时间序列数据分析在工业，能源，医疗，交通，金融，零售等多个领域都有广泛应用。其中时间序列数据分类是分析时序数据的常见任务之一。本文将通过一个具体的案例，介绍Intel团队如何使用TDengine作为基础软件存储实验数据，并通过TDengine高效的查询能力在OpenVINO部署深度学习模型，最终在AIxBoard开发板上实时运行分类任务。
模型简介
近年来机器学习和深度学习在时序数据分类任务中取得了显著进展，HIVE-COTE和InceptionTime模型都取得了不错的成果。相比基于NearestNeighbor和DTW算法的HIVE-COTE模型，基于一维卷积(Conv1D)的InceptionTime模型成果更为显著，其在极大降低计算复杂度的基础上，还达到了与HIVE-COTE相当的分类精度。
如下图所示，Inception模块是InceptionTime模型的基本组成模块，由多个一维卷积(Conv1D)操作堆叠，并于残差连接而成。
完整的InceptionTime模型由多个Inception模块连接而成。
关于InceptionTime的更多细节请参考论文：
