[發明專利]高維重現概念漂移流數據的變化趨勢預測方法及裝置

有效

• 申請號: 202010648319.0
• 申請日: 2020-07-07
• 公開（公告）號: CN111797122B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 紀楊建;孫林進
• 申請（專利權）人: 浙江大學
• 主分類號: G06F16/2455
• 分類號: G06F16/2455;G06N3/04;G06N3/08
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 陳瀟瀟

1.一種高維重現概念漂移流數據的變化趨勢預測方法，其特征在于，包括：

獲取表征目標變量狀態變化的實時時序數據流，所述時序數據流包括立磨出口溫度時序數據流；

以所述實時時序數據流為輸入，經概念漂移預測模型輸出表征目標變量未來狀態變化的最終預測時序數據流；

所述概念漂移預測模型，經預設的訓練集對D-LSTM神經網絡進行離線訓練，以及依據所述實時時序數據流對所述D-LSTM神經網絡進行在線自回歸預測訓練得到；

所述以所述實時時序數據流為輸入，經概念漂移預測模型輸出表征所述目標變量未來狀態變化的最終預測時序數據流，包括：

以所述實時時序數據流為輸入，經離線訓練后的D-LSTM神經網絡對所述實時時序數據流進行在線自回歸預測，輸出表征所述目標變量未來狀態變化的第一時序數據流；以及

計算所述第一時序數據流的預測誤差并依據所述預測誤差更新所述離線訓練后的D-LSTM神經網絡的網絡參數，得到二次訓練后的D-LSTM神經網絡；

以所述實時時序數據流為輸入，經二次訓練后的D-LSTM神經網絡，輸出表征所述目標變量未來狀態變化的第二時序數據流；

對所述第一時序數據流和所述第二時序數據流加權求和，輸出所述最終預測時序數據流；

所述概念漂移預測模型包括預訓練的循環去噪自編碼器，所述以所述實時時序數據流為輸入，經離線訓練后的D-LSTM神經網絡對所述實時時序數據流進行在線自回歸預測，輸出表征所述目標變量未來狀態變化的第一時序數據流，包括：

以所述實時時序數據流為輸入，經所述循環去噪自編碼器對所述實時時序數據流進行特征向量提取，得到所述實時時序數據流的降維特征向量集；

以所述實時時序數據流的降維特征向量集為輸入，經離線訓練后的D-LSTM神經網絡對所述實時時序數據流進行在線自回歸預測，輸出表征所述目標變量未來狀態變化的第一時序數據流；

所述預設的訓練集的構建方法，包括：

獲取表征所述目標變量狀態變化的第一歷史時序數據流；

通過固定步長的滑動窗口提取所述第一歷史時序數據流的第一數據塊；

提取所述第一數據塊的特征向量，確定所述第一數據塊的特征向量對應的第一重現概念，并將所述第一數據塊保存在所述第一重現概念的數據集中；

獲取表征所述目標變量狀態變化的第二歷史時序數據流；

通過所述固定步長的滑動窗口提取所述第二歷史時序數據流的第二數據塊；

提取所述第二數據塊的特征向量，計算所述第二數據塊的特征向量與所述第一數據塊的特征向量的Pearson相關系數，若所述Pearson相關系數大于預設閾值，將所述第二數據塊保存在所述第一重現概念的數據集中；若所述Pearson相關系數小于等于所述預設閾值，則建立第二重現概念，并將所述第二數據塊保存在所述第二重現概念的數據集中；

依據所述第一重現概念的數據集及所述第二重現概念的數據集構建所述預設的訓練集。

2.根據權利要求1所述的高維重現概念漂移流數據的變化趨勢預測方法，其特征在于，所述概念漂移預測模型包括第一D-LSTM神經網絡及第二D-LSTM神經網絡，所述D-LSTM神經網絡的離線訓練方法，包括：

以所述第一重現概念的數據集為訓練樣本，對所述第一D-LSTM神經網絡進行離線訓練，直至所述第一D-LSTM神經網絡滿足收斂條件；

以所述第二重現概念的數據集為訓練樣本，對所述第二D-LSTM神經網絡進行離線訓練，直至所述第二D-LSTM神經網絡滿足收斂條件。

3.根據權利要求1所述的高維重現概念漂移流數據的變化趨勢預測方法，其特征在于，所述D-LSTM神經網絡包括多層級聯的LSTM單元，所述D-LSTM神經網絡的離線訓練方法，還包括：

將屬于同一重現概念的數據集的數據分為測試集和驗證集；

針對每一層LSTM單元：

將所述測試集數據輸入所述LSTM單元進行訓練，并利用所述驗證集進行驗證，通過誤差反向傳播更新所述LSTM單元的參數，直至所述LSTM單元滿足迭代收斂條件。