【技术实现步骤摘要】
本专利技术属于时序数据表征，具体涉及一种基于时序周期和趋势特性恢复的表征学习方法和装置。
技术介绍
1、时间序列数据在人类日常生产生活中非常常见，比如物联网传感器采集的数据、医疗采集的数据、气候数据等等。时间序列数据随着各种采集设备(如穿戴设备，工业传感器等)的普及，已经成为了非常重要和常见的数据资源，如何更有效地利用时序数据也成为了重要的研究课题。然而，大量的时间序列数据需要耗费非常多的人力和经验才能进行标注，因此自监督学习被应用于时间序列领域。对比学习作为一种自监督学习方法，，其利用增强技术来获取相似样本，灵活定义正负样本对，展现出越来越强大的时序表征能力。通过使用nce和infonce等损失函数，对比学习可以拉近正样本与负样本在表征空间中的距离。
2、大多数时间序列具有采样点数多的特性。当对比学习对时间序列进行处理时，分割就成了一种常用的技术，它能将时间序列记录分割成更短的样本。例如，可以将医疗领域的ecg和eeg时间序列分割成较短的样本，语音、图像、文本和其他领域的数据也同样可以进行分割处理。分割长时间序列通常有助于...
【技术保护点】
1.一种基于时序周期和趋势特性恢复的表征学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时序周期和趋势特性恢复的表征学习方法，其特征在于，依据多条长时间序列记录在频域的分布特定确定周期间隔，包括：
3.根据权利要求1所述的基于时序周期和趋势特性恢复的表征学习方法，其特征在于，依据周期间隔确定样本长度，包括：
4.根据权利要求1所述的基于时序周期和趋势特性恢复的表征学习方法，其特征在于，基于正负样本集构建的对比损失表示为：
5.根据权利要求1所述的基于时序周期和趋势特性恢复的表征学习方法，其特征在于，在编...
【技术特征摘要】
1.一种基于时序周期和趋势特性恢复的表征学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时序周期和趋势特性恢复的表征学习方法，其特征在于，依据多条长时间序列记录在频域的分布特定确定周期间隔，包括：
3.根据权利要求1所述的基于时序周期和趋势特性恢复的表征学习方法，其特征在于，依据周期间隔确定样本长度，包括：
4.根据权利要求1所述的基于时序周期和趋势特性恢复的表征学习方法，其特征在于，基于正负样本集构建的对比损失表示为：
5.根据权利要求1所述的基于时序周期和趋势特性恢复的表征学习方法，其特征在于，在编码器的输出增加预测网络来实现不同样本的相对位置预测，且构建的交叉熵损失表示为：
6.根据权利要求1所述的基于时序周期和趋势特性恢复的表征学习方法，其特征在于，所述表征学习方法用于医...
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。