一种基于多尺度上下文的多元时序信号分析方法技术

本发明专利技术提供了一种基于多尺度上下文的多元时序信号分析方法。首先，对多元时序信号进行时频转换和不同尺度的切分，以切分后的切片向量作为网络训练的输入用向量；然后，对构建的多元时序信号分析网络进行训练，所构建的网络采用多尺度上下文Transformer模型，包括多层级编码模块和双向特征融合模块，能够更好挖掘不同尺度间的潜在上下文关系，提升时序信号的特征表示；最后，应用训练好的网络进行时序信号分析。本发明专利技术通过使用Transformer来建模MTS信号的多尺度相关性，不仅可以最大限度地提高每个单一尺度生成特征的能力，还可以充分利用多尺度特征增强MTS分析网络的整体表示能力。力。力。

【技术实现步骤摘要】
一种基于多尺度上下文的多元时序信号分析方法


[0001]本专利技术属时序信号分析
，具体涉及一种基于多尺度上下文的多元时序信号分析方法。

技术介绍

[0002]时间序列在许多领域都无处不在，包括医学、金融、气象学、生物学、智慧城市、工程应用等。近年来，深度学习在时间序列分析中也取得了显著的成功。该领域的大部分研究都集中在单变量时间序列(Univariate Time Series，UTS)，即每个实例只有一个序列。而在现实世界中，每个实例通常包含多个具有内在相关性的序列。因此，对在每个时间戳上具备几个时间相关连续观测值的多变量时间序列(Multivariable Time Series,MTS)分析，已成为该领域一个重要且更具挑战性的方向。
[0003]Transformer在长距离相关性上表现出了强大的建模能力，因此，最近其作为先进的计算模型被引入到时间序列分析领域。用于分析时间序列的Transformer网络及其变体通常使用自注意力机制对全局特征进行编码以应对时间序列中的各类挑战，并应用于多种时间序列任务，如分类、回归、预测、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度上下文的多元时序信号分析方法，其特征在于步骤如下：S1、给定一个多元时序信号训练集，使用短时傅里叶变换将时序信号转换为时频谱，并将同一实例的时频谱按照Z轴方向进行拼接，对拼接后的时频谱按照8
×
8、12
×
12和16
×
16三种尺度大小进行切分，得到三个尺度的若干切片；然后，采用线性映射将每个切片映射成为一个长度为768的一维向量，并采用同样长度的向量记录该切片在原信号中的位置信息，作为其位置编码向量；将同一尺度的所有切片向量进行拼接，得到一个长度为768的多维向量，该向量作为训练参数向量，再将位置编码向量叠加到对应的切片向量上，得到同一尺度下的网络训练用向量；S2、构建多元时序信号分析网络，包括多层级编码模块和双向特征融合模块，其中，多层级编码模块包括结构相同、参数独立的三个层级网络，每个层级网络都采用Vision Transformer架构，将三个不同尺度的训练用向量分别输入到三个层级网络，输出得到三个尺度下的特征图；双向特征融合模块主要包括特征融合模块，特征融合模块的输入为两个不同的特征图，先进行特征图拼接，拼接后的特征图经过一个包含两个卷积核大小分别为1
×
1和3
×
3的卷积层...

【专利技术属性】
技术研发人员：张鼎文，姚洁茹，郑朝晖，韩军伟，刘念，韩龙飞，杨凯辉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：