TSFEL: Time Series Feature Extraction Library

Detalhes bibliográficos
Autor(a) principal: Barandas, Marília
Data de Publicação: 2020
Outros Autores: Folgado, Duarte, Fernandes, Letícia, Santos, Sara, Abreu, Mariana, Bota, Patrícia, Liu, Hui, Schultz, Tanja, Gamboa, Hugo
Tipo de documento: Artigo
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10362/117283
Resumo: POCI-01-0247-FEDER-038436
id RCAP_6e939da35249c573ab7858c32280898b
oai_identifier_str oai:run.unl.pt:10362/117283
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling TSFEL: Time Series Feature Extraction LibraryFeature extractionMachine learningPythonTime seriesSoftwareComputer Science ApplicationsPOCI-01-0247-FEDER-038436Time series feature extraction is one of the preliminary steps of conventional machine learning pipelines. Quite often, this process ends being a time consuming and complex task as data scientists must consider a combination between a multitude of domain knowledge factors and coding implementation. We present in this paper a Python package entitled Time Series Feature Extraction Library (TSFEL), which computes over 60 different features extracted across temporal, statistical and spectral domains. User customisation is achieved using either an online interface or a conventional Python package for more flexibility and integration into real deployment scenarios. TSFEL is designed to support the process of fast exploratory data analysis and feature extraction on time series with computational cost evaluation.DF – Departamento de FísicaLIBPhys-UNLRUNBarandas, MaríliaFolgado, DuarteFernandes, LetíciaSantos, SaraAbreu, MarianaBota, PatríciaLiu, HuiSchultz, TanjaGamboa, Hugo2021-05-06T22:45:29Z2020-01-012020-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleapplication/pdfhttp://hdl.handle.net/10362/117283engPURE: 29589862https://doi.org/10.1016/j.softx.2020.100456info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-05-22T17:53:07Zoai:run.unl.pt:10362/117283Portal AgregadorONGhttps://www.rcaap.pt/oai/openairemluisa.alvim@gmail.comopendoar:71602024-05-22T17:53:07Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv TSFEL: Time Series Feature Extraction Library
title TSFEL: Time Series Feature Extraction Library
spellingShingle TSFEL: Time Series Feature Extraction Library
Barandas, Marília
Feature extraction
Machine learning
Python
Time series
Software
Computer Science Applications
title_short TSFEL: Time Series Feature Extraction Library
title_full TSFEL: Time Series Feature Extraction Library
title_fullStr TSFEL: Time Series Feature Extraction Library
title_full_unstemmed TSFEL: Time Series Feature Extraction Library
title_sort TSFEL: Time Series Feature Extraction Library
author Barandas, Marília
author_facet Barandas, Marília
Folgado, Duarte
Fernandes, Letícia
Santos, Sara
Abreu, Mariana
Bota, Patrícia
Liu, Hui
Schultz, Tanja
Gamboa, Hugo
author_role author
author2 Folgado, Duarte
Fernandes, Letícia
Santos, Sara
Abreu, Mariana
Bota, Patrícia
Liu, Hui
Schultz, Tanja
Gamboa, Hugo
author2_role author
author
author
author
author
author
author
author
dc.contributor.none.fl_str_mv DF – Departamento de Física
LIBPhys-UNL
RUN
dc.contributor.author.fl_str_mv Barandas, Marília
Folgado, Duarte
Fernandes, Letícia
Santos, Sara
Abreu, Mariana
Bota, Patrícia
Liu, Hui
Schultz, Tanja
Gamboa, Hugo
dc.subject.por.fl_str_mv Feature extraction
Machine learning
Python
Time series
Software
Computer Science Applications
topic Feature extraction
Machine learning
Python
Time series
Software
Computer Science Applications
description POCI-01-0247-FEDER-038436
publishDate 2020
dc.date.none.fl_str_mv 2020-01-01
2020-01-01T00:00:00Z
2021-05-06T22:45:29Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10362/117283
url http://hdl.handle.net/10362/117283
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv PURE: 29589862
https://doi.org/10.1016/j.softx.2020.100456
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv mluisa.alvim@gmail.com
_version_ 1817545799577370624

Registros relacionados