时序数据分析：工业时序数据的特点
时序数据挖掘和一般数据挖掘的本质相同，寻找表面数据背后种的不变量(Invariant)，这种不变量可能为变量的分布范围，也可能是多个变量间的关系函数。时序数据与独立同分布数据集的重要区别：相邻点间的时间依赖性，其复杂性来自于两方面，一是多尺度，不同尺度上的依赖性不同，不同尺度上的机制不同；二是多变量交互作用。时序算法的本质：如何刻画这种依赖性，如何利用这些依赖性（动态性或周期性）。
在工业应用，时序分析有如下额外的特点，使得其和一般时序分析有所不同。
1)变量间关系存在着部分先验知识，可由定性的因果图或静态/动态方程刻画，为分析建模提供了部分输入；
2)存在外生变量的影响（工况）或未知影响因素，例如设备的本身一些状态、一些临时性未被记录的操作动作，数据和模型都需要从业务场景的角度去审视，提高思考的全面性；
3)标记数据缺乏或不完备，数据类别严重不均衡；
4)时序数据经常存在着中断。常见的时序监督学习问题见表。
时间序列分类常常用于设备异常类型、工况状态识别等场景，用以判断每个给定时序段的类型。根据分类对象，可分为两种情况：
1)连续序列中的点分类问题，即判断每个时间点的类型，例如基于设备的连续状态监测数据，判断设备是否处于正常状态，或出现了某种故障状态；
2)短时序的分类问题，即判断一个时序的类别，例如根据检测数据（如手持仪器的检测数据）进行设备状态类别研判，又如，根据批次生产过程数据（例如每支钢轨的轧制过程、生物发酵过程），研判产品质量。
基础的时序结构处理方法包括：
1)隐含状态及其转移规律的提取，采用ARIMA、HMM、状态方程、LSTM等算法；
2)获取典型形态，例如Subsequence Pattern Template(Shapelet)、SAX等方法；
3)频域特征或时频域特征，通常采用FFT、Wavelet等算法；
4)结构简化，典型算法包括Sparse FFT、Sparse PCA、PCA、SOM、RBM等。
在多尺度、多变量、时序依赖度等维度上，也有不少常用的算法组合策略，例如，用Wavelet提取多尺度的时空特征，然后采用PCA/CNN做特征降维或提取；利用SOM/RBM进行子空间(Subspace)提取，然后利用CNN等分类算法进行建模。
