So sánh hiệu quả các kỹ thuật biểu diễn ảnh hai chiều từ dữ liệu chuỗi thời gian một chiều cho bài toán phân loại bằng mạng nơ-ron tích chập nhẹ

Tóm tắt

Phân loại chuỗi thời gian là bài toán quan trọng trong giám sát cảm biến, y tế, công nghiệp và phân tích dữ liệu tài chính. Bên cạnh hướng xử lý trực tiếp chuỗi một chiều, chuyển đổi chuỗi thời gian thành ảnh hai chiều cho phép mạng nơ-ron tích chập khai thác cấu trúc không gian của tín hiệu. Nghiên cứu này không đề xuất một phép biến đổi ảnh mới, mà tập trung xây dựng một khung so sánh có kiểm soát và có khả năng tái lập giữa bốn kỹ thuật biểu diễn ảnh hai chiều phổ biến, gồm Gramian Angular Field, Markov Transition Field, Recurrence Plot và ảnh phổ thời gian - tần số dựa trên biến đổi Fourier thời gian ngắn. Các biểu diễn ảnh được đưa vào cùng một kiến trúc Light 2D-CNN, trong khi mô hình 1D-CNN được dùng làm đối chứng với chuỗi gốc. Thực nghiệm được tiến hành trên năm bộ dữ liệu thuộc UCR Time Series Archive, gồm Coffee, ECG200, FordA, GunPoint và Wafer. Thiết lập thực nghiệm sử dụng ảnh đầu vào 64 × 64, 50 vòng huấn luyện, kích thước lô 32 và ba giá trị khởi tạo ngẫu nhiên; các lần chạy lặp trong cùng một seed được lấy trung bình trước khi tổng hợp. Kết quả cho thấy không có kỹ thuật biểu diễn hai chiều nào vượt trội trên mọi bộ dữ liệu. Mô hình 1D-CNN đạt hiệu năng cao nhất với độ chính xác 74,57% và Macro F1-score 62,70%. Trong nhóm biểu diễn hai chiều, Recurrence Plot đạt kết quả tốt nhất với độ chính xác 71,88% và Macro F1-score 59,20%, đồng thời đạt hiệu quả cao nhất trên FordA và Wafer. Mặc dù các mô hình hai chiều nhẹ có số tham số thấp hơn 1D-CNN, thời gian huấn luyện lại dài hơn. Kết quả cho thấy biểu diễn ảnh hai chiều có thể hữu ích với dữ liệu có cấu trúc lặp hoặc động lực học, nhưng cần được lựa chọn theo đặc điểm tín hiệu, độ phức tạp mô hình và ràng buộc triển khai.