融合多变量序列时空信息的事件早期识别方法

针对事件早期识别算法对多维变量序列时空依赖关系挖掘不足的问题,提出了一种时空融合的事件早期识别算法。将多变量时间序列规整为矩阵化数据输入时间卷积网络,通过学习时间序列的时域特征,对时间序列进行预测。将包含已知值和预测值在内的多变量时间序列送入融合时空信息的深度神经网络进行识别。在动作识别、手写字符识别、口语数字识别等多个任务上的实验结果表明,所提算法的性能优于主流的算法。当事件仅发生2/3时,能以平均93.2%的准确率识别多类别事件,在手写字符识别数据集上的早期识别准确率甚至与完整事件被观测到时的识别准确率相当。

多变量序列模式挖掘在中医疗效评价的应用

探讨了多变量时间序列模式挖掘在中医药临床疗效评价中的作用,在"十五"课题所取得的数据基础上,构建多变量疗效矩阵,用Frobenius范数作判定矩阵的相似关系,并转换为时间序列进行挖掘实验。实验结果与临床判定基本符合,中医药疗效分析结果与生存质量分析基本一致;有助于为中医药治疗效果提供科学证据,并可辅助建立中医药疗效评价指标体系。

基于相空间同步的多变量序列相关性分析及预测

针对多变量混沌序列相关性分析中各分量幅值之间可能没有明显的相关性,但在其相空间邻域内会产生同步特性的问题,提出一种从相空间同步角度研究两个变量间相互依赖关系的非线性相关分析方法。首先按照对应的时间标记将原始变量相空间中的邻域点向另外一个变量中进行投影,分析映射前后邻域半径的变化,在此基础上定义一种度量变量间非线性相关性的评价指标。最后构建多变量局域预测模型,实现对多变量混沌序列的精确预测。仿真实例验证了结果的有效性。

面向Shapelet空间的多变量时间序列密度聚类算法

多变量时间序列聚类问题已经成为时间序列分析任务中重要的研究课题,相较于单变量时间序列,多变量时间序列的研究复杂性更高,难度更大。尽管当前已经提出了许多针对多变量时间序列的聚类算法,但是这些算法在精度和解释性方面仍旧不足。其一,当前大部分工作并未考虑多变量时间序列的长度冗余性和变量相关性等问题,导致最终得到的相似性矩阵具有较大误差;其二,数据在聚类过程中普遍采用划分范式,当数值空间呈现复杂分布时该思想表现不佳,并且不具备对各个变量及空间的解释力。针对上述问题,提出了一种面向Shapelet(富有高信息量的连续子序列)空间的多变量时间序列自适应权重密度聚类算法(MDCS)。算法首先对各个变量进行Shapelet搜索,通过自适应策略获取到各自的Shapelet空间,接着对各个变量产生的数值分布进行组合加权,得到了更符合数据分布特征的相似度矩阵,最后利用改进密度计算和二次分配的共享最近邻密度峰值聚类算法对数据进行最终分配。在真实数据集上的实验结果证明,与目前先进的聚类算法相比,MDCS拥有更好的聚类结果,在标准化互信息和兰德系数指标上平均提高了0.344与0.09,兼顾了性能与可解释性。

基于正交局部保持映射和成本优化的多变量时间序列早期分类模型

时间序列早期分类(ETSC)有两个矛盾的目标:早期性和准确率。分类早期性的实现,总是以牺牲它的准确率为代价。现有基于优化的多变量时间序列(MTS)早期分类方法,虽然在成本函数中考虑了错误分类成本和延迟决策成本,却忽视了MTS数据集样本之间的局部结构对分类性能的影响。针对这个问题,提出一种基于正交局部保持映射(OLPP)和成本优化的MTS早期分类模型(OLPPMOAE)。首先,使用OLPP将MTS样本前缀映射到低维空间,保持原数据集的局部结构;其次,在低维空间训练一组高斯过程(GP)分类器,生成训练集每个时刻的类概率;最后,使用粒子群优化(PSO)算法从这些类概率中学习停止规则中的最优参数。在6个MTS数据集上的实验结果表明,在早期性基本持平的情况下,OLPPMOAE的准确率显著高于基于成本的R1_C_(lr)(stopping Rule and Cost function with regularization term l_(1)and l_(2))模型,平均准确率能够提升11.33%~15.35%,调和均值(HM)能够提升4.71%~9.01%。因此,所提模型能够以较高的准确率尽早地分类MTS。

基于2dSVD和高斯混合模型的多变量时间序列聚类

针对多变量时间序列(MTS)存在时间和变量两个维度,以及传统主成分分析(PCA)方法在MTS数据表示上的局限性,提出一种基于二维奇异值分解(2dSVD)和高斯混合模型(GMM)的MTS聚类算法。该文计算MTS的行-行和列-列协方差矩阵的特征向量,从时间和变量两个维度提取特征矩阵;用GMM从概率分布角度对特征矩阵进行聚类。数值实验结果表明,该方法对多变量时间序列具有更好的聚类效果。

结合对抗互信息的多变量时间序列抗噪异常检测

近年来,对多变量时间序列的异常检测在各领域中逐渐突显出其重要性。然而,由于多变量时间序列的时空依赖性以及采集所存在的噪声干扰,使得模型学习到的分布与真实分布存在一定的偏差,进而影响检测性能。为了解决以上问题,提出一种结合对抗互信息的多变量时间序列抗噪异常检测模型(RADAM)。通过设计对比学习机制来达到多变量时间序列全局信息和局部信息的互信息最大化,以此来学习多变量时间序列的时间与空间依赖性;利用自适应权重和过滤器模块减少噪声样本对于训练过程的干扰,使模型在训练过程中具备较高的抗噪能力。在五个真实数据集上与六个先进的同类异常检测方法进行了对比实验,实验结果证明RADAM性能明显优于其他基线模型,说明RADAM能显著提升在包含噪声的多变量时间序列数据集上异常检测的准确度。

时间序列异常检测方法研究综述

时间序列是按时间顺序排列的一组数据点或观测值,在金融学、气象学和股票市场分析等领域中被广泛应用。时间序列数据出现异常可能意味着出现潜在问题、异常事件或系统故障。为了便于未来在时间序列异常检测方法设计方面开展深入研究,本文首先介绍时间序列异常检测的相关概念;其次,展开分析国内外单变量和多变量时间序列异常检测方法;之后,介绍一些时间序列异常检测通用数据集并比较常见检测方法在这些数据集上的性能;最后,探讨未来时间序列异常检测方法设计的重点研究方向,以期对相关理论和应用研究提供参考。

基于样本间潜在关系的多变量时间序列分类

多变量时间序列(multivariate time series,MTS)分类任务旨在确定多变量时间序列样本的标签。多变量时间序列数据存在时序关系和样本相似性关系等丰富的关系信息,然而现有的算法未能充分利用关系信息导致分类性能难以提升。基于此,文章提出一种基于图卷积网络(graph convolutional network,GCN)的多变量时间序列分类方法,通过挖掘样本间的潜在关系来提高分类性能。为了有效表示样本关系,设计基于样本相似度的构图规则,对样本数据进行建模从而将样本的时序特征和潜在关系信息映射到图空间中,提出基于图卷积的分类模型,通过聚合样本特征来捕获有利于分类的潜在样本关系,更新到样本自身特征向量以提升分类精度。在11个公共数据集上的大量实验结果表明,该文所提算法优于12种对比算法,可见通过挖掘时间序列数据之间潜在的关系用于分类对分类结果具有重要影响,从而为处理时间序列分类问题提供一种新的途径。

基于图自编码器的无监督多变量时间序列异常检测

针对多变量时间序列复杂的时间相关性和高维度使得异常检测性能较差的问题,以对抗训练框架为基础提出基于图自编码的无监督多变量时间序列异常检测模型.首先,将特征转换为嵌入向量来表示;其次,将划分好的时间序列结合嵌入向量转换为图结构数据;然后,用两个图自编码器模拟对抗训练重构数据样本;最后,根据测试数据在模型训练下的重构误差进行异常判定.将提出的方法与5种基线异常检测方法进行比较.实验结果表明,提出的模型在测试数据集获得了最高的F1分数,总体性能分F1分数比最新的异常检测模型USAD提高了28.4%.可见提出的模型有效提高异常检测性能.

基于时间跨度注意力机制的多变量时间序列预测方法

在深度学习领域中,多变量时间序列预测的关键是充分捕获其长、短期的依赖。通常的做法是使用卷积神经网络(CNN)来提取多变量时间序列的短期依赖。但是目前的大多数方法都仅仅使用了一种尺寸的卷积核来提取短期依赖,这样就只提取到了一种时间跨度的短期依赖,使得序列的短期依赖关系没有被充分学习到。受多尺度特征提取和通道注意力机制的启发,提出了一种基于时间跨度注意力的神经网络(TSANN)方法,通过充分利用短期依赖来提高多变量时间序列预测的准确度。首先,使用一系列不同大小的卷积核来提取不同时间跨度的短期依赖。然后使用时间跨度注意力将这些特征融合起来并送入循环神经网络(RNN),进一步提取长期特征。另外,与其他方法直接将非线性部分和线性部分的输出相加不同,采用了一个权重学习模块来整合非线性部分和线性部分的输出。在四个基准数据集上进行了实验,结果表明TSANN能有效提高多变量时间序列预测的准确度。

基于渐进式分解架构的风电时间序列预测

准确预测风电机组各项指标对准确管控机组和调控电网的供需有着重要意义.预测指标任务可抽象为风电时间序列预测任务.目前时间序列预测模型主要采用深度学习模型,但是风电时间序列具有较强的波动性和随机性,导致绝大部分模型不能较好挖掘风电时间序列的复杂演化特性.为解决上述问题,提出了一种基于渐进式分解架构的风电时间序列预测方法,该方法首先应用神经网络池化分解方法将复杂的依赖关系简化并应用注意力机制学习长期趋势,然后运用多变量融合捕捉模块增强了网络整体的多变量关联挖掘能力,最后,融合趋势项和周期项对风电时间序列做出准确的预测.实验结果表明,该方法在风电时间序列的多步预测中均方误差相比基线模型至高可提升24%,在多尺度预测长度下表现出预测性能稳定提升的同时,计算效率显著优于同类模型.

基于GAN的多变量时间序列异常检测方法

近年来,生成对抗网络在多变量时间序列异常检测中得到了广泛应用。然而现有解决方案多存在一些局限性,主要限制是没有明确地捕捉多变量时间序列在时间维度和特征维度上的复杂依赖关系而导致误报。针对该问题,本文使用生成对抗网络对多变量时间序列进行建模,通过在各网络中加入一个多通道注意力层来捕捉数据时间和空间维度的重要性,以提高异常检测的准确性。此外,生成器使用解码-编码器结构,通过在训练阶段对编码器、解码器和判别器进行联合训练,使得异常检测阶段无需计算从实时空间到隐空间的最佳映射,以此提高异常检测的效率。本文在两个公开数据集上进行了实验验证,结果表明,所提方法相较于基线方法在异常检测性能上优势明显。

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想,提出了一种电力短期负荷的多变量时间序列相空间重构方案,同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择,最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度,提出了最近邻域点的优化选择方法,建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明,基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比,具有较强的自适应能力和较好的预测效果。

一种多变量时间序列的短期负荷预测方法研究

针对短期负荷影响因素多的特点提出了电力短期负荷的多变量时间序列预测方法,并根据单变量时间序列的延时重构对由历史负荷序列及其相关因素序列所构成的多变量时间序列进行了相空间重构,采用互信息法计算了各子序列的延迟时间,各子序列的嵌入维数则运用平均一步绝对误差和最小一步绝对误差进行选取,然后通过RBF神经网络的非线性映射能力进行电力短期负荷预测。研究结果表明多变量时间序列的预测效果相对于单变量序列有较大提高。

多变量时间序列复杂系统的相空间重构

根据单变量时间序列相空间重构思想 ,提出了多变量时间序列描述的复杂系统的相空间延迟重构方法 .对每一分量的时间序列 ,分别利用互信息最小法确定最佳延迟时间间隔 ,最小嵌入维数的选取方法是单变量时间序列情况下虚假邻点法的推广 .给出了q阶广义关联积分和q阶广义关联维数的计算公式 ,并证明了广义关联维数与所用范数无关 .计算了Lorenz系统按前 2个变量进行重构时的最佳延迟时间间隔和最小嵌入维数 .计算结果表明 。

基于多变量混沌时间序列的冲击地压预测

考虑到冲击地压的混沌特征及其监测数据含噪且长度有限,基于多变量时间序列重构和GRNN模型来预测冲击地压监测变量。给出了多变量时间序列相空间重构理论和GRNN混沌预测原理,并提出采用遗传算法同时确定最佳重构参数和GRNN的光滑因子以保证预测精度。在Matlab2010a仿真环境下,将本文方法用于Lorenz系统以验证对含噪且长度有限的混沌序列的适用性,最后对微震能量和电磁辐射两类数据进行预测研究。结果表明:即使历史数据有限,多变量混沌序列预测方法也能提前预测出多个监测变量,从而实现冲击地压预报。

一种高效的多变量时间序列相似查询算法

为了高效地执行多变量时间序列(MTS)相似查询,提出一种基于距离的索引结构(Dbis)相似查询算法。采用主成分分析方法对MTS数据进行降维处理;聚类MTS主成分序列,选择每类质心作为参考点;依据参考点将每类变换到一维空间,这样可以利用B+-树结构进行索引查询;MTS序列比较相似采用的是扩展的Frobenius范数(Eros)。通过对股票数据集实验验证了Dbis算法的高效性。

多变量时间序列相空间重构中参数的确定

介绍了多变量时间序列相空间重构理论.提出一种新的基于平均预测误差最小化的重构参数确定方法,阐述了该方法的算法过程及一些重要特点.此方法考虑了所有重构参数对平均预测误差的影响,能够同时确定重构系统相空间所需的恰当嵌入维数及时间延迟.最后将该方法应用于股票市场非线性动力系统的相空间重构,通过比较和分析验证了其优越性.

基于多变量时间序列及向量自回归机器学习模型的水驱油藏产量预测方法

提出了一种基于多变量时间序列(MTS)及向量自回归(VAR)机器学习模型的水驱油藏产量预测方法,并进行了实例应用。该方法在井网分析的基础上通过MTS分析对注采井组数据进行优选,并将井组内不同采出井产油量及注入井注水量作为彼此相关的时间序列,通过建立VAR模型从多个时间序列中提取出相互作用规律,挖掘注采井间流量的依赖关系从而进行产量预测。水驱油藏历史生产数据分析结果表明,与数值模拟历史拟合结果相比,机器学习模型产量预测结果具有更高精度,同时不确定性分析提升了预测结果的安全性。通过脉冲响应分析对注入井的采油贡献量进行评价,可为注水开发方案调整提供理论指导。