面向多变量时间序列的无监督变量级对抗表征学习方法技术

本发明专利技术公开了一种面向多变量时间序列的无监督变量级对抗表征学习方法，构建无监督的表征学习模型，将多变量特征学习和单变量特征学习视为相关又对立的学习过程，利用变量级对抗学习机制和“分解与聚合”机制，更好、更全面、更鲁棒地捕获多变量时间序列的潜在特征，具体为：1)将多变量时间序列表征分解为多变量特征学习和单变量特征学习；2)选择LSTM网络作为原型网络，联合重构学习和预测学习作为共享的学习策略；3)设计“聚合‑分解”机制学习多个变量之间的相关性，聚合机制用于将个体特征聚合后更新总体特征，分解机制对总体特征进行分解来更新个体特征；4)设计变量级对抗学习机制并将其集成在两个学习过程中用于捕捉多个变量之间的差异性。

【技术实现步骤摘要】

本专利技术涉及数据检测，特别是涉及一种面向多变量时间序列的无监督变量级对抗表征学习方法。

技术介绍

1、表征学习可以准确地捕获原始多变量时间序列中的潜在特征，并代替原始时间序列作为下游分析任务(如：预测、异常检测和分类)的输入，以提高这些任务的性能和速度。然而，由于缺乏人工标记的数据，多变量时间序列表征学习非常具有挑战性，通常在无监督模式下进行。

2、在无监督模式下，现有的多变量时间序列表征学习模型通常使用重构学习、预测学习或对比学习作为学习策略，使用卷积神经网络(cnn)、循环神经网络(rnn、lstm、gru)或transformer网络作为特征提取器。具体来说，在各种学习策略中，重构学习和预测学习策略相对简单。其中，重构学习倾向于捕获适合于分类任务的特征，而预测学习则倾向于捕获适合于预测任务的特征。此外，这两种策略都很容易受到噪声的影响，使模型缺乏鲁棒性。相比之下，对比学习策略可以捕捉到更多的多样化特征。然而，对比学习需要建立一个复杂的对比结构。此外，其性能在很大程度上依赖于正训练样本和负训练样本的质量。在各种特征提取器中，cnn网络是最本文档来自技高网...

【技术保护点】

1.一种面向多变量时间序列的无监督变量级对抗表征学习方法，其特征在于，首先，所述方法将多变量时间序列表征分解为多变量特征学习和单变量特征学习两个过程；然后，在两个学习过程中，选择LSTM网络作为原型网络，联合重构学习和预测学习作为共享的学习策略；接着，设计“聚合-分解”机制来学习多个变量之间的相关性，其中聚合机制用于将个体特征聚合在一起来更新总体特征，分解机制负责对总体特征进行分解来更新个体特征；最后，设计变量级对抗学习机制并将其集成在两个学习过程中用于来捕捉多个变量之间的差异性。

2.根据权利要求1所述的面向多变量时间序列的无监督变量级对抗表征学习方法，其特征在于，包括以下...

【技术特征摘要】

1.一种面向多变量时间序列的无监督变量级对抗表征学习方法，其特征在于，首先，所述方法将多变量时间序列表征分解为多变量特征学习和单变量特征学习两个过程；然后，在两个学习过程中，选择lstm网络作为原型网络，联合重构学习和预测学习作为共享的学习策略；接着，设计“聚合-分解”机制来学习多个变量之间的相关性，其中聚合机制用于将个体特征聚合在一起来更新总体特征，分解机制负责对总体特征进行分解来更新个体特征；最后，设计变量级对抗学习机制并将其集成在两个学习过程中用于来捕捉多个变量之间的差异性。

2.根据权利要求1所述的面向多变量时间序列的无监督变量级对抗表征学习方法，其特征在于，包括以下步骤：

3.根据权利要求2所述的面向多变量时间序列的无监督变量级对抗表征学习方法，其特征在于，所述步骤s1中，构建特征初始化网络用于学习每个变量的个体特征，特征初始化网络由特征提取器、历史预测器和未来预测器组成，历史预测器和未来预测器构成双向预测器，特征初始化后生成m个变量的个体特征。

4.根据权利要求3所述的面向多变量时间序列的无监督变量级对抗表征学习方法，其特征在于，所述步骤s1中，特征初始化网络被所有变量共享，设变量为j，个体特征初始化学习...

【专利技术属性】
技术研发人员：陈磊，谢星权，鲁泽鑫，何庭钦，吕明阳，李明，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：