一种基于状态序列比对的时间序列距离度量方法技术

本发明专利技术公开了一种基于状态序列比对的时间序列距离度量方法，包括：利用回声状态网络分别将待比对的两个原始时间序列的每个时间点的观测信息转换为隐含状态，从而获得两个状态序列；计算两个状态序列的距离，并作为两个原始时间序列的距离。本发明专利技术上述方案利用回声状态网络，将原始时间序列转换为状态序列，每个时间点的状态反映了当前时间点及之前的序列，从而考虑了时序信息；利用时间序列比对计算距离，不需要要求足够大的数据量，同时对时间序列的局部特征检测显著。

【技术实现步骤摘要】

本专利技术涉及时间序列分析和神经网络领域，尤其涉及一种基于状态序列比对的时间序列距离度量方法。
技术介绍
时间序列是对单个或多个变量的一系列观测值，如音频，视频，股票价格等。用X表示一时间序列，X＝(x1,x2,…,xL)，其中，L是该时间序列的长度。xi是i时刻的观测值，xi＝(xi,1,xi,2,…,xi,d),其中d表示变量的个数，d＝1表示单变量时间序列，d＞1表示多变量时间序列。对于时间序列之间距离的度量，目前主要采用的方法如下：1)采用时间点比对方法，通过时间点之间的距离度量，找到使两条时间序列距离最小的比对映射。但是无法利用时间序列的时序信息。2)采用产生式模型对时间序列进行拟合，用拟合后的模型参数或参数衍生物作为特征代表原时间序列，通过计算这种特征之间的距离度量原时间序列之间的距离。但是，这种方法要求时间序列长度足够长来训练产生式模型，且对时间序列的局部特征检测不敏感。
技术实现思路
本专利技术的目的是提供一种基于状态序列比对的时间序列距离度量方法，解决了现有方法无法利用时间序列的时序信息，对时间序列局部特征不敏感，对数据量要求大的缺点。本专利技术的目的是通过以下技术方案实现的：一种基于状态序列比对的时间序列距离度量方法，包括：利用回声状态网络分别将待比对的两个原始时间序列的每个时间点的观测信息转换为隐含状态，从而获得两个状态序列；计算两个状态序列的距离，并作为两个原始时间序列的距离。利用回声状态网络将原始时间序列转换为状态序列的表达式如下：S(t+1)＝g(RS(t)+VX(t+1))；f(t)＝WS(t)；式中，X是原始时间序列，S是原始时间序列的状态，R是循环网络的权值矩阵，V是输入层到循环网络的权值矩阵，W是输入层权值矩阵，g是非线性转换函数，f是从状态空间到输出空间的映射函数，t是时间。计算两个状态序列的距离包括：使用动态时间规整算法计算两个状态序列的距离。由上述本专利技术提供的技术方案可以看出，利用回声状态网络，将原始时间序列转换为状态序列，每个时间点的状态反映了当前时间点及之前的序列，从而考虑了时序信息；利用时间序列比对计算距离，不需要要求足够大的数据量，同时对时间序列的局部特征检测显著。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1为本专利技术实施例提供的一种基于状态序列比对的时间序列距离度量方法的流程图；图2为本专利技术实施例提供的一种基于状态序列比对的时间序列距离度量方法的逻辑示意图；图3为本专利技术实施例提供的回声状态网络的示意图；图4为本专利技术实施例提供的对一条时间序列通过回声状态网络得到状态序列；图5为本专利技术实施例提供的对两条状态序列通过动态时间规整得到时间点之间的映射关系示意图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。本专利技术实施例提供一种基于状态序列比对的时间序列距离度量方法，其主要包括：利用回声状态网络分别将待比对的两个原始时间序列的每个时间点的观测信息转换为隐含状态，从而获得两个状态序列；计算两个状态序列的距离，并作为两个原始时间序列的距离。如图1所示，利用回声状态网络将时间序列Q与C转换为相应的状态序列，再使用DTW(DynamicTimeWarping，动态时间规整)算法计算状态序列的距离作为时间序列Q与C的距离。本专利技术实施例中，利用回声状态网络将原始时间序列转换为状态序列的表达式如下：S(t+1)＝g(RS(t)+VX(t+1))；f(t)＝WS(t)；式中，X是原始时间序列，S是原始时间序列的状态，R是循环网络的权值矩阵，V是输入层到循环网络的权值矩阵，W是输入层权值矩阵，g是非线性转换函数(如双曲正切函数tanh或S形函数(sigmoid)等)，f是从状态空间到输出空间的映射函数，t是时间。图2显示的是整个方案的逻辑视图。原始时间序列逐点输入回声状态网络中，回声状态网络为每个时间点计算得到一个状态向量(即前述公式中的S)，向量维度是回声状态网络中隐层神经元的数量。每个时间点的状态包含了当前时间点信息和以前的输入历史信息。本专利技术实施例中，回声状态网络是一种循环神经网络，如图3所示，其结构包含三个部分，即输入层，隐层和输出层，各层的神经元之间通过带有权值的边连接。与传统神经网络不同的是，回声状态网络中隐层神经元之间通过有向边构成循环，输入层和隐层中边的权值通过随机初始化确定。回声状态网络中输出权值通过线性回归计算得到。数据经过回声状态网络的输入层逐点输入隐层的循环网络。回声状态网络通过结合当前输入和前一个输入的状态，为当前输入学习一个状态表示。这种递归的特性使得回声状态网络适于处理序列数据。图4显示的是对一条时间序列进行转换的实例。给定原始的时间序列X(301)(单变量或者多变量均可)，逐点输入回声状态网络(302)，隐层神经元在接受当前的输入后，从前一个输入导致的状态转换为当前输入的状态。回声状态网络通过结合当前输入和前一个输入的状态表示为当前输入学习一个多维的状态表示，状态的维度是隐层神经元的数量。将时间序列所有时间点的状态表示连接得到多维的状态序列S(303)，其中回声状态网络的网络结构及连接权值由随机初始化确定。本专利技术实施例中，使用动态时间规整算法计算两个状态序列的距离。动态时间规整(DynamicTimeWarping，DTW)算法是时间序列处理领域的经典方法。DTW的目标是使对齐后两条时间序列的欧式距离最小。给定长度分别是LQ和LC的两个时间序列Q和C，DTW首先计算大小为LQ×LC的矩阵D，该矩阵中元素D(i,j)表示Q(i)和C(j)之间欧式距离。DTW通过处理D找到一条从D(1,1)开始,到D(LQ,LC)结束的下标序列A和B,使得Q(A(i))和C(B(i))对齐，下标序列A和B具有相同的长度L≥max{LQ,LC本文档来自技高网...

【技术保护点】
一种基于状态序列比对的时间序列距离度量方法，其特征在于，包括：利用回声状态网络分别将待比对的两个原始时间序列的每个时间点的观测信息转换为隐含状态，从而获得两个状态序列；计算两个状态序列的距离，并作为两个原始时间序列的距离。

【技术特征摘要】
1.一种基于状态序列比对的时间序列距离度量方法，其特征在于，包括：利用回声状态网络分别将待比对的两个原始时间序列的每个时间点的观测信息转换为隐含状态，从而获得两个状态序列；计算两个状态序列的距离，并作为两个原始时间序列的距离。2.根据权利要求1所述的一种基于状态序列比对的时间序列距离度量方法，其特征在于，利用回声状态网络将原始时间序列转换为状态序列的表达式如下：S(t+1)＝g(RS(...

【专利技术属性】
技术研发人员：陈欢欢，宫志晨，周熙人，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34