[發(fā)明專利]一種基于FCN的多變量時間序列數(shù)據(jù)分類方法

有效

• 申請?zhí)枺?/td>: 202011418905.2
• 申請日: 2020-12-07
• 公開（公告）號: CN112465054B
• 公開（公告）日: 2023-07-11
• 發(fā)明（設計）人: 包先雨;吳共慶;蔡伊娜;何伊娜;臺昌楊;阮周曦;楊澤;夏家鑄
• 申請（專利權）人: 深圳市檢驗檢疫科學研究院;合肥工業(yè)大學;深圳海關信息中心;深圳海關動植物檢驗檢疫技術中心
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F18/213;G06F18/214;G06N3/0464;G06N3/047;G06N3/048;G06N3/08;G06F123/02
• 代理公司: 深圳市智勝聯(lián)合知識產(chǎn)權代理有限公司 44368
• 代理人: 齊文劍

本申請?zhí)峁┝艘环N基于FCN的多變量時間序列數(shù)據(jù)分類方法，包括：確定多變量時間序列數(shù)據(jù)對應的多變量高斯模型參數(shù)；依據(jù)多變量高斯模型參數(shù)和多變量時間序列數(shù)據(jù)生成輸入條件；利用人工智能模型的學習能力，建立輸入條件與多變量時間序列數(shù)據(jù)的數(shù)據(jù)類別之間的對應關系；獲取目標的當前多變量時間序列數(shù)據(jù)，并依據(jù)當前多變量時間序列數(shù)據(jù)確定對應的當前輸入條件；通過對應關系，確定與當前輸入條件對應的當前數(shù)據(jù)類別。通過將多變量時間序列數(shù)據(jù)對應的多變量高斯模型參數(shù)作為輸入條件，在保證了精度的同時，極大地提高了人工智能模型的訓練速度，且數(shù)據(jù)集維度越高，提升越為顯著。

技術領域

本申請涉及數(shù)據(jù)處理領域，特別是一種基于FCN的多變量時間序列數(shù)據(jù)分類方法。

背景技術

時間序列數(shù)據(jù)廣泛存在于我們的生活中，天氣預測，股票市場、醫(yī)療保健、人類活動識別等領域每天都在產(chǎn)生大量的時間序列數(shù)據(jù)。時間序列數(shù)據(jù)的主要特征在于按時間順序索引一系列的數(shù)據(jù)點，任何具有時序屬性的數(shù)據(jù)都可以被當作時間序列數(shù)據(jù)。隨著數(shù)據(jù)獲取和存儲能力的提升，在實際應用中對時間序列數(shù)據(jù)進行分析的需求不斷增加，如何進行準確的時間序列分類是數(shù)據(jù)挖掘中最具挑戰(zhàn)性的問題之一。在心臟病學中，對心電信號進行分類，以區(qū)別心臟病患者和健康人。在異常檢測中，通過監(jiān)視Unix系統(tǒng)上的用戶系統(tǒng)訪問活動來檢測任何類型的異常行為。在人類活動識別中，根據(jù)傳感器采集的數(shù)據(jù)進行人類活動判斷也是一個典型的時間序列分類問題。

時間序列數(shù)據(jù)可以分為單變量時間序列(UTS，Univariate?time?series)和多變量時間序列(MTS，Multivariate?Time?Series)。由于UTS只能描述事物某一方面的性質而不能滿足大部分應用領域，現(xiàn)在研究者的重心都放在了MTS分類，本文的研究也是針對多變量時間序列分類的。多變量時間序列可以視為多個單變量時間序列的集合，但是變量與變量之間可能還存在著相互作用。因此，MTS應該作為一個整體來對待。面對高維的多變量時間序列，如何挖掘變量之間的關系成為多變量時間序列分類領域的巨大挑戰(zhàn)。

近些年，深度學習方法的引入為多變量時間序列分類帶來了可喜的結果。與人工構造規(guī)則抽取特征、設計模型的傳統(tǒng)方法相比，深度學習算法可以自動地學習特征，這些特征更能夠提取出數(shù)據(jù)蘊藏的豐富信息，從而達到較好的分類結果。但神經(jīng)網(wǎng)絡中眾多參數(shù)的訓練是一筆巨大的開銷，即使在當今計算機硬件快速發(fā)展、計算能力顯著提高的情況下，模型的訓練速度仍然較慢。

發(fā)明內(nèi)容

鑒于所述問題，提出了本申請以便提供克服所述問題或者至少部分地解決所述問題的一種基于FCN的多變量時間序列數(shù)據(jù)分類方法，包括：

一種基于FCN的多變量時間序列數(shù)據(jù)分類方法，所述方法包括：

確定多變量時間序列數(shù)據(jù)對應的多變量高斯模型參數(shù)；

依據(jù)所述多變量高斯模型參數(shù)和所述多變量時間序列數(shù)據(jù)生成輸入條件；

利用人工智能模型的學習能力，建立所述輸入條件與所述多變量時間序列數(shù)據(jù)的數(shù)據(jù)類別之間的對應關系；

獲取目標的當前多變量時間序列數(shù)據(jù)，并依據(jù)所述當前多變量時間序列數(shù)據(jù)確定對應的當前輸入條件；

通過所述對應關系，確定與所述當前輸入條件對應的當前數(shù)據(jù)類別；具體地，確定與當前輸入條件對應的數(shù)據(jù)類別，包括：將所述對應關系中與所述當前輸入條件相同的所述輸入條件所對應的數(shù)據(jù)類別，確定為所述當前數(shù)據(jù)類別。

進一步地，所述確定多變量時間序列數(shù)據(jù)對應的多變量高斯模型參數(shù)的步驟，包括：

依據(jù)多變量高斯分布確定所述多變量時間序列數(shù)據(jù)中包含的特征的均值矩陣；

依據(jù)所述均值矩陣生成對應于所述多變量時間序列數(shù)據(jù)的特征關聯(lián)性量化結果的協(xié)方差矩陣。

進一步地，所述依據(jù)所述多變量高斯模型參數(shù)和所述多變量時間序列數(shù)據(jù)生成輸入條件的步驟，包括：