基于辅助任务的时间序列外部回归处理方法、设备及介质技术

本申请提供一种基于辅助任务的时间序列外部回归处理方法、设备及存储介质，涉及时间序列技术领域。该方法包括：获取与原始时间序列对应的时频特征序列；根据时频特征序列和主任务回归预测模型，得到回归损失，根据时频特征序列和辅助任务回归预测模型，得到重构损失，主任务回归预测模型和辅助任务回归预测模型的参数共享，主任务回归预测模型用于对时频特征序列的外部回归标签进行预测，辅助任务回归预测模型用于基于时频特征序列进行时序特征的重构；根据回归损失和重构损失，更新主任务回归预测模型的参数，直至模型收敛。本申请的方法，根据序列数据的重要性动态重构序列中的关键元素，获得更多的数据整体性感知能力，提升模型回归性能。提升模型回归性能。提升模型回归性能。

【技术实现步骤摘要】
基于辅助任务的时间序列外部回归处理方法、设备及介质


[0001]本申请涉及工业时间序列外部回归
，尤其涉及一种基于辅助任务的时间序列外部回归处理方法、设备及介质。

技术介绍

[0002]时间序列(Time Series，TS)数据在绝大多数领域都有着广泛的应用，在各种应用场景中发挥着至关重要的作用。捕捉时间序列数据的模式，挖掘时间序列数据背后隐藏的信息，有利于智能化处理工业数据。这其中，时间序列外部回归就是一种基于整个时间序列信息的外部标签预测方法。
[0003]现有时间序列通过神经网络模型进行训练，对数据的整体性感知能力较差，进而导致回归性能不佳。

技术实现思路

[0004]本申请提供一种基于辅助任务的时间序列外部回归处理方法、设备及介质，用以解决现有时间序列通过神经网络模型进行训练，对数据的整体性感知能力较差，进而导致回归性能不佳的问题。
[0005]第一方面，本申请提供一种基于辅助任务的时间序列外部回归处理方法，包括：
[0006]获取与原始时间序列对应的时频特征序列；
[0007]根据所述时频特征序列和主任务回归预测模型，得到回归损失，根据所述时频特征序列和辅助任务回归预测模型，得到重构损失，所述主任务回归预测模型和所述辅助任务回归预测模型的参数共享，所述主任务回归预测模型用于对所述时频特征序列的外部回归标签进行预测，所述辅助任务回归预测模型用于基于所述时频特征序列进行时序特征的重构；
[0008]根据所述回归损失和重构损失，更新所述主任务回归预测模型的参数，直至模型收敛。
[0009]在一种可能的设计中，所述获取与原始时间序列对应的时频特征序列，包括：
[0010]获取原始时间序列；
[0011]将所述原始时间序列下采样，得到频率分量信息；
[0012]将所述频率分量信息拼接后，得到时频特征序列。
[0013]在一种可能的设计中，所述将所述原始时间序列下采样，得到频率分量信息，包括：
[0014]将所述原始时间序列分解，得到低频子序列和高频子序列；
[0015]根据所述低频子序列和小波函数矩阵的父小波，得到激活向量；
[0016]将激活向量中相邻的向量值取平均，得到低频子序列分量；
[0017]根据所述高频子序列和小波函数矩阵的母小波，得到高频子序列分量；
[0018]根据所述低频子序列分量和高频子序列分量，得到频率分量信息。
[0019]在一种可能的设计中，所述时频特征序列携带有外部回归标签，所述根据所述时频特征序列和主任务回归预测模型，得到回归损失，包括：
[0020]将所述时频特征序列代入主任务回归预测模型中训练，得到模型预测标签；
[0021]将所述模型预测标签与外部回归标签的差值的平方，得到回归损失。
[0022]在一种可能的设计中，所述根据所述时频特征序列和辅助任务回归预测模型，得到重构损失，包括：
[0023]根据所述时频特征序列和二元注意掩码，得到掩膜时频特征序列；
[0024]将所述掩膜时频特征序列代入辅助任务回归预测模型中训练，得到补全时频特征序列；
[0025]根据所述补全时频特征序列与所述时频特征序列，得到重构损失。
[0026]在一种可能的设计中，所述根据所述时频特征序列和二元注意掩码，得到掩膜时频特征序列之前，所述方法还包括：
[0027]根据所述辅助任务回归预测模型，得到时间序列的注意力得分；
[0028]根据所述注意力得分，得到二元注意掩码。
[0029]在一种可能的设计中，所述根据所述回归损失和重构损失，更新所述主任务回归预测模型的参数，直至模型收敛，包括：
[0030]根据所述回归损失和重构损失加权求和，得到总损失；
[0031]根据所述总损失和梯度反向传播方法，更新主任务回归预测模型的参数，直至模型收敛。
[0032]第二方面，本申请提供一种基于辅助任务的时间序列外部回归处理方法，包括：
[0033]根据工业气体传感器对工业环境中各类气体在不同时刻的存量的监测结果，得到多变量时序序列；
[0034]获取与所述多变量时序序列对应的时频特征序列；
[0035]将所述时频特征序列输入至主任务回归预测模型，得到所述主任务回归预测模型输出的安全性指标，其中，所述主任务回归预测模型是通过基于辅助任务的时间序列外部回归处理方法训练得到的。
[0036]第三方面，本申请提供一种基于辅助任务的时间序列外部回归处理设备，包括：
[0037]获取模块，用于获取与原始时间序列对应的时频特征序列；
[0038]处理模块，用于根据所述时频特征序列和主任务回归预测模型，得到回归损失，根据所述时频特征序列和辅助任务回归预测模型，得到重构损失，所述主任务回归预测模型和所述辅助任务回归预测模型的参数共享，所述主任务回归预测模型用于对所述时频特征序列的外部回归标签进行预测，所述辅助任务回归预测模型用于基于所述时频特征序列进行时序特征的重构；
[0039]训练模块，用于根据所述回归损失和重构损失，更新所述主任务回归预测模型的参数，直至模型收敛。
[0040]第四方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
[0041]所述存储器存储计算机执行指令；
[0042]所述处理器执行所述存储器存储的计算机执行指令，以实现基于辅助任务的时间
序列外部回归处理方法。
[0043]第五方面，本申请提供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计算机执行指令，所述计算机执行指令被处理器执行时用于实现基于辅助任务的时间序列外部回归处理方法。
[0044]本申请提供的基于辅助任务的时间序列外部回归处理方法、设备及存储介质，通过获取与原始时间序列对应的时频特征序列；根据所述时频特征序列和主任务回归预测模型，得到回归损失，根据所述时频特征序列和辅助任务回归预测模型，得到重构损失，所述主任务回归预测模型和所述辅助任务回归预测模型的参数共享，所述主任务回归预测模型用于对所述时频特征序列的外部回归标签进行预测，所述辅助任务回归预测模型用于基于所述时频特征序列进行时序特征的重构；根据所述回归损失和重构损失，更新所述主任务回归预测模型的参数，直至模型收敛的手段，使模型获得更多的数据整体性感知能力，使模型根据序列数据的重要性动态重构序列中的关键元素，提升模型回归性能。
附图说明
[0045]为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0046]图1为本申请实施例提供的基于辅助任务的时间序列外部回归处理的应用场景示意图；
[0047]图2为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于辅助任务的时间序列外部回归处理方法，其特征在于，包括：获取与原始时间序列对应的时频特征序列；根据所述时频特征序列和主任务回归预测模型，得到回归损失，根据所述时频特征序列和辅助任务回归预测模型，得到重构损失，所述主任务回归预测模型和所述辅助任务回归预测模型的参数共享，所述主任务回归预测模型用于对所述时频特征序列的外部回归标签进行预测，所述辅助任务回归预测模型用于基于所述时频特征序列进行时序特征的重构；根据所述回归损失和重构损失，更新所述主任务回归预测模型的参数，直至模型收敛。2.根据权利要求1所述的方法，其特征在于，所述获取与原始时间序列对应的时频特征序列，包括：获取原始时间序列；将所述原始时间序列下采样，得到频率分量信息；将所述频率分量信息拼接后，得到时频特征序列。3.根据权利要求2所述的方法，其特征在于，所述将所述原始时间序列下采样，得到频率分量信息，包括：将所述原始时间序列分解，得到低频子序列和高频子序列；根据所述低频子序列和小波函数矩阵的父小波，得到激活向量；将激活向量中相邻的向量值取平均，得到低频子序列分量；根据所述高频子序列和小波函数矩阵的母小波，得到高频子序列分量；根据所述低频子序列分量和高频子序列分量，得到频率分量信息。4.根据权利要求1所述的方法，其特征在于，所述时频特征序列携带有外部回归标签，所述根据所述时频特征序列和主任务回归预测模型，得到回归损失，包括：将所述时频特征序列代入主任务回归预测模型中训练，得到模型预测标签；将所述模型预测标签与外部回归标签的差值的平方，得到回归损失。5.根据权利要求1所述的方法，其特征在于，所述根据所述时频特征序列和辅助任务回归预测模型，得到...

【专利技术属性】
技术研发人员：任磊，莫廷钰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：