本申请公开了一种多变量时间序列处理方法，为挖掘多变量时间序列中各变量之间的因果关系，获取时间序列集合，该时间序列集合中包括多个第一时间序列片段。其中，每个第一时间序列片段的长度相同且为多变量时间序列。针对任一第一时间序列片段，将该第一时间序列片段输入图神经网络，预测第一时刻对应的多变量参数值。其中，第一时刻为与所述第一时间序列片段中最晚时刻相邻的下一时刻。基于多个第一时刻对应的多变量参数值以及多个第一时刻对应的多变量序列标签(真实值)确定优化函数，该优化函数包括图神经网络的损失函数以及因果矩阵。以最小化优化函数为目标确定因果矩阵中各参数的取值，并根据各参数的取值确定多变量之间的因果关系。间的因果关系。间的因果关系。
【技术实现步骤摘要】
一种多变量时间序列处理方法、装置、设备及介质
[0001]本申请涉及计算机
，具体涉及一种多变量时间序列处理方法、装置、设备及介质。
技术介绍
[0002]时间序列是指将某种统计指标的数值按照时间先后顺序排序形成的序列。通常情况下，时间序列可以分为单变量时间序列和多变量时间序列。其中，多变量时间序列是指在同一时间点存在多个不同的统计指标的值。关于多变量时间序列的研究主要包括预测、异常检测、因果挖掘等，其中因果挖掘是指挖掘多个变量之间的影响关系。
[0003]目前，针对多变量时间序列的分析主要针对的是具有简单线性关系的多变量的研究，无法对具有非线性依赖关系的多变量时间序列进行有效分析。
技术实现思路
[0004]有鉴于此，本申请提供一种多变量时间序列处理方法、装置、设备及介质，以实现对具有非线性关系的多变量时间序列进行处理。
[0005]为实现上述目的，本申请提供的技术方案如下：
[0006]在本申请第一方面，提供了一种多变量时间序列处理方法，其特征在于，所述方法包括：
[0007]获取时间序列集合，所述时间序列集合中包括多个第一时间序列片段，所述多个第一时间序列片段中每个第一时间序列片段的长度相同，所述第一时间序列片段为多变量时间序列；
[0008]针对所述时间序列集合中的任一第一时间序列片段，将所述第一时间序列片段输入图神经网络，预测第一时刻对应的多变量参数值，所述第一时刻为与所述第一时间序列片段中最晚时刻相邻的下一时刻；
[0009]根据多个所述第一时刻对应的多变量参数值以及多个第一时刻对应的多变量序列标签确定优化函数，所述优化函数包括所述图神经网络的损失函数和因果矩阵；
[0010]以最小化所述优化函数为目标，确定所述因果矩阵中各参数的取值；
[0011]根据所述因果矩阵中各参数的取值确定所述多变量时间序列中多变量之间的因果关系。
[0012]在本申请第二方面，提供了一种多变量时间序列处理装置，所述装置包括：
[0013]获取单元，用于获取时间序列集合，所述时间序列集合中包括多个第一时间序列片段，所述多个第一时间序列片段中每个第一时间序列片段的长度相同，所述第一时间序列片段为多变量时间序列；
[0014]预测单元，用于针对所述时间序列集合中的任一第一时间序列片段，将所述第一时间序列片段输入图神经网络，预测第一时刻对应的多变量参数值，所述第一时刻为与所述第一时间序列片段中最晚时刻相邻的下一时刻；
[0015]确定单元，用于根据多个所述第一时刻对应的多变量参数值以及多个第一时刻对应的多变量序列标签确定优化函数，所述优化函数包括所述图神经网络的损失函数和因果矩阵；
[0016]所述确定单元，还用于以最小化所述优化函数为目标，确定所述因果矩阵中各参数的取值；
[0017]所述确定单元，还用于根据所述因果矩阵中各参数的取值确定所述多变量时间序列中多变量之间的因果关系。
[0018]在本申请第三方面，提供了一种电子设备，所述设备包括：处理器和存储器；所述存储器，用于存储指令或计算机程序；所述处理器，用于执行所述存储器中的所述指令或计算机程序，以使得所述电子设备执行第一方面所述的方法。
[0019]在本申请第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在设备上运行时，使得所述设备执行第一方面所述的方法。
[0020]在本申请第五方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现所述执行第一方面所述的方法。
[0021]由此可见，本申请实施例具有如下有益效果：
[0022]本申请中为挖掘多变量时间序列中各变量之间的因果关系，获取时间序列集合，该时间序列集合中包括多个第一时间序列片段。其中，每个第一时间序列片段的长度相同且为多变量时间序列。针对时间序列集合中的任一第一时间序列片段，将该第一时间序列片段输入图神经网络，预测第一时刻对应的多变量参数值。其中，第一时刻为与所述第一时间序列片段中最晚时刻相邻的下一时刻。即利用第一时间序列片段各变量的参数值预测下一时刻各变量的参数值。基于多个第一时刻对应的多变量参数值以及多个第一时刻对应的多变量序列标签(真实值)确定优化函数，该优化函数包括图神经网络的损失函数以及因果矩阵。以最小化优化函数为目标确定因果矩阵中各参数的取值，并根据各参数的取值确定多变量之间的因果关系。
附图说明
[0023]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域普通技术人员来讲，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的附图。
[0024]图1为本申请实施例提供的一种时间序列示意图；
[0025]图2为本申请实施例提供的一种多变量时间序列处理方法流程图；
[0026]图3a为本申请实施例提供的一种获取第一时间序列片段示意图；
[0027]图3b为本申请实施例提供的另一种获取第一时间序列片段示意图；
[0028]图4为本申请实施例提供的一种图神经网络结构示意图；
[0029]图5为本申请实施例提供的另一种多变量时间序列处理方法流程图；
[0030]图6为本申请实施例提供的一种获取第二时间序列片段示意图；
[0031]图7为本申请实施例提供的一种多变量时间序列处理装置示意图；
[0032]图8为本申请实施例提供的一种电子设备结构示意图。
具体实施方式
[0033]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0034]为解决时间序列中各变量之间的因果推断问题，本申请实施例提供了一种基于图神经网络的因果结构挖掘方法，通过挖掘时间序列中各变量之间的因果关系，分析变量之间的时滞效应。
[0035]为便于理解，参见图1所示的应用场景图，如图1所示，在该应用场景下时间序列包括4个变量，分别为x1、x2、x3和x4。图(a)为正常的时间序列、(b)为离散化的时间序列，通过挖掘获得(c)所指示的有向图。通过该有向图(c)可以确定影响和的因素。
[0036]即通过本申请提供的技术方案，不仅可以挖掘多变量存在因果关系，还可以确定影响程度以及最大影响迟滞数，例如图(c)中各个边的取值。如影响的变量有最大影响迟滞数为2。影响的变量有的变量有和最大影响迟滞数为2。
[0037]需要说明的是，本申请暂不考虑变量间的同期作用。例如，不考虑需要说明的是，本申请暂不考虑变量间的同本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多变量时间序列处理方法，其特征在于，所述方法包括：获取时间序列集合，所述时间序列集合中包括多个第一时间序列片段，所述多个第一时间序列片段中每个第一时间序列片段的长度相同，所述第一时间序列片段为多变量时间序列；针对所述时间序列集合中的任一第一时间序列片段，将所述第一时间序列片段输入图神经网络，预测第一时刻对应的多变量参数值，所述第一时刻为与所述第一时间序列片段中最晚时刻相邻的下一时刻；根据多个所述第一时刻对应的多变量参数值以及多个第一时刻对应的多变量序列标签确定优化函数，所述优化函数包括所述图神经网络的损失函数和因果矩阵；以最小化所述优化函数为目标，确定所述因果矩阵中各参数的取值；根据所述因果矩阵中各参数的取值确定所述多变量时间序列中多变量之间的因果关系。2.根据权利要求1所述的方法，其特征在于，所述根据多个所述第一时刻对应的多变量参数值以及多个第一时刻对应的多变量序列标签确定优化函数，包括：针对任一所述第一时刻对应的多变量参数值，获取第二时间序列片段，所述第二时间序列片段包括所述第一时刻对应的多变量参数值，且所述第二时间序列片段的长度与所述第一时间序列片段的长度一致；将所述第二时间序列片段输入所述图神经网络，预测第二时刻对应的多变量参数值，所述第二时刻为与所述第一时刻相邻的下一时刻；根据多个所述第二时刻对应的多变量参数值以及所述第二时刻对应的多变量序列标签确定优化函数。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述因果矩阵中各参数的取值确定所述多变量时间序列中多变量之间的因果关系，包括：当所述因果矩阵中一参数的取值非零时，确定多变量之间存在时滞因果关系。4.根据权利要求1所述的方法，其特征在于，所述将所述第一时间序列片段输入图神经网络，预测第一时刻对应的多变量参数值，包括：将所述第一时间序列片段以及第一时刻对应的多变量序列标签输入所述图神经网络的编码器，获得各变量对应的噪声特征以及所述第一时刻各变量的预测特征；将所述第一时刻各变量的预测特征与所述各变量对应的噪声特...
【专利技术属性】
技术研发人员：孙阳，解一凡，刘康，罗旋，
申请(专利权)人：北京火山引擎科技有限公司，
类型：发明
国别省市：
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。