このリポジトリには、TSFRESH Python パッケージが含まれています。この略称は、次の意味を表します。
"Time Series Feature extraction based on scalable hypothesis tests".
このパッケージは、統計学、時系列解析、信号処理、非線形力学からの確立されたアルゴリズムと、堅牢な特徴選択アルゴリズムを組み合わせることで、体系的な時系列特徴抽出を提供します。この文脈では、時系列という用語は可能な限り広い意味で解釈され、あらゆる種類のサンプリングデータやイベントシーケンスさえも特徴付けることができます。
データサイエンティストは、ほとんどの時間をデータのクリーニングか特徴量の構築のどちらかに費やすことがよくあります。 前者は変えられませんが、後者は自動化できます。 TSFRESH は、特徴量を自動的に抽出することで、特徴量構築に費やす時間を解放します。 その結果、最新のディープラーニング論文を読んだり、Hacker News を読んだり、より良いモデルを構築したりする時間が増えます。
TSFRESH は、時系列から数百もの特徴量を自動的に抽出します。 これらの特徴量は、ピーク数、平均値や最大値などの時系列の基本特性や、時間反転対称性統計量のようなより複雑な特徴量を記述します。
そして、この特徴量セットを使用して、時系列に対する統計モデルや機械学習モデルを構築でき、例えば回帰タスクや分類タスクに利用できます。
時系列には、ノイズ、冗長性、または無関係な情報が含まれることがよくあります。 その結果、抽出された特徴量のほとんどが、現在の機械学習タスクには役に立たないことがあります。
無関係な特徴量の抽出を避けるために、TSFRESH パッケージには組み込みのフィルタリング手順があります。 このフィルタリング手順は、現在の回帰タスクまたは分類タスクに対する各特性の説明力と重要度を評価します。
これは、よく発展した仮説検定の理論に基づいており、多重検定手順を使用します。 その結果、フィルタリングプロセスは、抽出された無関係な特徴量の割合を数学的に制御します。
次のオープンアクセス論文で、TSFRESH パッケージについて説明されています：
FRESH アルゴリズムは、次のホワイトペーパーで説明されています：
正常性モデルは、人間が時系列の異常を検出する方法をシミュレートします：
Teh, H.Y., Wang, K.I-K., Kempa-Liehr, A.W. (2021). Expect the Unexpected: Unsupervised feature selection for automated sensor anomaly detection. IEEE Sensors Journal 15.16, p. 18033-18046, doi: 10.1109/JSEN.2021.3084970.
Teh, H.Y., Wang, K.I-K., Kempa-Liehr, A.W. (2025). Feature-based normality models for anomaly detection. Sensors 25.4757, p. 1-25, doi: 10.3390/s25154757.
体系的な時系列特徴抽出は、教師なし問題にも有効です：
tsfresh が基本的に時系列特徴抽出を手間なく提供してくれるため、新しい時系列のエンジニアリングに集中できます。 例えば、同期測定による信号の差分は、さらに優れた時系列特徴量を提供します：
Kempa-Liehr, A.W., Oram, J., Wong, A., Finch, M., Besier, T. (2020). Feature engineering workflow for activity recognition from synchronized inertial measurement units. In: Pattern Recognition. ACPR 2019. Ed. by M. Cree et al. Vol. 1180. Communications in Computer and Information Science (CCIS). Singapore: Springer, p. 223–231. doi: 10.1007/978-981-15-3651-9_20.
Simmons, S., Jarvis, L., Dempsey, D., Kempa-Liehr, A.W. (2021). Data Mining on Extremely Long Time-Series. In: 2021 International Conference on Data Mining Workshops (ICDMW). Ed. by B. Xue et al. Los Alamitos: IEEE, p. 1057-1066. doi: 10.1109/ICDMW53433.2021.00137.
体系的な時系列特徴エンジニアリングにより、異なる長さの時系列サンプルを扱うことができます。これは、すべての時系列が明確に定義された特徴空間に射影される ためです。このアプローチにより、データが欠落しているアプリケーションで堅牢な機械学習アルゴリズムを設計できます。
時系列分類問題が不均衡ですか？時系列特徴量行列のアンダーサンプリングが 問題を解決できる可能性は十分にあります：
時系列ではなく、2D や 3D の画像を扱っていますか？空間変動シーケンス（SVS）は tsfresh の優れた応用例です：
Jeune, H., Pechan, N., Reitsma, S., Kempa-Liehr, A.W. (2021). Spatial Variation Sequences for Remote Sensing Applications with Small Sample Sizes. In: 2024 Image and Video Technology. 11th Pacific-Rim Symposium, Ed. by W.Q. Yan et al., Lecture Notes in Computer Science (14403). Springer Nature: Singapore, p. 153-166. doi: {10.1007/978-981-97-0376-0_12.
Koptev, I., Tian, J., Peel, E., Parker, R., Walker, C., Kempa-Liehr, A.W. (2025). Interpretable Dimensionality Reduction in 3D Image Recognition with Small Sample Sizes. Journal of Nondestructive Evaluation 44.44, p. 1-12, doi: 10.1007/s10921-025-01183-z.
書き言葉の自然言語処理は、体系的な時系列特徴エンジニアリングをイベントシーケンスに適用した例であり、 次のオープンアクセス論文で説明されています：
TSFRESH にはいくつかの優れた点があります。例えば
技術的な仕組みに興味があれば、http://tsfresh.readthedocs.io の包括的な Read-The-Docs ドキュメントをご覧ください。
アルゴリズム、特にフィルタリング部分については、上記の論文でも説明されています。
私たちはどんな貢献も歓迎します。TSFRESH を Python における特徴抽出メソッドの最大のアーカイブにするための支援に興味があれば、How-To-Contribute の手順をご覧ください。
tsfresh をすぐに試したい場合や、ワークフローに統合したい場合は、Docker イメージも用意しています。
docker pull nbraun/tsfresh
matrixprofile 特徴量計算機で計算された時系列特徴量を再現または更新する必要がある場合は、Python 3.8 環境を作成する必要があります。
conda create --name tsfresh__py_3.8 python=3.8
conda activate tsfresh__py_3.8
pip install tsfresh[matrixprofile]
TSFRESH の研究開発は、ドイツ連邦教育研究省の助成金番号 01IS14004（プロジェクト iPRODICT）により一部資金提供を受けました。