Multivariate time series (MTS) are collected for different variables in studying scientific phenomena or monitoring system health where one time series records the values of one variable for a time period. Among the different variables, it is common that only a few variables contribute significantly to a specific phenomenon. Furthermore, the variables contributing significantly to different phenomena are often different. We denote the different variables that contribute to the occurrences of different phenomena as Phenomenon-specific Variables (PVs). In this paper, we formulate a novel problem of identifying significant PVs from MTS datasets. To solve the newly introduced problem, we propose a solution framework, $\mathrm{CNN}_{mts}-X$ , which is a new variant of the Convolutional Neural Networks (CNN) and can embed other feature extraction techniques (as X). Furthermore, we design a $\mathrm{CNN}_{mts}-LR$ method that implements a new feature identification approach (LR) as X in the $\mathrm{CNN}_{mts}-X$ framework. The LR method leverages both Linear Discriminant Analysis (LDA) and Random Forest (RF). Our extensive experiments on four real datasets show that the $\mathrm{CNN}_{mts}-LR$ method has exhibited much better performance than several other baseline methods. Using 30% of the PVs discovered from the $\mathrm{CNN}_{mts}-LR$ , classifications can achieve better or similar performance than using all the variables.

中文翻译：

---

为多元时间序列识别重要的特定于现象的变量

多变量时间序列 (MTS) 在研究科学现象或监测系统健康状况时为不同变量收集，其中一个时间序列记录一个时间段内一个变量的值。在不同的变量中，通常只有少数变量对特定现象有显着影响。此外，对不同现象有显着贡献的变量通常是不同的。我们将导致不同现象发生的不同变量表示为现象特定变量 (PV)。在本文中，我们提出了一个从 MTS 数据集中识别重要 PV 的新问题。为了解决新引入的问题，我们提出了一个解决方案框架 $\mathrm{CNN}_{mts}-X$ ，这是卷积神经网络 (CNN) 的新变体，可以嵌入其他特征提取技术（如 X）。此外，我们设计了一个 $\mathrm{CNN}_{mts}-LR$ 方法，它在 $\mathrm{CNN}_{mts}-X$ 框架中实现了一种新的特征识别方法（LR）作为 X。LR 方法利用线性判别分析 (LDA) 和随机森林 (RF)。我们在四个真实数据集上的大量实验表明，$\mathrm{CNN}_{mts}-LR$ 方法比其他几种基线方法表现出更好的性能。使用从 $\mathrm{CNN}_{mts}-LR$ 中发现的 PV 的 30%，分类可以获得比使用所有变量更好或相似的性能。我们设计了一个 $\mathrm{CNN}_{mts}-LR$ 方法，它在 $\mathrm{CNN}_{mts}-X$ 框架中实现了一种新的特征识别方法（LR）作为 X。LR 方法利用线性判别分析 (LDA) 和随机森林 (RF)。我们在四个真实数据集上的大量实验表明，$\mathrm{CNN}_{mts}-LR$ 方法比其他几种基线方法表现出更好的性能。使用从 $\mathrm{CNN}_{mts}-LR$ 中发现的 PV 的 30%，分类可以获得比使用所有变量更好或相似的性能。我们设计了一个 $\mathrm{CNN}_{mts}-LR$ 方法，它在 $\mathrm{CNN}_{mts}-X$ 框架中实现了一种新的特征识别方法（LR）作为 X。LR 方法利用线性判别分析 (LDA) 和随机森林 (RF)。我们在四个真实数据集上的大量实验表明，$\mathrm{CNN}_{mts}-LR$ 方法比其他几种基线方法表现出更好的性能。使用从 $\mathrm{CNN}_{mts}-LR$ 中发现的 PV 的 30%，分类可以获得比使用所有变量更好或相似的性能。