基于SAX的时间序列分类

　　分类问题是数据挖掘中的基本问题之一，时间序列的特征表示及相似性度量是时间序列数据挖掘中分类、聚类及模式发现等任务的基础。SAX方法是一种典型的时间序列符号化表示方法，在采用该方法的基础上对时间序列进行分类，不仅可以有效地降维、降噪，而且具有简单、直观等特点，但是该方法有可能造成信息损失并影响到分类结果的准确性。为了弥补信息损失对分类结果的影响，采用了集成学习中大多数投票方法来弥补BOP表示后的信息损失，从而提高整个分类器的效率。针对一些样本在BOP表示中都损失了相似的重要信息，以至于大多数投票无法进一步提高分类效率的问题，进一步提出了结合集成学习中AdaBoost算法，通过对训练样本权重的调整，从而达到以提高分类器性能来弥补信息损失的效果。实验结果表明，将BOP方法与集成学习相结合的方法框架，不仅能很好地处理SAX符号化表示中的信息损失问题，而且与已有方法相比，在分类准确度方面也有显著的提高。