HIERVAR: A Hierarchical Feature Selection Method for Time Series Analysis

时间序列分类是金融、医疗和工业系统等各个领域中一个关键且复杂的挑战。在当代研究中，人们越来越注重通过随机抽样进行特征提取。与深度卷积网络不同，这些方法避开了复杂的训练过程，但它们通常需要生成大量特征来全面地概括时间序列的细微差别。因此，有些特征可能与标签缺乏相关性或与其他特征存在多重共线性。在本文中，我们提出了一种新的层次特征选择方法，辅以ANOVA方差分析，以解决这个问题。通过精心的实验，我们证明了我们的方法在保持准确性的同时，可以将特征数量大幅减少94%以上，这是时间序列分析和特征选择领域的一个重大进展。

本论文旨在解决时间序列分类中的特征提取问题，提出一种基于ANOVA方差分析的分层特征选择方法。

本论文提出的分层特征选择方法能够在保持准确率的前提下，将特征数量减少94%以上。

论文通过实验验证了提出的方法的有效性，并且与其他方法进行了比较。实验使用了多个数据集，并且提供了开源代码。值得进一步研究的是如何将该方法应用于其他领域。

近期相关研究包括：1. Deep Learning for Time-Series Analysis. 2. A Survey on Time Series Classification. 3. Feature Extraction and Selection for Time Series Classification: A Review.