5.1.2 从特定情况的子序列中获取 shapelet 候选集........................................ 47
第五章 基于 shapelet 的时间序列分类算法应用研究
5.1 构建分类模型
本研究的目的是提供一种基于 shapelet 的时间序列分类算法，从而判断是否发生交通事故，具体步骤如下（流程图见图 5.1）。
图 5.1 实验具体流程图
5.1 构建分类模型
本研究的目的是提供一种基于 shapelet 的时间序列分类算法，从而判断是否发生交通事故，具体步骤如下（流程图见图 5.1）。
在这个阶段，使用训练阶段创建的分类模型对时间序列数据集进行分类。通过计算最终 shapelet 集与测试集中时间序列的距离，对时间序列数据进行分类，把原始数据集中的时间序列分成堵塞和不堵塞的时间序列，再对堵塞时间序列数据进一步分类，通过 shapelet 的配置文件判断堵塞原因属于事故还是非事故。与配置文件的信息对比可以得到相似时间序列被分类为事故或非事故的次数百分比、当前时间序列与同时段历史时间序列有多少相似度、当前堵塞情况是因为事故还是常态，这些信息可以帮助决策部门快速了解堵塞发生的原因，从而解决该路段的堵塞问题。
................................
第六章 总结与展望
6.1 本文工作总结
本文针对基于 shapelet 的 TSC 算法进行研究和改进，主要改进包括相似性度量方法、shapelet 提取算法和 shapelet 转换数据的算法，并通过对现实交通领域中的数据集进行实验验证基于 shapelet 的时间序列分类算法的应用研究，本文的三四章分别介绍了两个基于 shapelet 的时间序列分类算法改进方法的详细描述和实验对比结果，第五章使用基于 shapelet 的时间序列分类算法对交通领域中是否发生交通事故进行判断，本文的主要研究工作如下：
（1）基于 LDTW-Shapelet 的时间序列分类算法研究
针对从原始时间序列数据集中的时间序列上直接提取 shapelet 存在大量相似shapelet 生成，从而导致提取速度慢的问题，提出一种基于 LSH-DTW 的相似性度量改进方法。首先提出一种将局部敏感哈希函数（LSH）和 DTW 结合的相似性度量改进方法，对原始时间序列数据集进行预处理，去除大量相似序列；然后再通过 shapelet学习算法提取 shapelet；最后使用提取出的 shapelet 对时间序列数据集进行分类。
（2）基于单类 shapelet 转换的时间序列分类研究
Shapelet 如今已经成为 TSC 算法中重要的分类依据，作为时间序列上具有较高区分度的子序列，能够准确地对时间序列数据进行分类。使用 shapelet 来转换数据集可以将时间序列数据转换为普通数据再进行分类。传统 shapelet 的质量评估标准是计算shapelet 分割时间序列数据中所有类的能力，这样就会导致对多类时间序列数据分类的准确率较低。基于此问题，提出单类 shapelet 的概念，通过早期放弃子序列计算方法来简化 shapelet 质量评估计算，从而加快实验速度，并提高多类时间序列数据分类的准确度。
（3）基于 shapelet 的时间序列分类算法应用研究
展示一种基于快速提取 shapelet 的分类算法判断交通事故的方法。研究的创新之处在于能够快速提取 shapelet 候选集，并筛选出具有较高区分度的不相似 shapelet，再用其对时间序列数据进行分类，并且编辑 shapelet 配置文件，通过这个配置文件进一步判断当前堵塞属于正常状况还是出现交通事故。
参考文献（略）
