时间序列分类：基于深度学习的时间序列分类

我一直在使用 CMAPSS 数据集（最初为预后、预测和预测而开发，可在此处获得： http ://ti.arc.nasa.gov/tech/dash/pcoe/prognostic-data-repository/）并指出在一些论文中，它用于分类或聚类。 我在这里放了一个简单的代码来生成“状态/集群/类”，其他研究人员可以将其用于比较目的（如果文件中没有更改参数）。 即使我确实尝试了很多，它也可以用于其他数据集。 条件是信号应该是“相当”单调的（代码中有过滤）并且在 [0,1] 中。

包含主流时间序列分类算法，包括shapelet相关算法，程序包来自文章The Great Time Series Classification Bake Off: An Experimental Evaluation of Recently Proposed Algorithms.

用于时间序列分类的多元LSTM-FCN MLSTM FCN模型（来自 FCN）使用最新的单变量时间序列模型（来自的最新的单变量时间序列模型，LSTM-FCN和ALSTM-FCN来增强挤压和激励块。 对于LSTM-FCN和ALSTM-FCN模型的代码可以在这里找到 。 安装 下载存储库并应用pip install -r requirements.txt安装所需的库。 具有Tensorflow后端的Keras已用于开发模型，并且目前不支持Theano或CNTK后端。 权重尚未通过这些后端进行测试。 注意：所有模型的“输入”层的输入都将被预先混洗为形状（“批量大小”，“变量数”，“时间步数”）

数据类型：tsv格式，可以用Excel打开，数据的第0列为类别标签，第1列往后为时间序列数据。博文地址： https://blog.csdn.net/DoReAGON/article/details/107047855

一种基于CNN模型多元时间序列分类结构，佘强，李静林，多元时间序列分类问题是时间序列挖掘领域中的重要问题，目前的常规做法是使用基于欧氏距离或 DTW 距离的K近邻分类模型，或基于统计

针对RNN中存在的序列分类问题进行分析，采用 python语言编写代码实现

Time Series Shapelets A New Primitive for Data Mining shapelets论文2009

利用LSTM进行多标签时间序列分类

深度神经网络LSTM处理序列分类问题的应用，LSTM——Long Short Term Memory Networks 长短期记忆神经网络。