch22虽然只有22个特征,但其分类性能与hctsa特征集相当,甚至在某些问题上表现更好。这充分说明了catch22特征的有效性和泛化能力。

如何使用catch22

catch22提供了多种编程语言的接口,用户可以根据自己的开发环境选择合适的版本:

Python: pip install pycatch22
R: install.packages("Rcatch22")
Julia: Pkg.add("Catch22")
Matlab: 可直接使用C编译的MEX文件
C: 可直接编译使用核心C代码

详细的安装和使用说明可以在catch22的官方文档中找到。

注意事项

在使用catch22时,有以下几点需要注意:

catch22主要关注时间序列的动态特性,不考虑数据的绝对位置和尺度。如果这些信息对你的应用很重要,可以额外计算均值和标准差。
数据会在内部进行z-score标准化,因此常数序列可能导致NaN输出。
输入数据应为等间隔采样的时间序列,不需要提供时间戳信息。
使用catch22时请注明所用版本,以确保结果的可重复性。

总结与展望

catch22作为一个高效、通用的时间序列特征提取工具包,为时间序列分析和机器学习研究提供了有力的支持。它在保持较高分类性能的同时,大大降低了计算复杂度,使得在大规模数据集上进行特征提取成为可能。

未来,catch22有望在更多领域得到应用,如金融市场分析、工业设备监控、生物医学信号处理等。同时,研究人员也可以基于catch22的框架,开发针对特定领域的定制化特征集,进一步提升分析效果。

总的来说,catch22为时间序列数据挖掘开辟了一条高效、实用的新路径,值得学术界和工业界持续关注和探索。

参考文献

Lubba, C. H., Sethi, S. S., Knaute, P., Schultz, S. R., Fulcher, B. D., & Jones, N. S. (2019). catch22: CAnonical Time-series CHaracteristics. Data Mining and Knowledge Discovery, 33(6), 1821-1852.
catch22 GitHub repository: https://github.com/DynamicsAndNeuralSystems/catch22
catch22 documentation: https://time-series-features.gitbook.io/catch22/