[發(fā)明專利]時(shí)間序列數(shù)據(jù)的降維方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)

有效

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

本申請(qǐng)涉及一種時(shí)間序列數(shù)據(jù)的降維方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。所述方法包括：將待處理的時(shí)間序列數(shù)據(jù)按照時(shí)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(shí)刻的隱藏層向量；基于t?SNE降維算法，對(duì)所述隱藏層向量進(jìn)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。采用本方法能夠?qū)崿F(xiàn)對(duì)矩陣形式的時(shí)間序列數(shù)據(jù)的降維處理。

技術(shù)領(lǐng)域

本申請(qǐng)涉及數(shù)據(jù)分析技術(shù)領(lǐng)域，特別是涉及一種時(shí)間序列數(shù)據(jù)的降維方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)

在機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)，一個(gè)樣本往往包含幾十甚至上百個(gè)特征，每個(gè)特征就是一個(gè)維度，為了可視化這類高維度的數(shù)據(jù)，需要把這些數(shù)據(jù)的特征維度降到兩維或三維，才能在電腦上顯示。

目前的數(shù)據(jù)降維技術(shù)只能針對(duì)一個(gè)樣本只占據(jù)一行的數(shù)據(jù)，而對(duì)于序列類型的人數(shù)據(jù)。例如，使用手機(jī)采集的傳感器數(shù)據(jù)預(yù)測(cè)手機(jī)使用人的動(dòng)作，一個(gè)動(dòng)作由多個(gè)時(shí)間步驟組成，表現(xiàn)在數(shù)據(jù)集里就是多行組成，每行代表一個(gè)時(shí)間步，每個(gè)步驟的特征包含了x,y,z等方向的加速度等。對(duì)于這類時(shí)間序列數(shù)據(jù)，傳統(tǒng)降維方法無法進(jìn)行降維處理。即傳統(tǒng)數(shù)據(jù)降維方法只能將高維向量降維至低維向量，無法降維矩陣形式的時(shí)間序列數(shù)據(jù)。

因此，如何對(duì)矩陣形式的時(shí)間序列數(shù)據(jù)進(jìn)行降維，成為亟待解決的問題。

發(fā)明內(nèi)容

基于此，有必要針對(duì)上述技術(shù)問題，提供一種能夠?qū)仃囆问降臅r(shí)間序列數(shù)據(jù)進(jìn)行降維的時(shí)間序列數(shù)據(jù)的降維方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

一種時(shí)間序列數(shù)據(jù)的降維方法，所述方法包括：

將待處理的時(shí)間序列數(shù)據(jù)按照時(shí)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(shí)刻的隱藏層向量；

基于t-SNE降維算法，對(duì)所述隱藏層向量進(jìn)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。

在其中一個(gè)實(shí)施例中，還包括：獲取用于訓(xùn)練所述降維神經(jīng)網(wǎng)絡(luò)模型的樣本時(shí)間序列數(shù)據(jù)和所述樣本時(shí)間序列數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽；

根據(jù)所述樣本時(shí)間序列數(shù)據(jù)和所述樣本時(shí)間序列數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽，對(duì)預(yù)設(shè)的GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲取降維神經(jīng)網(wǎng)絡(luò)模型。

在其中一個(gè)實(shí)施例中，還包括：將所述樣本時(shí)間序列數(shù)據(jù)和所述樣本時(shí)間序列數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽按照預(yù)設(shè)比例分為訓(xùn)練集和測(cè)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(duì)所述GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；其中，N是大于1的整數(shù)；

根據(jù)所述測(cè)試集對(duì)訓(xùn)練后的GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，獲取所述GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)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(duì)調(diào)整參數(shù)后的GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)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(cè)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(cè)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(cè)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(cè)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。

在其中一個(gè)實(shí)施例中，還包括：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(duì)隱藏層單元數(shù)目減少后的GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)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(cè)試集對(duì)隱藏層單元數(shù)目減少后的GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)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(cè)準(zhǔn)確率。

在其中一個(gè)實(shí)施例中，還包括：獲取調(diào)整參數(shù)前的GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)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(cè)準(zhǔn)確率之間的預(yù)測(cè)準(zhǔn)確率之差；