【技术实现步骤摘要】
本专利技术涉及大数据处理领域，具体涉及一种时间序列数据挖掘任务中的时序数据分类方法与装置。
技术介绍
1、不规则时间序列(irregular time series)广泛存在于医疗监测、金融交易、物联网数据、气象观测等领域，与传统规则时间序列相比，其数据点在时间轴上分布不均匀，可能存在缺失、异步采样和动态变化的时间间隔。这种特性给数据建模、预测和分析带来了巨大挑战。近年来，深度学习、贝叶斯建模、图神经网络等技术为不规则时间序列建模提供了新思路，尤其是基于神经ode(neural ordinary differential equations)、时序变换器(temporal transformer)以及扩散模型(diffusion models)的方法，能够有效捕捉时间间隔变化对序列模式的影响。
2、不规则采样多变量时间序列表现出两个突出的特征：序列内不规则性和序列间差异。序列内不规则性是指在实践中，每个时间序列内的变量信号通常以不规则的间隔记录，打破了传统的规则采样时间序列的假设。此外，序列间差异表示多个时间序列之间存在显着...
【技术保护点】
1.一种基于多尺度扩散去噪的高维时间序列数据分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，基于时间点和变量进行编码，包括：
3.根据权利要求2所述的方法，其特征在于，采用注意力机制对不同尺度的时间序列提取时间和变量维度上的特征，包括：
4.根据权利要求1所述的方法，其特征在于，条件指导模型是一个采用全连接层的分类器。
5.根据权利要求1所述的方法，其特征在于，去噪模型遵循标准去噪扩散概率模型的设计，分为两个阶段：正向扩散阶段，即训练阶段，和反向扩散阶段，即推理阶段，在正向扩散阶段，真实响...
【技术特征摘要】
1.一种基于多尺度扩散去噪的高维时间序列数据分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，基于时间点和变量进行编码，包括：
3.根据权利要求2所述的方法，其特征在于，采用注意力机制对不同尺度的时间序列提取时间和变量维度上的特征，包括：
4.根据权利要求1所述的方法，其特征在于，条件指导模型是一个采用全连接层的分类器。
5.根据权利要求1所述的方法，其特征在于，去噪模型遵循标准去噪扩散概率模型的设计，分为两个阶段：正向扩散阶段，即训练阶段，和反向扩散阶段，即推理阶段，在正向扩散阶段，真实响应变量y0通过以时间步长t为条件的扩散过程添加高斯噪声，该扩散过程从[1,t]的均匀分布中采样，采用transunet实现去噪网络来参数化反向扩散过程，并在正向过程中学习噪声分布；在反向扩散阶段，训练后的transunet(∈θ)通过将噪声变量分布pθ(yt)转换为真实分布pθ(y0)来生成最终预测其中θ代表去噪网...
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。