一种基于FCN的多变量时间序列数据分类方法技术

本申请提供了一种基于FCN的多变量时间序列数据分类方法，包括：确定多变量时间序列数据对应的多变量高斯模型参数；依据多变量高斯模型参数和多变量时间序列数据生成输入条件；利用人工智能模型的学习能力，建立输入条件与多变量时间序列数据的数据类别之间的对应关系；获取目标的当前多变量时间序列数据，并依据当前多变量时间序列数据确定对应的当前输入条件；通过对应关系，确定与当前输入条件对应的当前数据类别。通过将多变量时间序列数据对应的多变量高斯模型参数作为输入条件，在保证了精度的同时，极大地提高了人工智能模型的训练速度，且数据集维度越高，提升越为显著。提升越为显著。提升越为显著。

【技术实现步骤摘要】
一种基于FCN的多变量时间序列数据分类方法


[0001]本申请涉及数据处理领域，特别是一种基于FCN的多变量时间序列数据分类方法。

技术介绍

[0002]时间序列数据广泛存在于我们的生活中，天气预测，股票市场、医疗保健、人类活动识别等领域每天都在产生大量的时间序列数据。时间序列数据的主要特征在于按时间顺序索引一系列的数据点，任何具有时序属性的数据都可以被当作时间序列数据。随着数据获取和存储能力的提升，在实际应用中对时间序列数据进行分析的需求不断增加，如何进行准确的时间序列分类是数据挖掘中最具挑战性的问题之一。在心脏病学中，对心电信号进行分类，以区别心脏病患者和健康人。在异常检测中，通过监视Unix系统上的用户系统访问活动来检测任何类型的异常行为。在人类活动识别中，根据传感器采集的数据进行人类活动判断也是一个典型的时间序列分类问题。
[0003]时间序列数据可以分为单变量时间序列(UTS，Univariate time series)和多变量时间序列(MTS，Multivariate Time Series)。由于UTS只能描述事物某一方面的性质而不能满足大部分应用领域，现在研究者的重心都放在了MTS分类，本文的研究也是针对多变量时间序列分类的。多变量时间序列可以视为多个单变量时间序列的集合，但是变量与变量之间可能还存在着相互作用。因此，MTS应该作为一个整体来对待。面对高维的多变量时间序列，如何挖掘变量之间的关系成为多变量时间序列分类领域的巨大挑战。
[0004]近些年，深度学习方法的引入为多变量时间序列分类带来了可喜的结果。与人工构造规则抽取特征、设计模型的传统方法相比，深度学习算法可以自动地学习特征，这些特征更能够提取出数据蕴藏的丰富信息，从而达到较好的分类结果。但神经网络中众多参数的训练是一笔巨大的开销，即使在当今计算机硬件快速发展、计算能力显著提高的情况下，模型的训练速度仍然较慢。

技术实现思路

[0005]鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于FCN的多变量时间序列数据分类方法，包括：
[0006]一种基于FCN的多变量时间序列数据分类方法，所述方法包括：
[0007]确定多变量时间序列数据对应的多变量高斯模型参数；
[0008]依据所述多变量高斯模型参数和所述多变量时间序列数据生成输入条件；
[0009]利用人工智能模型的学习能力，建立所述输入条件与所述多变量时间序列数据的数据类别之间的对应关系；
[0010]获取目标的当前多变量时间序列数据，并依据所述当前多变量时间序列数据确定对应的当前输入条件；
[0011]通过所述对应关系，确定与所述当前输入条件对应的当前数据类别；具体地，确定与当前输入条件对应的数据类别，包括：将所述对应关系中与所述当前输入条件相同的所
述输入条件所对应的数据类别，确定为所述当前数据类别。
[0012]进一步地，所述确定多变量时间序列数据对应的多变量高斯模型参数的步骤，包括：
[0013]依据多变量高斯分布确定所述多变量时间序列数据中包含的特征的均值矩阵；
[0014]依据所述均值矩阵生成对应于所述多变量时间序列数据的特征关联性量化结果的协方差矩阵。
[0015]进一步地，所述依据所述多变量高斯模型参数和所述多变量时间序列数据生成输入条件的步骤，包括：
[0016]将所述多变量时间序列数据通过三次样条插值填充生成等长多变量时间序列数据；
[0017]生成所述多变量时间序列数据所对应多变量高斯模型的均值矩阵；
[0018]将所述均值矩阵和所述协方差矩阵进行拼接，生成目标矩阵；
[0019]依据所述等长多变量时间序列数据、所述协方差矩阵和所述目标矩阵生成所述输入条件。
[0020]进一步地，所述建立所述输入条件与所述多变量时间序列数据的数据类别之间的对应关系的步骤，包括：
[0021]获取用于建立所述输入条件与所述数据类别之间的对应关系的样本数据；
[0022]分析所述输入条件的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；
[0023]使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述输入条件与所述数据类别的所述对应关系。
[0024]进一步地，所述获取用于建立所述输入条件与所述数据类别之间的对应关系的样本数据的步骤，包括：
[0025]收集不同数据源的所述输入条件和所述数据类别；
[0026]对所述输入条件进行分析、并结合预存的专家经验信息，选取与所述数据类别相关的数据作为所述输入条件；
[0027]将所述数据类别、以及选取的所述输入条件构成的数据对，作为样本数据。
[0028]进一步地，对所述网络结构和所述网络参数进行训练，包括：
[0029]选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述输入条件输入到所述网络结构，通过所述网络结构的损失函数，激活函数和所述网络参数进行训练，得到实际训练结果；
[0030]确定所述实际训练结果与所述训练样本中的相应数据类别之间的实际训练误差是否满足预设训练误差；
[0031]当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；
[0032]和/或，
[0033]对所述网络结构和所述网络参数进行测试，包括：
[0034]选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述输入条件输入到所述训练完成的所述网络结构中，以所述损失函数，激活函数和所述训练完
成的所述网络参数进行测试，得到实际测试结果；
[0035]确定所述实际测试结果与所述测试样本中的相应数据类别之间的实际测试误差是否满足设定测试误差；
[0036]当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。
[0037]进一步地，对所述网络结构和所述网络参数进行训练，还包括：
[0038]当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差损失函数更新所述网络参数；
[0039]通过所述网络结构的所述损失函数，激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；
[0040]和/或，
[0041]对所述网络结构和所述网络参数进行测试，还包括：
[0042]当所述实际测试误差不满足所述设定测试误差时，对所述网络结构和所述网络参数进行重新训练，直至所述重新训练后的实际测试误差满足所述设定测试误差。
[0043]一种基于FCN的多变量时间序列数据分类装置，具体包括：
[0044]多变量高斯模型参数确定模块，用于确定多变量时间序列数据对应的多变量高斯模型参数；
[0045]输入条件生成模块，用于依据所述多变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FCN的多变量时间序列数据分类方法，其特征在于，所述方法包括：确定多变量时间序列数据对应的多变量高斯模型参数；依据所述多变量高斯模型参数和所述多变量时间序列数据生成输入条件；利用人工智能模型的学习能力，建立所述输入条件与所述多变量时间序列数据的数据类别之间的对应关系；获取目标的当前多变量时间序列数据，并依据所述当前多变量时间序列数据确定对应的当前输入条件；通过所述对应关系，确定与所述当前输入条件对应的当前数据类别；具体地，确定与当前输入条件对应的数据类别，包括：将所述对应关系中与所述当前输入条件相同的所述输入条件所对应的数据类别，确定为所述当前数据类别。2.根据权利要求1所述的方法，其特征在于，所述确定多变量时间序列数据对应的多变量高斯模型参数的步骤，包括：依据多变量高斯分布确定所述多变量时间序列数据中包含的特征的均值矩阵；依据所述均值矩阵生成对应于所述多变量时间序列数据的特征关联性量化结果的协方差矩阵。3.根据权利要求2所述的方法，其特征在于，所述依据所述多变量高斯模型参数和所述多变量时间序列数据生成输入条件的步骤，包括：将所述多变量时间序列数据通过三次样条插值填充生成等长多变量时间序列数据；生成所述多变量时间序列数据所对应多变量高斯模型的均值矩阵；将所述均值矩阵和所述协方差矩阵进行拼接，生成目标矩阵；依据所述等长多变量时间序列数据、所述协方差矩阵和所述目标矩阵生成所述输入条件。4.根据权利要求1所述的方法，其特征在于，所述建立所述输入条件与所述多变量时间序列数据的数据类别之间的对应关系的步骤，包括：获取用于建立所述输入条件与所述数据类别之间的对应关系的样本数据；分析所述输入条件的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述输入条件与所述数据类别的所述对应关系。5.根据权利要求3所述的方法，其特征在于，所述获取用于建立所述输入条件与所述数据类别之间的对应关系的样本数据的步骤，包括：收集不同数据源的所述输入条件和所述数据类别；对所述输入条件进行分析、并结合预存的专家经验信息，选取与所述数据类别相关的数据作为所述输入条件；将所述数据类别、以及选取的所述输入条件构成的数据对，作为样本数据。6.根据权利要求4或5所述的方法，其特征在于，对所述网络结构和所述网络参数进行训练，包括：选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述输入条件输入到所述网络结构，通过所述网络结构的损失函数，激活函数和所述网络参数进行训练，
得到实际训练结果；确定所述实际训练结果与所述训练样本中的相应数据类别之间的实际训练误差是否满足预设训练误差；当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训...

【专利技术属性】
技术研发人员：包先雨，吴共庆，蔡伊娜，何伊娜，台昌杨，阮周曦，杨泽，夏家铸，
申请(专利权)人：合肥工业大学深圳海关信息中心深圳海关动植物检验检疫技术中心，
类型：发明
国别省市：