时间序列的早期分类：分类体系和基准

本文首次研究流式事件中早期分类与准确性的平衡优化，发现过去的算法可用于新问题。

提出新算法TEASER，将早期时间序列分类建模为两个级别的分类问题，预测速度比竞争对手快两至三倍，且分类准确性相同或更高。

系统回顾了针对一元和多元时间序列早期分类的各种方法，分类为基于前缀、基于形状、基于模型和其他方法，并讨论了其在医疗、金融和智能交通等领域的应用。

提出基于ELECTS的模型，通过训练远程感知卫星获取的时间序列数据，提高农作物分类的准确性和判断速度，同时减少数据处理量。

时间序列分类是时间序列挖掘中的重要任务，介绍了一种以效率为目标的新方法，实验结果显示该方法在速度和准确性上优于其他高效方法。

对时间序列分类中的相似度测量方法进行了广泛评估，提出一致的评估标准和基准措施的建议。

基于特征的方法在时间序列分类中表现出与先进算法相同的准确性，值得在文献中获得更多关注。