Time Series Classification

1. Without data representation

• 원본 시계열 데이터를 입력으로 활용하는 time series classification에 대한 설명
• 입력 데이터 형태 : (num_of_instance, input_dims, time_steps) 차원의 다변량 시계열 데이터(multivariate time-series data)

Time series classification 사용 시, 설정해야하는 값

• model : ['LSTM', 'GRU', 'CNN_1D', 'LSTM_FCNs'] 중 선택

• best_model_path : 학습 완료된 모델을 저장할 경로

• 시계열 분류 모델 hyperparameter : 아래에 자세히 설명.

  • LSTM hyperparameter
  • GRU hyperparameter
  • 1D-CNN hyperparameter
  • LSTM_FCNs hyperparameter

시계열 분류 모델 hyperparameter

1. LSTM & GRU (w/o data representation)

• input_size : 데이터의 변수 개수, int
• num_classes : 분류할 class 개수, int
• num_layers : recurrent layers의 수, int(default: 2, 범위: 1 이상)
• hidden_size : hidden state의 차원, int(default: 64, 범위: 1 이상)
• dropout : dropout 확률, float(default: 0.1, 범위: 0 이상 1 이하)
• bidirectional : 모델의 양방향성 여부, bool(default: True)
• num_epochs : 학습 epoch 횟수, int(default: 150, 범위: 1 이상)
• batch_size : batch 크기, int(default: 64, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
• lr : learning rate, float(default: 0.0001, 범위: 0.1 이하)
• device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)

2. 1D CNN (w/o data representation)

• input_size : 데이터의 변수 개수, int
• num_classes : 분류할 class 개수, int
• seq_len : 데이터의 시간 길이, int
• output_channels : convolution layer의 output channel, int(default: 64, 범위: 1 이상, 2의 지수로 설정 권장)
• kernel_size : convolutional layer의 filter 크기, int(default: 3, 범위: 3 이상, 홀수로 설정 권장)
• stride : convolution layer의 stride 크기, int(default: 1, 범위: 1 이상)
• padding : padding 크기, int(default: 0, 범위: 0 이상)
• dropout : dropout 확률, float(default: 0.1, 범위: 0 이상 1 이하)
• num_epochs : 학습 epoch 횟수, int(default: 150, 범위: 1 이상)
• batch_size : batch 크기, int(default: 64, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
• lr : learning rate, float(default: 0.0001, 범위: 0.1 이하)
• device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)

3. LSTM-FCNs (w/o data representation)

• input_size : 데이터의 변수 개수, int
• num_classes : 분류할 class 개수, int
• num_layers : recurrent layers의 수, int(default: 1, 범위: 1 이상)
• lstm_drop_out : LSTM dropout 확률, float(default: 0.4, 범위: 0 이상 1 이하)
• fc_drop_out : FC dropout 확률, float(default: 0.1, 범위: 0 이상 1 이하)
• num_epochs : 학습 epoch 횟수, int(default: 150, 범위: 1 이상)
• batch_size : batch 크기, int(default: 64, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
• lr : learning rate, float(default: 0.0001, 범위: 0.1 이하)
• device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)

2. With data representation

• 원본 시계열 데이터를 representation vector로 변환한 데이터를 입력으로 활용하는 time series classification에 대한 설명
• 입력 데이터 형태 : (num_of_instance, embedding_dim) 차원의 다변량 시계열 데이터(multivariate time-series data)

Time series classification 사용 시, 설정해야하는 값

• model : 'FC' 선택

• best_model_path : 학습 완료된 모델을 저장할 경로

• 시계열 분류 모델 hyperparameter : 아래에 자세히 설명.

  • FC hyperparameter

데이터 표상 분류 모델 hyperparameter

1. FC (w/ data representation)

• input_size : 데이터의 변수 개수, int
• num_classes : 분류할 class 개수, int
• dropout : dropout 확률, float(default: 0.1, 범위: 0 이상 1 이하)
• bias : bias 사용 여부, bool(default: True)
• num_epochs : 학습 epoch 횟수, int(default: 150, 범위: 1 이상)
• batch_size : batch 크기, int(default: 64, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
• lr : learning rate, float(default: 0.0001, 범위: 0.1 이하)
• device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)