在线分类在流式深度学习中的时间序列应用

使用深度学习在不同速度和漂移下进行数据流分类 流中深度学习的时间序列分类 处理高速到达的数据流需要开发可以提供快速而准确的预测的模型。 尽管深度神经网络是许多机器学习任务的最新技术，但它们在实时数据流场景中的性能仍是尚未完全解决的研究领域。 然而，最近有努力通过降低处理速度来使复杂的深度学习模型适用于流任务。 异步双管道深度学习框架的设计允许对传入的实例进行预测，并使用两个单独的层同时更新模型。 这项工作的目的是评估使用此框架进行数据流分类的不同类型的深层体系结构的性能。 我们在模拟为流的几个时间序列数据集上评估诸如多层感知器，递归，卷积和时间卷积神经网络等模型。 此外，我们评估了不同的架构如何应对不断变化的数据流中通常出现的概念漂移。 获得的结果表明，卷积体系结构在准确性和效率方面实现了更高的性能。 时间序列分类实验 解压缩时间序列数据 cd data unzip data.zip c