Time series classification is an important research topic in machine learning and data mining communities, since time series data exist in many application domains. Recent studies have shown that machine learning algorithms could benefit from good feature representation, explaining why deep learning has achieved breakthrough performance in many tasks. In deep learning, the convolutional neural network (CNN) is one of the most well-known approaches, since it incorporates feature learning and classification task in a unified network architecture. Although CNN has been successfully applied to image and text domains, it is still a challenge to apply CNN to time series data. This paper proposes a tensor scheme along with a novel deep learning architecture called multivariate convolutional neural network (MVCNN) for multivariate time series classification, in which the proposed architecture considers multivariate and lag-feature characteristics. We evaluate our proposed method with the prognostics and health management (PHM) 2015 challenge data, and compare with several algorithms. The experimental results indicate that the proposed method outperforms the other alternatives using the prediction score, which is the evaluation metric used by the PHM Society 2015 data challenge. Besides performance evaluation, we provide detailed analysis about the proposed method.

中文翻译：

---

使用多元卷积神经网络进行时间序列分类

时间序列分类是机器学习和数据挖掘社区的一个重要研究课题，因为时间序列数据存在于许多应用领域。最近的研究表明，机器学习算法可以从良好的特征表示中受益，这解释了为什么深度学习在许多任务中取得了突破性的性能。在深度学习中，卷积神经网络 (CNN) 是最著名的方法之一，因为它将特征学习和分类任务结合在一个统一的网络架构中。尽管 CNN 已经成功应用于图像和文本领域，但将 CNN 应用于时间序列数据仍然是一个挑战。本文提出了一种张量方案以及一种称为多元卷积神经网络 (MVCNN) 的新型深度学习架构，用于多元时间序列分类，其中所提出的架构考虑了多元和滞后特征特征。我们使用预测和健康管理 (PHM) 2015 挑战数据评估我们提出的方法，并与几种算法进行比较。实验结果表明，所提出的方法使用预测分数优于其他替代方案，这是 PHM Society 2015 数据挑战使用的评估指标。除了性能评估外，我们还提供了有关所提出方法的详细分析。我们使用预测和健康管理 (PHM) 2015 挑战数据评估我们提出的方法，并与几种算法进行比较。实验结果表明，所提出的方法使用预测分数优于其他替代方案，这是 PHM Society 2015 数据挑战使用的评估指标。除了性能评估外，我们还提供了有关所提出方法的详细分析。我们使用预测和健康管理 (PHM) 2015 挑战数据评估我们提出的方法，并与几种算法进行比较。实验结果表明，所提出的方法使用预测分数优于其他替代方案，这是 PHM Society 2015 数据挑战使用的评估指标。除了性能评估外，我们还提供了有关所提出方法的详细分析。