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：
