【技术实现步骤摘要】
本专利技术涉及时间序列分析和深度学习，具体涉及一种基于深度学习的的离散时间序列数据的事件挖掘方法及系统。
技术介绍
1、离散时间序列数据在各领域都占据着关键地位，其广泛应用包括但不限于工业生产、金融市场、医疗保健、交通管理和环境监测等。这些数据记录了在不同时间点上发生的事件或观测值，这些事件对于决策制定、异常检测、趋势分析和资源优化等方面都至关重要。然而，从离散时间序列数据中有效挖掘事件和模式是一项复杂且具有挑战性的任务。在工业生产领域，离散时间序列数据可以包括生产线上的传感器数据，用于监测设备状态和生产效率。通过准确识别事件和模式，生产企业可以更好地规划维护和提高生产效率。在金融市场，时间序列数据是股票价格、汇率和市场指数等的核心组成部分。通过挖掘时间序列数据中的事件和趋势，金融从业者可以更好地制定交易策略、管理风险和预测市场走势。在医疗保健领域，患者的生理参数、医疗设备数据和健康记录都形成了时间序列数据。准确挖掘这些数据中的事件和趋势可以帮助医生进行疾病诊断、患者监测和治疗计划制定。在交通管理和环境监测领域，离散时间序列数据用于跟踪...
【技术保护点】
1.一种基于深度学习的离散时间序列事件挖掘方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的离散时间序列事件挖掘方法，其特征在于，所述BiLSTM-Bert模型包括Bert模块和BiLSTM模块，Bert模块的输入信号先通过Embedding操作，Bert模块用于对Embedding操作后的信号进行序列表征向量，BiLSTM模块用于对时序表征进行进一步的相关性学习。
3.根据权利要求2所述的一种基于深度学习的离散时间序列事件挖掘方法，其特征在于，所述Embedding操作包括Token Embedding层、Segme...
【技术特征摘要】
1.一种基于深度学习的离散时间序列事件挖掘方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的离散时间序列事件挖掘方法，其特征在于，所述bilstm-bert模型包括bert模块和bilstm模块，bert模块的输入信号先通过embedding操作，bert模块用于对embedding操作后的信号进行序列表征向量，bilstm模块用于对时序表征进行进一步的相关性学习。
3.根据权利要求2所述的一种基于深度学习的离散时间序列事件挖掘方法，其特征在于，所述embedding操作包括token embedding层、segment embedding层和positionembedding层。
4.根据权利要求1所述的一种基于深度学习的离散时间序列事件挖掘方法，其特征在于，所述step4中，将第一表征向量v1和第二表征向量v2输入bilstm-transformer模型得到当前信号集s1的第一嵌入向量h1与下文信号集s2的第二嵌入向量h2包括：
5.根据权利要求1所述的一种基于深度学习的离散时间序列事件挖掘方法，其特征在于，所述step5中，所述事件截断预测模块还能够对第二嵌入向量h2进行类别表征得到第二事件类别序列c2。
6.根据权利要求5所述的一种基于深度学习的离散时间序列事件挖掘方法，其特征在于，所述通过事件发现模块对第一嵌入向量h1进行信号到事件的类别表征得到第一事件类别序列c...
【专利技术属性】
技术研发人员：李平，李翊，钟原，钟学燕，沈雅文，李雅杰，周静，朱鑫鹏，
申请(专利权)人：西南石油大学，
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。