【技术实现步骤摘要】
一种面向时序数据快速预测的轻量化时间卷积网络
本专利技术涉及轻量化时间卷积网络
，具体涉及一种面向时序数据快速预测的轻量化时间卷积网络。
技术介绍
近年来处理时序建模问题经常会应用于一种时间卷积网络，时间卷积网络的主要结构包含因果卷积、膨胀卷积和残差连接。实验表明在时序建模方面，其能力超过了传统的RNN、LSTM、GRU等结构；时间卷积网络能够保留数据的长历史信息，可以从原始高维特征中自动提取低维特征处理；传统的时间卷积网络以序列x0,...,xT为输入，旨在预测每个时刻对应的输出y0,...,yT。时间卷积网络主要包含三大结构：因果卷积、膨胀卷积和残差连接。在因果卷积中，每一个卷积层位于时刻t的计算数值依赖于上一层位于时刻t及该时刻之前的计算数值，如下所示。其中t＝1,...,T,T是时间序列的长度，n是卷积层所在层数，代表相应的卷积过程。因果卷积的特点是不采用未来信息预测当前信息。膨胀卷积能够有效扩大视野范围。通常来说，时间卷积网络深度越深，网络的视野范围就越广。但对于序列回归问题时，如图1所示，只有带有多个滤波器...
【技术保护点】
1.一种面向时序数据快速预测的轻量化时间卷积网络，其特征在于：包括以序列x0,...xT为输入，旨在预测xT对应的预测输出y^T，轻量化时间卷积网络公式如下所示：/n
【技术特征摘要】
1.一种面向时序数据快速预测的轻量化时间卷积网络，其特征在于：包括以序列x0,...xT为输入，旨在预测xT对应的预测输出y^T，轻量化时间卷积网络公式如下所示：
轻量化时间卷积网络主要包含两大结构：因果卷积和步长卷积，在因果卷积中，每一个卷积层位于时刻t的计算数值依赖于上一层位于时刻t及该时刻之前的计算数值，如下所示：
其中t＝1,...,T,T是时间序列的长度，n是卷积层所在层数，f(·)代表相应的卷积过程。
2.根据权利要求1所述的一种面向时序数据快速预测的轻量化时间卷积网络，其特征在于：所述轻量化时间卷积网络的具体结构为：包含多层卷积块和全连接层；压缩特征会通过多层卷积块计算得到并应用于后续的全连接层中；在一个卷积块中包含一层带有(k-1)大小paading的一维全卷积，也就是因果卷积，一层带有适当大小padding的一维步长卷积，激活函数采用ReLU函数，其中k是卷积核大小，每一卷基层都包含多个滤波器，同时在卷积块中采用weightnorm和dropout来改善网络表现，在全连接层中采用ReLU激活函数，同时可根据输出值的范围大小可选择全连接层中的最后一层采用Sigmoid、ReLU或其他激活函数；每一个卷积块的输出长度将是输入长度的1/s；如果最后一个卷积块的输入长度与全局卷积核大小相近，其最后卷积块的卷积核大小...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。