System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及时间序列补全,尤其涉及一种基于循环神经网络和集成学习的可靠时间序列补全方法;
技术介绍
1、现有的时间序列补全算法大多基于rnn,transformer等网络结构,它们主要关注补全的准确性,如brits,glima等。这类时间序列补全算法忽视了模型的不确定性因素,使得时间序列缺失部分补全的结果不具有较高的可信性。最新的时间序列补全算法csdi采用基于条件分数的去噪扩散概率模型,通过概率推理的模式去推断补全值。然而,此方法由于在训练过程中需要多次采样原始数据作为输入以及复杂的概率推理过程,导致其计算效率大大降低。
技术实现思路
1、本专利技术目的就是为了弥补已有技术的缺陷,提供一种基于循环神经网络和集成学习的可靠时间序列补全方法,本专利技术对时间序列的缺失数据进行补全,度量其不确定性及减少计算开销。
2、本专利技术是通过以下技术方案实现的:
3、一种基于循环神经网络和集成学习的可靠时间序列补全方法,具体包括如下步骤:
4、定义一个缺失数据的多元时间序列x,由于缺失的存在,不能直接地将多元时间序列x作为模型的输入,采用一个线性层填补时间序列的缺失部分:
5、
6、
7、其中是填补后的时间序列,wx为权重,bx为偏差,ht-1为上一层隐藏层状态,为时间序列的预测结果,mt为掩码,xt为时间序列在t时刻观测值;
8、引入一个时间衰减因子γt:
9、γt=exp{-max(0,wγδ
10、其中,wγ,bγ为训练权重参数,δt为时间间隔;
11、为了利用特征维度的信息去进行补全,引入基于特征的估计:
12、
13、其中wz,bz为训练参数,为特征的估计;将基于时间依赖的估计和基于特征的估计结合起来,定义作为结合向量;
14、
15、
16、其中βt,1,βt,2,…,βt,b是联合权重,利用相应的值替换xt中的缺失数据,σ为激活函数,wβ,i,bβ,i分别为特征结合估计权重和偏差:
17、
18、其中是相同结构不同参数模型的输出;利用去估计分位数回归损失;采用pinball loss去估计:
19、
20、其中l()为损失函数,qi为分位数,b为分位数数量,t为时间。得到的平均值去进行下次循环预测;采用long short-term memory lstm去学习所有特征的混合信息以及捕捉不同变量的长短时间依赖:
21、
22、其中ht为隐藏层,wh,uh,bh为参数。
23、本专利技术的优点是:本专利技术设计了一种新的高计算效率的有效集成技术——分位数集成方法,将它融合到双向循环神经网络中去根据观测值的数据分布填补缺失值,能够提高补全的准确性同时捕捉内在的不确定性;大量的实验结果表示,本专利技术不仅有高补全准确定性并且能够提供可靠的补全结果。
本文档来自技高网...【技术保护点】
1.一种基于循环神经网络和集成学习的可靠时间序列补全方法,其特征在于:具体包括如下步骤:
【技术特征摘要】
1.一种基于循环神经网络和集成学习的可靠时间...
【专利技术属性】
技术研发人员:胡文波,刘颖,洪日昌,朱金良,
申请(专利权)人:合肥工业大学,
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。