[發(fā)明專利]時間序列數(shù)據(jù)的降維方法、裝置、計算機設(shè)備和存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110395323.5
• 申請日: 2021-04-13
• 公開（公告）號: CN113139590B
• 公開（公告）日: 2022-03-22
• 發(fā)明（設(shè)計）人: 李應(yīng)健
• 申請（專利權(quán)）人: 索信達（北京）數(shù)據(jù)技術(shù)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 華進聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 謝曲曲

1.一種時間序列數(shù)據(jù)的降維方法，其特征在于，所述方法包括：

將待處理的時間序列數(shù)據(jù)按照時間順序輸入至預(yù)先訓(xùn)練好的降維神經(jīng)網(wǎng)絡(luò)模型，獲取所述降維神經(jīng)網(wǎng)絡(luò)模型中最后時刻的隱藏層向量；時間序列數(shù)據(jù)中的樣本通常由多個序列構(gòu)成，每個序列中包含不少于1個特征，不同的序列之間有時間上的先后順序；

基于t-SNE降維算法，對所述隱藏層向量進行降維處理，獲取降維數(shù)據(jù)集；所述降維數(shù)據(jù)集是降至二維后的隱藏層向量的集合；

所述降維神經(jīng)網(wǎng)絡(luò)模型通過以下方法獲取：

獲取用于訓(xùn)練所述降維神經(jīng)網(wǎng)絡(luò)模型的樣本時間序列數(shù)據(jù)和所述樣本時間序列數(shù)據(jù)對應(yīng)的標(biāo)簽；

根據(jù)所述樣本時間序列數(shù)據(jù)和所述樣本時間序列數(shù)據(jù)對應(yīng)的標(biāo)簽，對預(yù)設(shè)的GRU神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，獲取降維神經(jīng)網(wǎng)絡(luò)模型；

所述根據(jù)所述樣本時間序列數(shù)據(jù)和所述樣本時間序列數(shù)據(jù)對應(yīng)的標(biāo)簽，對預(yù)設(shè)的GRU神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，獲取降維神經(jīng)網(wǎng)絡(luò)模型包括：

將所述樣本時間序列數(shù)據(jù)和所述樣本時間序列數(shù)據(jù)對應(yīng)的標(biāo)簽按照預(yù)設(shè)比例分為訓(xùn)練集和測試集；

將所述GRU神經(jīng)網(wǎng)絡(luò)模型中各隱藏層的單元數(shù)目設(shè)置為N，根據(jù)所述訓(xùn)練集對所述GRU神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練；其中，N是大于1的整數(shù)；

根據(jù)所述測試集對訓(xùn)練后的GRU神經(jīng)網(wǎng)絡(luò)模型進行測試，獲取所述GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率；

調(diào)整所述GRU神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，根據(jù)所述訓(xùn)練集對調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，獲取調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率；

根據(jù)調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率和調(diào)整參數(shù)前的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率，確定降維神經(jīng)網(wǎng)絡(luò)模型；所述降維神經(jīng)網(wǎng)絡(luò)模型是預(yù)測準(zhǔn)確率符合預(yù)設(shè)標(biāo)準(zhǔn)的GRU神經(jīng)網(wǎng)絡(luò)模型；

所述調(diào)整所述GRU神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，根據(jù)所述訓(xùn)練集對調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，獲取調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率包括：

將所述GRU神經(jīng)網(wǎng)絡(luò)模型中各隱藏層的單元數(shù)目減少1，獲取隱藏層單元數(shù)目減少后的GRU神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)所述訓(xùn)練集對隱藏層單元數(shù)目減少后的GRU神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，獲取隱藏層單元數(shù)目減少后的GRU神經(jīng)網(wǎng)絡(luò)模型的權(quán)重矩陣；

根據(jù)所述測試集對隱藏層單元數(shù)目減少后的GRU神經(jīng)網(wǎng)絡(luò)模型進行測試，獲取調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率；

所述根據(jù)調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率和調(diào)整參數(shù)前的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率，確定降維神經(jīng)網(wǎng)絡(luò)模型包括：

獲取調(diào)整參數(shù)前的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率與調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率之間的預(yù)測準(zhǔn)確率之差；

若所述預(yù)測準(zhǔn)確率之差超過預(yù)設(shè)閾值，以所述調(diào)整參數(shù)前的GRU神經(jīng)網(wǎng)絡(luò)模型作為降維神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：

若所述預(yù)測準(zhǔn)確率之差未超過預(yù)設(shè)閾值，重復(fù)上述調(diào)整GRU神經(jīng)網(wǎng)絡(luò)模型的參數(shù)以及獲取調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率的步驟，直至最后一次調(diào)整參數(shù)前的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率與最后一次調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率之差超過預(yù)設(shè)閾值，以最后一次調(diào)整參數(shù)前的GRU神經(jīng)網(wǎng)絡(luò)模型作為降維神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于t-SNE降維算法，對所述隱藏層向量進行降維處理，獲取降維數(shù)據(jù)集，之后還包括：

在選定的坐標(biāo)系中標(biāo)出所述降維數(shù)據(jù)集中的二維向量，實現(xiàn)對待處理的時間序列數(shù)據(jù)的可視化顯示。