多変量時系列を2次元色の画像としてエンコードすることにより、畳み込みニューラルネットワークを使用したセンサー分類

このペーパーでは、多変量時系列センサーデータを入力として使用して、センサー分類を実行するフレームワークを提案します。このフレームワークは、多変量時系列データを2次元色の画像にエンコードし、畳み込みニューラルネットワーク（Convnet）を介して分類のために画像を1つの大きな画像に連結します。この研究では、3つの変換方法を適用して、時系列を画像にエンコードしました：グラミアン角合成フィールド（GASF）、グラミアン角度差フィールド（GADF）、およびマルコフ遷移フィールド（MTF）。2つのオープンな多変量データセットを使用して、異なる変換方法、連結画像のシーケンス、および分類精度に関する慣習アーキテクチャの複雑さを使用することの影響を評価しました。結果は、変換方法の選択と連結のシーケンスが予測の結果に大きく影響しないことを示しています。驚くべきことに、Convnetの単純な構造は、vggnetの複雑な構造と等しく機能したため、分類に十分な分類です。結果を他の分類方法と比較し、提案されたフレームワークが分類精度の観点から他の方法よりも優れていることを発見しました。

This paper proposes a framework to perform the sensor classification by using multivariate time series sensors data as inputs. The framework encodes multivariate time series data into two-dimensional colored images, and concatenate the images into one bigger image for classification through a Convolutional Neural Network (ConvNet). This study applied three transformation methods to encode time series into images: Gramian Angular Summation Field (GASF), Gramian Angular Difference Field (GADF), and Markov Transition Field (MTF). Two open multivariate datasets were used to evaluate the impact of using different transformation methods, the sequences of concatenating images, and the complexity of ConvNet architectures on classification accuracy. The results show that the selection of transformation methods and the sequence of concatenation do not affect the prediction outcome significantly. Surprisingly, the simple structure of ConvNet is sufficient enough for classification as it performed equally well with the complex structure of VGGNet. The results were also compared with other classification methods and found that the proposed framework outperformed other methods in terms of classification accuracy.