# Time-Series-Classification-based-on-KNN

**Repository Path**: wang-yue12/Time-Series-Classification-based-on-KNN

## Basic Information

- **Project Name**: Time-Series-Classification-based-on-KNN
- **Description**: 基于KNN聚类算法结合Dynamic Time Warping（动态时间调整）的时间序列分类
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2021-05-12
- **Last Updated**: 2025-03-06

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Time-Series-Classification-based-on-KNN

时间序列分类应用于各种各样的场合，与通常所分类的数据不一样，时间序列的特征就包含在它自身以内，包括振幅、频率、周期等。
这里使用了传统的机器学习方法**K-NearestNeighbor**结合**Dynamic Time Warping（动态时间规整）** 进行时间序列分析，针对开源数据集:[UCR Time Series Classification Archive](https://www.cs.ucr.edu/~eamonn/time_series_data_2018/)
最高精度可达**97%**
## K-NearestNeighbor
这是一种十分简单却很实用的聚类算法，KNN总的来说可以归结于一句话：**物以类聚，人以群分**。KNN的关键点在于**如何度量物的相似度**，尤其是当处理时间序列这一类由于时延、噪声等干扰因素所具有极其不稳定的特点的数据时。关于KNN的具体细节可以[查看维基](https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm)

## Dynamic Time Warping
DTW算法是用于求解两个时间序列之间的**最大相似度**，有关于它的细节可以[查看这篇博文](https://www.jianshu.com/p/4c905853711c)，在这里使用DTW来度量时间序列的相似度

## Result
以[UCR Time Series Classification Archive](https://www.cs.ucr.edu/~eamonn/time_series_data_2018/)的**Chinatown**和**SmoothSubspace**为例
![](https://raw.githubusercontent.com/iwuqing/Time-Series-Classification-based-on-KNN/master/accuracy.png)