本文还有配套的精品资源，点击获取

简介：UCR时间序列分类档案是一个机器学习领域中用于时间序列分析和分类任务的广泛使用数据集集合，由UCR维护，包含128个不同的数据集。该档案为研究者提供了各种领域的资源库，包含生物医学、工程等多个领域，使研究者可以测试和比较不同的时间序列分类算法。数据集包括各种类别，设计为非平衡的，增加分类挑战性。分类任务的目标是将输入的时间序列数据正确地分配到预定义的类别中。UCRArchive_2018包含数据文件、说明文件、参考文献和结果基准等结构，为研究者提供完整的研究资源。关键点包括数据预处理、时间序列长度、类不平衡处理、评价指标、模型可解释性和泛化能力等。深入研究和实验这些数据集有助于推动时间序列分析领域的理论和实际应用发展。

1. 时间序列分析及分类概述

1.1 时间序列分析的基本概念

时间序列分析是一种统计学方法，通过分析数据随时间变化的趋势，揭示潜在的模式、周期性或不规则性。这一方法在经济预测、信号处理、天气预报等众多领域中具有广泛的应用。

1.2 时间序列分类的重要性

分类是时间序列分析中的一个重要步骤，它指的是根据某些标准将序列分为不同的类别。正确的分类有助于更深入地理解数据特性，为决策提供依据，例如在故障检测或市场细分中。

1.3 分类方法的多样性

时间序列分类的方法有很多，包括但不限于距离分类、特征提取、模板匹配以及最新的深度学习模型。每种方法都有其特定的应用场景和优缺点，选择合适的方法对于分类性能至关重要。

2. UCR时间序列分类档案介绍

2.1 UCR时间序列分类档案的构成

2.1.1 数据集的来源和背景

UCR时间序列分类档案是由美国加利福尼亚大学河滨分校的Eamonn Keogh教授及其团队创建的，旨在为时间序列数据挖掘和模式识别的研究提供标准化的测试平台。该档案收集了多源时间序列数据，涵盖从医疗健康到金融市场等多个领域，它们的共同特点是具有时间上的连续性和序列化特征。

2.1.2 数据集的组织结构和内容

UCR档案中的每个数据集都遵循统一的组织结构，这包括一个或多个时间序列文件，以及对应的类别标签文件。时间序列文件通常以文本或二进制格式存储，每个序列都与一个类别标签相关联。除此之外，一些数据集还包含额外的元数据文件，如数据集描述、研究论文链接以及参考文献等。

2.2 UCR时间序列分类档案的特点

2.2.1 数据集的规模和质量

UCR时间序列分类档案以涵盖广泛的场景和精确的类别标签而闻名。其中数据集规模从数百个序列到数万个序列不等，序列长度从几十个点到上千个点都有涵盖。质量方面，该档案的每一个数据集都经过精心筛选和校验，保证了时间序列数据的准确性和可靠性。

2.2.2 数据集在时间序列分类研究中的地位和作用

UCR时间序列分类档案在学术界和工业界均有广泛的应用。它不仅为研究者提供了一个公共的基准测试平台，也促进了不同算法之间的比较和交流。此外，通过这些数据集，研究者能够更好地理解时间序列分类问题，发现新的算法和优化策略，推动了时间序列分析技术的发展。

第三章：数据集种类及领域应用

3.1 数据集的种类和特征

3.1.1 不同领域的时间序列数据特点

不同领域的数据集特点各异。例如，在金融领域，时间序列数据通常含有更多的噪声和突发性变化；而在生物医学领域，时间序列往往表现出周期性和连续性。这些特点对于设计分类算法具有重要意义。

3.1.2 数据集在各领域的应用实例

在实际应用中，时间序列数据集被广泛用于股票市场预测、疾病诊断、交通流量分析等领域。通过分析时间序列的变化规律，可以有效识别和预测未来的趋势，从而为决策提供科学依据。

3.2 时间序列数据在各领域的研究价值

3.2.1 时间序列数据在金融领域的应用

金融市场的价格波动本质上是时间序列数据的体现。通过分析股票、外汇、债券等金融资产的历史价格数据，可以为投资者提供市场走势的预测，从而优化投资组合，降低风险。

3.2.2 时间序列数据在生物医学领域的应用

生物医学领域的研究者利用时间序列数据对疾病发展过程进行监控和预测。例如，在心电图(ECG)信号的分析中，准确识别异常波形可以帮助早期诊断心律失常等疾病。

第四章：非平衡类别的挑战性分析

4.1 非平衡类别的定义和特点

4.1.1 非平衡类别的概念和影响因素

在时间序列分类中，非平衡类别指的是某些类别样本数量远多于其他类别，这种现象可能导致分类模型偏向于多数类，从而降低了对少数类的识别能力。

4.1.2 非平衡类别的数据特征和处理方法

非平衡类别的数据特征包括类别分布不均和类别内样本差异性大等。处理方法通常包括重采样技术（如过采样少数类、欠采样多数类）、生成合成样本的SMOTE算法以及集成不同模型的Ensemble方法等。

4.2 非平衡类别对时间序列分类的影响

4.2.1 非平衡类别对分类算法的影响

分类算法在面对非平衡类别时，往往会表现出分类准确率的下降，特别是对少数类别的识别能力不足。这种偏差在精确度和召回率等评价指标上表现得尤为明显。

4.2.2 非平衡类别对评价指标的影响

评价指标如F1分数、ROC-AUC等在非平衡类别数据集中需要谨慎使用。因为这些指标可能无法真实反映模型对少数类别的分类效果，从而误导模型优化的方向。因此，结合如混淆矩阵、精确度、召回率等更细致的指标对于评价模型性能显得尤为重要。

第五章：时间序列分类方法介绍

5.1 距离分类方法

5.1.1 距离分类方法的基本原理和应用

距离分类方法是基于距离度量的最简单的分类方法。它包括计算待分类时间序列与已知类别中所有样本的距离，将待分类序列归为距离最小的类别。常见距离度量包括欧氏距离、曼哈顿距离等。该方法简单直观，适用于数据维度较低且特征明显的时间序列。

5.1.2 距离分类方法的优势和不足

距离分类方法的主要优势是算法简单，易于实现。但是，它的局限性在于对噪声敏感，并且当时间序列维度增加时，距离度量的效果会受到“维度灾难”影响。

5.2 特征提取方法

5.2.1 特征提取方法的基本原理和应用

特征提取方法是指从时间序列中提取有用的统计信息或变换后的特征，如均值、标准差、傅里叶变换系数等。这些特征能够简化数据结构，保留序列的关键信息，方便后续的分类任务。

5.2.2 特征提取方法的优势和不足

特征提取方法的优势在于能够显著减少数据维度，提高分类效率。然而，好的特征提取需要领域知识和经验，而且不是所有的特征都能有效提升分类性能。

5.3 模板匹配方法

5.3.1 模板匹配方法的基本原理和应用

模板匹配方法是通过将待分类的时间序列与一个或多个模板序列进行比较，以确定其类别。这通常涉及到识别最佳的对齐方式，并通过计算得分来决定最匹配的模板。

5.3.2 模板匹配方法的优势和不足

模板匹配方法能够准确地找到与待测序列最相似的样本，这对于某些特定领域非常有用。然而，其缺点是它依赖于高质量的模板，而且计算复杂度通常较高，特别是在序列对齐方面。

5.4 深度学习模型方法

5.4.1 深度学习模型方法的基本原理和应用

深度学习模型方法，如卷积神经网络(CNN)和循环神经网络(RNN)，能够自动从数据中学习层次化的特征表示。这些方法在处理复杂的非线性关系和长序列依赖时表现出色。

5.4.2 深度学习模型方法的优势和不足

深度学习模型方法的优势在于其强大的特征学习能力和对复杂模式的识别能力。不足之处在于需要大量的标注数据，且模型训练和调参过程相对复杂。

第六章：数据集文件结构与研究支持信息

6.1 数据集文件结构介绍

6.1.1 数据集文件的基本结构和内容

UCR时间序列档案中每个数据集的文件结构都遵循一定格式，以便于标准化处理和共享。基础文件结构包括数据文件、标签文件和有时的附加信息。数据文件通常以时间序列的方式存储，每个序列对应一个类别标签。

6.1.2 数据集文件结构的使用方法和注意事项

在使用数据集文件时，了解其结构是至关重要的。使用方法包括明确哪些文件是必要的，以及如何解析这些文件中的数据和标签。注意事项包括数据的格式、分隔符、数据缺失值处理等。

6.2 研究支持信息提供

6.2.1 研究支持信息的种类和内容

UCR档案提供的研究支持信息包括每个数据集的详细描述、作者信息、相关的研究论文以及可能的公开源代码链接等。这些信息有助于研究者更全面地了解数据集，同时也有助于复现实验结果。

6.2.2 研究支持信息的使用方法和注意事项

研究者在使用这些支持信息时，应重点关注数据集描述来理解数据集的背景知识和应用，阅读相关论文来获取数据集使用的最佳实践，利用源代码来验证和对比不同的分类方法。

通过以上章节内容的介绍，读者可以获得对时间序列分类方法的深入理解，并掌握如何使用UCR档案中的数据集来评估和优化分类模型。这为时间序列数据的研究和应用提供了宝贵的资源和指导。

3. 数据集种类及领域应用

3.1 数据集的种类和特征

3.1.1 不同领域的时间序列数据特点

时间序列数据是一类按照时间顺序排列的观测值序列，它在金融、气象、生物医学、工业生产等诸多领域都有广泛的应用。不同领域的时间序列数据具有不同的特点和来源，这些差异会对数据处理和分析方法产生重要影响。

在金融市场中，时间序列数据通常涉及股票价格、交易量等信息，其特点是高频、高噪声和可能存在非平稳性。气象数据则可能包括温度、气压、降水量等，它们通常是规则采样的、具有明显的周期性和季节性。

生物医学领域的时间序列数据可能涉及心电图(ECG)、脑电图(EEG)或基因表达序列。这些数据往往有较高的维数和复杂的动态特性，同时可能受到测量误差的影响。

工业领域的时间序列数据则可能来源于各种传感器，它们能够监测和记录设备的运行状态。这类数据通常具有很高的维度，并且包含大量的噪声。

3.1.2 数据集在各领域的应用实例

时间序列数据集在各领域的应用具有极大的实用价值和研究意义。例如，在金融领域，时间序列数据集可以被用来预测股票市场的走势、风险管理、量化交易策略的开发等。

在生物医学领域，时间序列数据集的应用涵盖疾病预测、健康状态监测、生物标志物的发现等多个方面。例如，通过对ECG数据集的分析，可以有效识别心律失常等问题。

在气象领域，时间序列数据集不仅可以用于天气预报，还能帮助研究气候变化和天气对环境的影响。工业生产中的时间序列数据集能够用于设备故障的预测与维护，提高生产效率和安全性。

3.2 时间序列数据在各领域的研究价值

3.2.1 时间序列数据在金融领域的应用

时间序列分析在金融市场中的应用非常广泛，包括但不限于：

• 价格预测 : 使用历史价格数据，应用各种预测模型对股票、外汇、商品期货等的价格走势进行预测。
• 风险评估 : 利用时间序列的波动性特征，评估金融产品或组合的风险水平。
• 算法交易 : 利用时间序列分析来发现市场中的模式，从而开发自动化交易策略。

例如，通过分析过去一段时间内股票价格的时间序列数据，投资者可以使用ARIMA模型预测未来价格的趋势。类似地，GARCH模型可以在波动性聚集的情况下对金融市场风险进行评估。

3.2.2 时间序列数据在生物医学领域的应用

生物医学领域的时间序列数据分析可以辅助疾病诊断、治疗计划的制定和生物医学研究。例如，通过分析心电图(ECG)数据的时间序列特征，可以实时监测心脏病患者的心率和节律，早期发现异常情况。

在脑电图(EEG)数据集分析中，研究者使用时间序列分析的方法，识别特定的脑电活动模式，这对于理解和治疗癫痫、中风等脑部疾病有着重要意义。

此外，基因表达时间序列数据集的分析可以帮助研究人员发现基因之间的相互作用，以及对特定药物或环境刺激的反应模式，这在个性化医疗和新药开发中扮演着关键角色。

综上所述，时间序列数据集在不同领域的应用表现出极高的研究价值和实践意义。对时间序列的深入研究和分析，可以为行业发展带来新的视角和工具，推动科学技术的进步。

4. 非平衡类别的挑战性分析

在数据科学领域，特别是在时间序列分类问题中，数据的不平衡是一个普遍存在的现象。数据不平衡指的是数据集中各类样本的数量存在显著差异。在时间序列数据集中，这种现象尤为突出，因为某些特定事件的发生频率远低于其他事件，导致样本类别之间数量上的不均衡。本章节将深入探讨非平衡类别的定义、特点、数据特征以及它们对时间序列分类方法的影响和挑战。

4.1 非平衡类别的定义和特点

4.1.1 非平衡类别的概念和影响因素

非平衡类别是指在分类问题中，不同类别的样本数量存在较大差异。例如，在金融领域中，特定类型的异常交易（如欺诈行为）相比于正常交易来说出现的频率非常低，这就构成了非平衡类别。非平衡产生的原因多种多样，包括但不限于事件的自然发生概率低、采集数据的困难、或是数据标注过程中的偏差。在时间序列分类任务中，这种不平衡性可能会因为时间序列数据随时间演化的特性而加剧。

4.1.2 非平衡类别的数据特征和处理方法

非平衡数据集的一个显著特征就是少数类的代表性问题，因为少数类样本数量少，因此其统计特性很难被准确捕捉。此外，模型在学习过程中可能会偏向于多数类，从而导致对少数类的识别能力差，也就是所谓的模型偏见。为解决这一问题，研究者们已经提出了一系列的处理方法，比如重采样技术、成本敏感学习和集成学习等。

4.2 非平衡类别对时间序列分类的影响

4.2.1 非平衡类别对分类算法的影响

分类算法在面对非平衡类别时会表现出不同的性能。一些算法如支持向量机（SVM）和决策树在未经修改的情况下处理非平衡数据集时可能会导致分类偏向于多数类，从而影响整体的分类准确度。深度学习模型虽然具备处理复杂数据结构的能力，但也需要适当的调参和预处理来改善对少数类的学习能力。

4.2.2 非平衡类别对评价指标的影响

在非平衡数据集上评估分类模型的性能时，传统的准确率指标可能会产生误导，因为它不能反映出模型对少数类的识别能力。因此，评估时更倾向于使用诸如精确率（Precision）、召回率（Recall）、F1分数以及ROC-AUC等指标。这些指标能够提供对模型性能的更全面评价，特别是对少数类的识别能力。

非平衡类别问题的深入分析为时间序列分类的研究提供了新的视角和挑战。在接下来的章节中，我们将介绍如何使用不同的分类方法来处理时间序列数据，并进一步探讨在非平衡类别问题中这些方法的表现和优化策略。

5. 时间序列分类方法介绍

在时间序列分析的领域中，时间序列分类是关键任务之一。这一章节将详细介绍几种主要的时间序列分类方法，并分析它们的优缺点。此外，本章节还会探讨这些方法在不同场景下的实际应用和潜在改进。

5.1 距离分类方法

5.1.1 距离分类方法的基本原理和应用

距离分类方法基于一个核心思想：相似的时间序列倾向于拥有相似的类别。这种方法通常使用距离度量（如欧几里得距离、动态时间弯曲距离等）来计算查询时间序列和模板时间序列之间的相似度。在分类时，查询时间序列会被分配给与其最相似的模板序列的类别。

这种分类方法简单直观，易于理解和实现，但也有局限性。比如，它可能不适用于噪声大的时间序列数据，或者在时间序列的长度和速度发生变化时，分类效果可能不理想。

from scipy.spatial.distance import euclidean

def classify_series(series, templates):
    min_distance = float('inf')
    best_template = None

    for template in templates:
        dist = euclidean(series, template)
        if dist < min_distance:
            min_distance = dist
            best_template = template

    return 'Class of best_template'

在上述的Python示例中，我们定义了一个简单的距离分类方法函数 classify_series ，使用了欧几里得距离 euclidean 来找到最相似的模板序列，并返回对应的类别。 templates 是模板序列列表， series 是待分类时间序列。

5.1.2 距离分类方法的优势和不足

距离分类方法的优势主要体现在：

• 简洁性 ：算法简单，易于理解和实现。
• 无监督学习 ：不需要预先标记数据集，适合初步探索和快速原型设计。

然而，它也有以下不足：

• 性能问题 ：对于大规模数据集，距离计算可能变得非常耗时。
• 敏感性 ：对噪声、时间和速度变化敏感，可能影响分类结果的准确性。

5.2 特征提取方法

5.2.1 特征提取方法的基本原理和应用

特征提取方法旨在从原始时间序列中提取出有助于分类的关键信息，如统计特征、频域特征、时频分析特征等。这些特征可以有效地减少数据的维度，同时保留对分类任务重要的信息。

通过选择合适的特征，可以显著提高分类性能。例如，在股票市场分析中，可能会使用特征提取方法来获取开盘价、收盘价、最高价、最低价等关键信息，作为后续分类或预测的依据。

import numpy as np
from statsmodels.tsa.stattools import acf

def extract_features(series):
    # 使用自相关函数提取特征
    features = np.array(acf(series, nlags=10))
    return features

在这个例子中，使用了自相关函数 acf 从statsmodels库中提取特征， nlags 参数定义了要计算的自相关系数的个数。

5.2.2 特征提取方法的优势和不足

特征提取方法的优势包括：

• 降维 ：可以显著减少数据集的维度，提高计算效率。
• 信息保留 ：提取的特征通常能够较好地代表原始时间序列的关键信息。

然而，特征提取也面临一些挑战：

• 特征选择 ：选择哪些特征作为分类的依据，是一个需要专业知识的问题。
• 计算复杂度 ：某些特征提取方法计算复杂，需要较长时间。

5.3 模板匹配方法

5.3.1 模板匹配方法的基本原理和应用

模板匹配方法是通过将待分类的时间序列与一组已知类别的模板序列进行比较，找出最相似的模板，并将待分类时间序列分配到这个模板的类别中。模板可以是单个时间序列，也可以是时间序列的集合。

这种方法广泛应用于生物信号识别，例如心电图（ECG）的分类中，其中特定的波形模式与特定的心脏状况相关联。

def match_template(series, templates):
    min_diff = float('inf')
    best_match = None

    for template in templates:
        diff = np.sum((series - template) ** 2)
        if diff < min_diff:
            min_diff = diff
            best_match = template

    return 'Class of best_match'

这个 match_template 函数采用最小均方误差来度量匹配程度，通过最小化差值 diff 来找到最佳匹配的模板，并返回对应的类别。

5.3.2 模板匹配方法的优势和不足

模板匹配的优势如下：

• 直观易懂 ：方法直观，易于理解，适合解释和验证。
• 适用性 ：在有明确模板可参照的情况下，模板匹配十分有效。

不足之处包括：

• 泛化能力 ：对于没有明显模板或模板变化频繁的情况，泛化能力较差。
• 计算效率 ：在模板集较大时，匹配过程可能非常耗时。

5.4 深度学习模型方法

5.4.1 深度学习模型方法的基本原理和应用

深度学习模型方法，尤其是卷积神经网络（CNN）和循环神经网络（RNN），在时间序列分类任务中表现出了优越的性能。CNN擅长提取空间特征，而RNN可以捕捉时间依赖性。最近，长短期记忆网络（LSTM）和门控循环单元（GRU）这两种RNN变种在时间序列分析中的应用也日益增多。

深度学习模型方法可以处理非线性问题和高维数据，不需要手工特征提取，网络可以自动学习有效的特征表示。

from keras.models import Sequential
from keras.layers import LSTM, Dense

def build_lstm_model(input_shape):
    model = Sequential()
    model.add(LSTM(50, return_sequences=True, input_shape=input_shape))
    model.add(LSTM(50, return_sequences=False))
    model.add(Dense(25, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))

    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

在这个例子中，我们构建了一个简单的LSTM模型，该模型包含两个LSTM层，之后是一个全连接层（Dense），最后是输出层。这个模型可以用于二分类任务。

5.4.2 深度学习模型方法的优势和不足

深度学习模型的优势主要包括：

• 高准确率 ：通过自动特征学习，能够达到很高的分类准确率。
• 数据驱动 ：可以处理大规模、高维的数据集，适合复杂的时间序列分析。

不过，深度学习也有它自身的问题：

• 数据依赖 ：需要大量的标注数据进行训练。
• 计算资源 ：训练深度学习模型需要大量的计算资源，如GPU。
• 可解释性差 ：深度学习模型通常被认为是“黑箱”，难以解释模型的决策依据。

6. 数据集文件结构与研究支持信息

在时间序列分析与分类的研究过程中，理解数据集文件结构和研究支持信息对于准确高效地使用资源至关重要。本章将深入探讨数据集文件结构的细节，并解释研究支持信息的相关内容及其应用方式。

6.1 数据集文件结构介绍

6.1.1 数据集文件的基本结构和内容

UCR时间序列分类档案的文件结构通常遵循一定的标准格式，以确保数据的一致性和可访问性。一个典型的数据集文件包括以下部分：

• 标题行：指明数据集的基本信息，如数据集名称、数据点数量、类别的数目等。
• 描述信息：提供数据集的详细描述，包括来源、采样率、测量单位等。
• 数据部分：由多个序列组成，每个序列通常包含一个或多个类别标识符，紧随其后的是具体的数值数据。

例如，一个数据文件可能有如下结构：

Name: GunPoint
# of Instances: 198
# of Attributes: 150
# of Classes: 2
1 1 0.2 0.16 -0.19 -0.19 0.1 0.45 0.48 0.29 0.33 0.21 0.2 0.28 0.17 ...
1 2 0.33 0.49 0.73 0.96 0.88 0.43 -0.34 -0.21 -0.18 -0.13 -0.12 0.01 ...
2 99 -0.78 -0.52 -0.66 -0.39 -0.33 -0.23 0.16 0.36 0.32 0.38 0.36 0.35 0.3 ...
2 100 -0.91 -0.57 -0.75 -0.47 -0.36 -0.26 0.12 0.31 0.36 0.44 0.44 0.43 0.39 ...

6.1.2 数据集文件结构的使用方法和注意事项

使用数据集文件时，应遵循以下步骤：

1. 读取标题行，理解数据集的规模和属性。
2. 仔细阅读描述信息，以获取数据的上下文和特点。
3. 根据序列标识符，将数据分组到相应的类别中。

在处理数据文件时，需注意：

• 遵循文件格式规范，保证数据读取的准确性。
• 确保处理数据前，数据集是完整无误的。
• 避免对数据进行过度预处理，可能导致信息损失。

6.2 研究支持信息提供

6.2.1 研究支持信息的种类和内容

研究支持信息包括但不限于以下几种：

• 文档资料：提供详细的数据集使用指南和案例研究。
• 代码库：包含预处理、分类算法和性能评估的实现代码。
• 论坛/讨论组：供研究人员交流问题和经验。
• 数据集维护和更新日志：确保使用的是最新和最准确的数据。

这些资源为研究人员提供了一个完备的支持系统，帮助他们更有效地利用时间序列数据。

6.2.2 研究支持信息的使用方法和注意事项

研究人员在使用研究支持信息时，应该：

• 仔细阅读文档资料，了解数据集的详细使用方法和限制。
• 研究代码库中的示例代码，理解如何使用数据进行特定任务。
• 加入论坛/讨论组，与其他研究者交流，获取最新的研究成果和建议。
• 定期查看数据集的维护和更新日志，以获取数据的最新版本。

在使用研究支持信息时，需要注意：

• 确保使用的代码库版本与数据集兼容。
• 注意代码示例可能需要根据具体的研究目的进行调整。
• 在公开讨论时保护数据隐私和敏感信息。

通过本章的探讨，我们了解到数据集文件结构的重要性以及如何正确使用研究支持信息。下一章将介绍时间序列分类方法，进一步深化对时间序列分析的理解。

本文还有配套的精品资源，点击获取

简介：UCR时间序列分类档案是一个机器学习领域中用于时间序列分析和分类任务的广泛使用数据集集合，由UCR维护，包含128个不同的数据集。该档案为研究者提供了各种领域的资源库，包含生物医学、工程等多个领域，使研究者可以测试和比较不同的时间序列分类算法。数据集包括各种类别，设计为非平衡的，增加分类挑战性。分类任务的目标是将输入的时间序列数据正确地分配到预定义的类别中。UCRArchive_2018包含数据文件、说明文件、参考文献和结果基准等结构，为研究者提供完整的研究资源。关键点包括数据预处理、时间序列长度、类不平衡处理、评价指标、模型可解释性和泛化能力等。深入研究和实验这些数据集有助于推动时间序列分析领域的理论和实际应用发展。

本文还有配套的精品资源，点击获取