[發明專利]一種可解釋的多維時序數據分析方法

在審

• 申請號: 202010690245.7
• 申請日: 2020-07-17
• 公開（公告）號: CN111949704A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 姚振杰;涂燕暉;陳一昕
• 申請（專利權）人: 網絡通信與安全紫金山實驗室
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/28;G06N3/04;G06N3/06;G06N3/08
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 張芳

1.一種可解釋的多維時序數據分析方法，由處理器執行，其特征在于，包括以下步驟，

S1、建立多維時序數據分析模型，所述分析模型為卷積神經網絡，依次包括輸入層、卷積層、隱層和輸出層；其中卷積層用于對多維輸入數據進行模式匹配，模式匹配的結果有n*m種，其中n為輸入數據的維數，m為卷積核的數量即模式數量；所述隱層相應的包括n*m個神經元，所述神經元由所述模式匹配的結果經過激活函數計算得到；所述輸出層對所述隱層的神經元采用全連接層得到預測結果；

S2、將不同時間點采集的多個指標數據作為輸入數據輸入所述分析模型，所述輸入數據為n*k的矩陣，其中n為輸入數據的維數，即指標數量，k為輸入數據的采集次數；

S3、所述分析模型輸出一個或多個預測結果，對應不同的建模任務；

S4、對所述預測結果進行回溯，得到所述神經元的權重，進而得到組成該神經元的輸入數據維度和模式的權重，實現所述分析模型的可解釋性。

2.根據權利要求1所述的多維時序數據分析方法，其特征在于，S1中所述根據卷積核的數量m得到多個變化趨勢具體為，所述卷積核的尺寸為1*k，則變化趨勢數量為m*k。

3.根據權利要求1所述的多維時序數據分析方法，其特征在于，所述激活函數為非線性激活函數。

4.根據權利要求1所述的多維時序數據分析方法，其特征在于，在S1之后還包括對所述卷積神經網絡進行訓練的步驟，具體為，重復對所述神經元的參數W和b按照以下公式進行更新，

其中W為權值矩陣，b為偏置值，W'為更新后的權值矩陣，b'為更新后的偏置值，C為損失函數，η為學習率參數，取值區間為(0,1)。

5.根據權利要求4所述的多維時序數據分析方法，其特征在于，將所述損失函數C最小化，實現參數W和b的優化。

6.根據權利要求1～5任一項所述的多維時序數據分析方法，其特征在于，所述輸入數據的指標為人體體征指標。