Enhancing Slope Entropy time series classification accuracy using new input parameter configurations
[ES] La entropía, una medida de incertidumbre o desorden, fue introducida por primera vez por Shannon en 1948. Desde entonces, se han desarrollado varias variantes de entropía, como la Entropía de Permutación, la Entropía Aproximada y la Entropía de Burbuja, cada una con sus fortalezas y limitacione...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | inglés |
| OAI Identifier: | oai:riunet.upv.es:10251/219955 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/219955 |
| Access Level: | acceso abierto |
| Palabra clave: | Slope entropy Time series classification Parameter optimisation Symbolic Time Series Analysis Entropy-Based Methods Input Parameter Configuration Classification Accuracy Sensitivity Analysis Feature Extraction |
| Sumario: | [ES] La entropía, una medida de incertidumbre o desorden, fue introducida por primera vez por Shannon en 1948. Desde entonces, se han desarrollado varias variantes de entropía, como la Entropía de Permutación, la Entropía Aproximada y la Entropía de Burbuja, cada una con sus fortalezas y limitaciones. Esta tesis se centra en mejorar el rendimiento de la Entropía de Pendiente, un método simbólico definido por tres parámetros (m, δ, γ) y cinco símbolos (-2, -1, 0, 1, 2). El objetivo de este trabajo es mejorar la precisión de la entropía de pendiente ajustando su configuración de parámetros y reportando las limitaciones temporales a través de esta modificación. En esta investigación, utilizamos una técnica de umbralización y evaluamos el rendimiento a través de la desviación estándar y la degradación media. Además, para encontrar la mejor configuración de los parámetros, utilizamos una búsqueda de cuadrícula exhaustiva. La mejora comienzo, en primer lugar, cambiando la configuración de δ. Como inicio, lo eliminamos para trabajar solo con el parámetro γ. Los resultados indican tanto una mejora en el costo computacional como una pequeña degradación en la precisión. Luego, modificamos la configuración de δ para que fuera diferente de 0.001. Los resultados muestran un aumento en el costo computacional de alrededor de 20% con una mejora en la precisión. Al introducir un nuevo umbral θ, reportamos un aumento en la precisión y un notable incremento en el costo computacional que puede llegar hasta un 500%. Descartamos esta solución, así como otra solución que consistía en un método con solo los símbolos 0, 1, 2. Esta última presentó un gran aumento en el costo computacional, pero con una precisión que alcanzaba un máximo de 60%, lo cual es muy bajo. Finalmente, la última variación es el enfoque asimétrico de la Entropía de Pendiente, en el cual γ y −γ son independientes y pueden tener valores diferentes. Al final, recomendamos que, en escenarios donde el costo computacional sea secundario a la precisión, eliminar δ ofrece el mejor equilibrio. También recomendamos que, si la clasificación es crítica, utilizar el enfoque asimétrico es una gran ventaja. Por otro lado, hemos descartado tanto el enfoque con los símbolos 0, 1, 2 como el método con el parámetro θ. |
|---|