我在应用带有动态时间扭曲的 KNN 作为距离度量方面取得了相当大的成功。

我的研究(pdf)表明这种方法很难被击败。下面的示意图来自我在github上的 KNN 和 DTW 的 python 实现。或在IPython Notebook中查看

如果你训练的数据集非常大，我建议对距离矩阵进行层次聚类。然后从所需的集群中采样以生成较小的训练数据集。这hclust将确保您拥有代表数据中广泛的时间序列特征的时间序列。

时间序列分类的两种方法

如何处理分类任务的时间结构化输入有两种方法：

1. 专用时间序列模型：机器学习算法直接包含时间序列。我将 KNN 与 DTW 模型计入此类别。
2. 基于特征的方法：在这里，时间序列被映射到另一个可能更低维的表示。这意味着特征提取算法计算特征，例如时间序列的平均值或最大值。然后将这些特征作为特征矩阵传递给“正常”机器学习，例如神经网络、随机森林或支持向量机。这种方法的优点是可以更好地解释结果。此外，它使我们能够使用完善的监督机器学习理论。

过去，我也成功地使用 DTW 成功部署了 KNN。但是，我几乎总是能够通过使用精心设计的功能的模型来超越它的准确性。此外，用于二进制分类的 KNN 与 DTW 的比例为 O(n_t · m_{train} · m_{test})，其中 n_t 是时间序列的长度，mtrain 和 mtest 分别是训练和测试集中的设备数量. 这意味着计算需要很长时间..

因此，我建议采用基于特征的方法。

tsfresh 计算大量特征

python 包tsfresh从包含时间序列的 pandas.DataFrame 计算大量此类特征。您可以在http://tsfresh.readthedocs.io找到它的文档。

您可以尝试使用它来计算大量特征。稍后，您可以过滤特征的重要性并确定有希望的候选者。

免责声明：我是 tsfresh 的作者之一。

在时间序列问题中，当预测现象在时间上与训练数据相距很远时，性能通常会迅速下降。我在这篇文章中描述了一个相关问题：为什么当测试集远离火车时性能下降如此之快？：

这通常是合乎逻辑的：在此处描述的问题中，我们尝试预测人类行为（取消手机帐户的决定）。这样的决定很可能受到一些最近发生的事件的影响（例如恼人的技术问题，或令人沮丧的求助热线电话），而不是时间更远的事件。我的假设：第 35-45 天取消的主要原因可能是第 31 天收到第一张发票。

因果事件（例如收到发票时的挫败感）和目标行动（取消）之间可能存在几天的差距。这个以用户挫败感增加为特征的短时期确实可以反映在行为变化中（第 31 天到第 35 天之间），并且可以通过分类器检测到。但由于训练集仅包含截至第 21 天的数据，它错过了那些最重要的信号。换句话说，火车与目标变量没有因果关系。

解决方案：获取直接在目标动作之前的训练数据。然后尝试提前1-2天预测目标动作。提前 15 天预测相同的可能性很小。

出于这个原因，文献建议每次在预测之前，在最新数据上重新训练时间序列模型。在这种特殊情况下，这意味着我们需要取消事件前几天的通话数据。这是一篇关于此的文章：ML时间序列预测正确的方法