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1）多尺度，不同尺度上的依赖性不同，不同尺度上的机制不同；2）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(动态性或则周期性）。
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如下表所示。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2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。
对象 | 描述 | 处理方式 | |
分类 | 点 分 类 | 在某个时间点上发生了异常事件 每个时间点的结果是一个类别变量（例如，水质水平） | 转化为预测问题（距离事件点的远近的风险值） 滑动窗口转为短TS分类 |
短序列分类 | 一个短时序是一个类别。例如，每支钢的轧制过程、每个发酵批次 | TS Classification 每条时序提取特征；时序间可以可以做聚类 | |
预测 | 点 预 测 | 例如，钢铁价格预测、备件销售量 | 通过滑动窗口，提取特征，将其转化为经典回归问题 构建动力学模型 |
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。
本文节选自田春华博士著作《工业大数据分析算法实战》
田春华博士著作《工业大数据分析算法实战》，从工科人的视角介绍算法，从分析实战的角度展示算法的应用，帮助工科背景读者建立起数据思维，灵活利用数据分析算法进行实际问题的建模，并实现分析项目的高效迭代与落地。
