Teaching and Research

教学科研

教学科研

近日,工商管理学院2017级信息管理与信息系统本科生、数据科学与创新管理课题组贾瑞颖同学,在信息管理系李海林教授指导下,在信息科学和管理领域中的国内外重要期刊《Expert Systems with Applications》(简称ESWA)和《电子科技大学学报》分别发表题为“Time series classification based on complex network”和“ 基于K-Shape的时间序列模糊分类方法”的学术研究成果,这标志着关于时间序列数据分类问题的相关研究取得新进展。

《Expert Systems with Applications》被认为是人工智能、运筹学与管理科学等领域的最重要国际期刊之一,2020年影响因子为6.954,被SCI检索,隶属于中科院期刊一区及TOP期刊。《电子科技大学学报》为双月刊并被EI检索,是信息通信领域高质量科技期刊,与《中国科学:信息科学》《通信学报》等其它12种高水平期刊被列为信息通信领域的T1等级。

贾瑞颖同学参与的数据科学与创新管理课题组由李海林教授组建,主要以数据科学和创新管理为双驱动,探索新理论和新方法在解决实际管理科学问题中实现数据赋能。时间序列分类、聚类和预测等数据挖掘与分析已经成为当下数据研究领域中最具有突出价值的问题之一,而时间序列分类算法则是时间序列研究领域中一个重要的主题。复杂网络在分类、聚类领域都取得了成功,也推动了在时间序列方面的研究。目前,应用于时间序列分类方面的算法很多都忽略了序列原始形态特征的影响。为此,从形态特征的角度出发,结合复杂网络提出了相应的解决办法以提高时间序列的分类精度。主要工作如下:

(1)提出基于k-shape的时间序列模糊分类算法。通过获得训练集各个类别数据的聚类中心群,将聚类中心群作为时间序列数据模糊分类的初始聚类中心,再利用FCM输出测试集序列对应的模糊隶属度矩阵,最后根据隶属度最大原则来确定测试时间序列数据的类别标签,进而实现分类。实验结果证明,与传统的分类算法相比,该方法有较高的分类准确率。

image.png

(2)提出基于复杂网络的时间序列分类算法。通过将时间序列转换为复杂网络,并把提取到的特征作为原始数据利用随机森林进行分类,从而开辟了一个新的分类角度。为了进一步探索复杂网络众多特征中哪些特征相对重要,在基尼指数的基础上,利用随机森林的importance功能计算各个特征的重要性,并使用层次分析法计算各特征的权重。为了验证特征之间确实存在差异,将权重赋予特征矩阵。实验结果证明,该方法有较优的分类效果。

image.png

此次研究成果发表受到了国家自然科学基金和福建省自然科学基金的支持,标志学院本科生在科学研究培养上取得新的突破,同时也为今后开展本科生的学术研究、课程建设提供良好借鉴。目前贾瑞颖已成功推免至武汉理工大学攻读硕士研究生,研究生期间她将继续进行复杂网络方向的研究。