摘要：如何提取和选择时间序列的特征是时间序列分类领域两个重要的问题。该文提出MNOE（MiningNon-OverlapEpisode）算法计算时间序列中的非重叠频繁模式，并将其作为时间序列特征。基于这些非重叠频繁模式，该文提出EGMAMC（EpisodeGeneratedMixedmemoryAggregationMarkovChain）模型描述时间序列。根据似然比检验原理，从理论上推导出频繁模式在时间序列中出现的次数和EGMAMC模型是否能显著描述时间序列之间的关系；根据信息增益定义，选择能显著描述时间序列的频繁模式作为时间序列特征输入分类模型。在UCIfUniversityofCaliforniaIrvinel公共数据集和实际智能楼宇数据集上的实验表明，选择频繁模式作为特征进行分类的准确率、召回率和F-Measure均优于不选择频繁模式作为特征的分类结果。高效的计算和有效的选择非重叠频繁模式作为时间序列特征有助于提高时间序列分类模型的各项评价指标。

关键词：时间序列分类 频繁模式挖掘 智能楼宇 

单位：北京邮电大学网络与交换技术国家重点实验室 北京100876 东信北邮信息技术有限公司 北京100191 卡耐基梅隆大学 匹兹堡15213