InceptionTime：为时间序列分类寻找AlexNet

这是我们发表在《数据挖掘与知识发现》上并可在 ArXiv 上获取的论文《InceptionTime：为时间序列分类寻找AlexNet》的配套代码库。

Inception 模块

inception 模块

数据

本项目使用的数据来自 UCR/UEA 存档。我们使用了这里列出的 85 个数据集。

要求

您需要安装 requirements.txt 文件中列出的以下软件包。

代码

代码分为以下几部分：

main.py 文件包含运行实验所需的代码。
utils 文件夹包含读取数据集和可视化图表所需的函数。
classifiers 文件夹包含两个 Python 文件：(1) inception.py 包含 inception 网络；(2) nne.py 包含集成一组 Inception 网络的代码。

为您的电脑调整代码

首先，您应该考虑更改这一行。这是所有内容（数据和结果）的根目录，我们称之为 root_dir。

之后，您应该在 root_dir 中创建一个名为 archives 的文件夹，其中应包含 UCR_TS_Archive_2015 文件夹。后者将为每个数据集包含一个名为 dataset_name 的文件夹，可以从该网站下载。

数据集的名称在这里列出。您可以注释掉这一行以在所有数据集上运行实验。

完成所有这些后，您就可以在单个存档上进行运行了。

在单个存档上运行 InceptionTime

您应该执行以下命令：python3 main.py InceptionTime。

在单个存档上为 InceptionTime 运行超参数搜索

您应该执行以下命令：python3 main.py InceptionTime_xp。

在InlineSkate数据集上运行长度实验

首先，您应该执行以下命令 python3 main.py run_length_xps 来生成重采样数据。然后，您应该执行以下命令 python3 main.py InceptionTime，但请确保在这里选择了 InlineSkateXPs。

感受野

要在合成数据集上运行实验，您应该执行以下命令 python3 receptive.py。

结果

每个数据集的结果（即准确率）将位于 root_dir/results/nne/incepton-0-1-2-4-/UCR_TS_Archive_2015/dataset_name/df_metrics.csv。

原始结果可以在这里找到，并使用以下命令生成 python3 main.py generate_results_csv。

我们添加了UCR归档中128个数据集的完整结果，可以在这里找到。

results-inception-128.csv文件包含了Inception模型在UCR 2018归档的128个数据集上的五次独立运行结果。

临界差异图

如果您想生成这样的图表，请查看这段代码！

临界差异图

训练时间图

这些图表是使用matplotlib库生成的。

训练时间与训练集大小的关系	训练时间与序列长度的关系

感受野

这个图表是通过执行以下命令生成的 python3 receptive.py plot_results。

感受野效果	深度效果

参考文献

如果您重复使用这项工作，请引用：

@article{IsmailFawaz2020inceptionTime,
  标题                    = {InceptionTime: 为时间序列分类寻找AlexNet},
  作者                   = {Ismail Fawaz, Hassan 和 Lucas, Benjamin 和 Forestier, Germain 和 Pelletier, Charlotte 和 Schmidt, Daniel F. 和 Weber, Jonathan 和 Webb, Geoffrey I. 和 Idoumghar, Lhassane 和 Muller, Pierre-Alain 和 Petitjean, François},
  期刊                  = {数据挖掘与知识发现},
  年份                     = {2020}
}

致谢

我们要感谢UCR/UEA档案库的提供者。我们还要感谢NVIDIA公司提供的Quadro P6000赠款，以及斯特拉斯堡中央计算中心提供的集群访问权限。