多元时间序列

摘要： 可视图(visibility graph,VG)算法已被证明是将时间序列转换为复杂网络的简单且高效的方法,其构成的复杂网络在拓扑结构中继承了原始时间序列的动力学特性.目前,单维时间序列的可视图分析已趋于成熟,但应用于复杂系统时,单变量往往无法描述系统的全局特征.本文提出一种新的多元时间序列分析方法,将心梗和健康人的12导联心电图(electrocardiograph,ECG)信号转换为多路可视图,以每个导联为一个节点,两个导联构成可视图的层间互信息为连边权重,将其映射到复杂网络.由于不同人群的全连通网络表现为完全相同的拓扑结构,无法唯一表征不同个体的动力学特征,根据层间互信息大小重构网络,提取权重度和加权聚类系数,实现对不同人群12导联ECG信号的识别.为判断序列长度对识别效果的影响,引入多尺度权重度分布熵.由于健康受试者拥有更高的平均权重度和平均加权聚类系数,其映射网络表现为更加规则的结构、更高的复杂性和连接性,可以与心梗患者进行区分,两个参数的识别准确率均达到93.3%.

摘要： 企业爆发财务危机是一个动态的演化过程,与财务危机静态预测研究不同的是,文章采用多元时间序列数据表述企业特征,并结合COX模型进行动态预测研究。从多角度采集企业爆发财务危机的影响变量,完成必要的数据预处理后采用Mann-Whitney U检验和多重共线性检验进行变量筛选,并提取财务危机预测的主成分变量以降低变量维度,最后对比分析静态COX模型、动态COX模型和其它模型的预测效果。沪深两市A股上市公司的全样本实证结果表明:动态COX预测模型的综合识别准确率比静态COX预测模型高,且分类识别的第I类准确率和第II类准确率均有所提高,与其它模型相比具有较好的预测效力。动态COX预测模型具有较好的财务危机预判能力。

摘要： 军用飞机飞行动作具有较强的随机性和模糊性,为实现针对军用飞机飞行动作的识别和划分,提出了一种基于马尔可夫随机场MRF模型的飞行动作识别划分算法,可以在没有标定的情况下,将飞行数据段分割聚类,实现飞行动作的识别和划分。仿真实验表明,相比于传统的飞行动作识别算法,基于MRF模型的飞行动作识别划分算法且有更高的识别率。

摘要： 传统预测模型在处理多元时间序列时,常常难以捕捉其非线性动力系统的复杂变化规律导致预测精度较低.针对此问题,本文将PCC-BiLSTM-GRU-Attention组合模型的预测方法进行了探讨和验证.该方法首先使用Pearson相关系数(PCC)进行相关性检验并删除无关特征,实现了对多元数据的降维选优.其次使用双向长短期记忆神经网络(BiLSTM)双向提取时序特征.最后使用GRU神经网络融合注意力机制(Attention),进一步学习双向时序特征的变化规律,精准捕捉关键时刻的信息.为了验证该方法在多元时间序列中的可行性,本文以股票价格预测作为实验场景,并与BP模型、LSTM模型、GRU模型、BiLSTM-GRU模型、BiLSTM-GRU-Attention模型进行对比.验证结果表明:本文探讨的PCC-BiLSTM-GRU-Attention组合模型的预测方法相比其他模型具有较高的预测精度,其平均绝对百分比误差(MAPE)达到了2.484%,决定系数达到了0.966.

摘要： 为进一步提升养老机构的服务水平,提出一种利用多元时间序列相似性度量对老人疾病风险进行评估的模型:首先通过离散小波变换将老人监测序列分解为尺度部分和细节部分,然后在完成对序列分段的基础上,提取局部极值特征对序列进行降维,同时根据老人行为存在规律的特点,运用自适应惩罚函数来减少单点的重复使用以及匹配点间相位差过大的情况,以最大程度地识别不同老人相似的行为;再通过主成分分析确定不同检测属性的权值,得到多元序列的相似性距离;最后结合提出的相似性度量对老人的状态检测序列进行K近邻分析,利用分类的结果完成对老人的疾病风险评估.实验结果表明,该方法的分类准确率达到91%以上,能对老人的疾病风险进行合理评估.

摘要： 针对小样本条件下多元时间序列之间的关联分析问题,提出了一种小样本概率关联度模型。使用样本函数或样本统计量代替样本构造累积经验分布函数并计算概率关联系数。当比较序列样本容量n<5,使用样本顺序统计量的经验分布函数计算概率关联系数;当比较序列样本容量n≥5,使用Bootstrap方法重抽样扩充样本后再构造经验分布函数计算概率关联系数,改进了概率关联度模型中关联系数的计算方法,解决了小样本条件下这一类多元数据关联分析问题。证明了小样本概率关联度模型满足的基本性质,给出了小样本概率关联分析的基本步骤,仿真案例和实际应用验证了文中模型的正确性和有效性。

摘要： 由于时间效率的约束,多元时间序列预测算法往往存在预测准确率不足的问题.对此,提出基于图拉普拉斯变换和极限学习机的时间序列预测算法.基于图拉普拉斯变换对时间序列进行半监督的特征提取,通过散布矩阵将监督特征和无监督特征进行融合.设计在线的极限学习机学习算法,仅需要在线更新网络的输出权重矩阵即可完成神经网络的学习.利用提取的特征在线训练极限学习机,实现对多元时间序列的实时预测.基于多个数据集进行仿真实验,结果表明该算法有效地提高了预测准确率.

摘要： 针对目标威胁评估问题的高维数、时变性等特点,提出基于动态灰色主成分分析(dynamic grey prin-cipal component analysis,DG-PCA)的多时刻威胁评估方法.首先,以潜艇为分析对象,构建协同作战模式下的威胁评估指标体系.其次,提出扩展灰色相似关联度用于表征指标间动态非线性相关度,构建用于多元非线性时间序列分析的DG-PCA模型.最后,结合层次分析法(analytic hierarchy process,AHP)与时间序列赋权,建立基于加权DG-PCA的多时刻威胁评估模型.分析结果表明,所提方法能够融合多时刻信息,符合作战实际,并且在小样本情况下具有较好的数据提取能力.

摘要： 多元时间序列的因果关系分析是数据挖掘领域的研究热点.时间序列数据包含着与时间动态有关的、未知的、有价值的信息,因此若能挖掘出这些知识进而对时间序列未来趋势进行预测或干预,具有重要的现实意义.为此,本文综述了多元时间序列因果关系分析的研究进展、应用与展望.首先,本文归纳了主要的因果分析方法,包括Granger因果关系分析、基于信息理论的因果分析和基于状态空间的因果分析;然后,总结了不同方法的优缺点、适用范围和发展方向,并概述了其在不同领域的典型应用;最后,讨论了多元时间序列因果分析方法待解决的问题和未来研究趋势.

摘要： 为探究多元时间序列中各个元素之间的相关性,研究特定的Motif在时间序列中的金融趋势含义,提出了一种基于自适应步长选择的多元时间序列Motif优化算法。该算法利用线性拟合思想处理时间序列,体现多元数据的趋势;代替传统的固定步长,对多元时间序列进行自适应步长处理,提取量价结合的折线Motif模式;以收益作为模式评价标准,并引用自底向上改进算法对模式进行优化。以历史数据进行实证分析,实验结果表明该算法可有效缓解数据噪声干扰,能显著反映多元指标之间的内在关系,以可观收益体现Motif应用效果。

摘要： 针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型.应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度.

摘要： 以动力学状态空间的观点来描述多元时间序列,利用LGA(Linear Grouping Algorithm)算法提取多元时间序列不同阶段的线性模式,并给出了LGA算法分类过程中确定聚类数目的新方法。通过分析我国三大产业动态特性,将我国经济划分为三阶段,得到了描述每一阶段经济发展动态特性的中心直线方程。

摘要： 无线传感器网络中传感器节点携带的能量十分有限,为了减少传感数据在通信时的能量消耗,本文提出了一种基于多元时间序列相似性的聚类压缩算法。一方面在节点内部进行时间序列规整,压缩冗余数据和节点失效时的数据插补。另一方面,在簇头节点将各个节点的传感数据用动态时间弯曲技术得出它们的相似度并根据其进行聚类,得到的聚类中心作为该类的特征数据流,利用小波变换进行能量守恒压缩。仿真结果表明,该方法有效地提取出特征数据,消除节点内的信息冗余,节省了无线传输的能量消耗；簇头节点经过相似性聚类在压缩数据的同时有效地减少了压缩后的数据的误差。

摘要： 一种基于双向自注意力的多元时间序列分类方法，该方法涉及两个装置：预训练装置，和目标分类装置。本发明设计了一种自动构建自监督学习任务数据集的方式，使用该方式可以利用无标签数据自动构建大量自监督学习数据集。在预训练装置中使用自监督学习任务数据集来训练模型学习捕获序列间相关性的能力，并将预训练模型的参数作为先验知识赋予目标分类任务模型，使用目标分类任务数据集对模型参数微调，来减少模型过拟合的现象，从而提高模型的泛化能力。并且，在预训练模型和目标分类模型中通过双向自注意力机制来捕获多元时间序列时间维度和序列间的相关性，通过共享双向自注意力机制中的参数来减少模型参数量。

摘要： 本申请公开了一种针对多元时间序列的主动异常检测方法及其相关装置，通过KPI数据无监督训练异常检测模型，得到无监督异常检测模型；当获取到新的KPI数据时，通过滑动窗口对新的KPI数据进行处理，得到多个时间序列样本，通过无监督异常检测模型对各时间序列样本进行异常检测，得到各时间序列样本在对应的时间观测点的异常分数；根据各时间序列样本的异常分数选择若干时间序列样本进行标签标注，得到若干有标签的时间序列样本；通过各时间序列样本的标签信息反馈训练无监督异常检测模型，得到最终异常检测模型；通过最终异常检测模型对待检测KPI数据进行异常检测，改善了现有的无监督异常检测模型存在的误报率和漏检率较高的技术问题。

摘要： 本发明提供一种基于深度学习的多元时间序列分类方法，该方法在使用BaseCNN捕获变量间交互的同时，还使用具有长距离依赖能力的LSTM来构建了一个子网络，利用其长期记忆特性，强化模型的全局时序特性，帮助模型更好的捕获全局时序特征。此外，巧妙的设计了三步训练模式，有效发挥CenterLoss、TripletLoss的作用，来处理该数据集波动性和特异性的特征，为最终的分类网络提供了良好的特征嵌入。本发明大力推动现有人工智能前交叉韧带辅助诊断的研究，具有重大临床意义与实际应用价值。

摘要： 本发明公开了一种基于变量相关性的多元时间序列相似性搜索方法，首先，对预先获取的多元时间序列进行归一化处理；其次，计算查询序列变量间的皮尔逊相关系数；以皮尔逊相关性为基础，使用OPTICS聚类，将趋势相似的变量聚成一类；然后，提取聚类后每个类的中心序列，使用中心序列代表该类；最后。对所有中心序列进行PAA特征提取，获得多元时间序列的特征表示序列；计算特征表示后的多元时间序列间的DTW距离，找出相似序列。本发明通过变量聚类获取简洁且保留原始数据特征的特征序列，并使用多维DTW计算特征序列间的距离，以提高检索效率及查询准确率。

摘要： 本发明涉及一种针对创面微环境数据的多元时间序列数据增强方法，属于医疗领域和机器学习技术领域。基于动态时间规整算法进行样本间的相似性度量，通过随机选择一个样本作为基准样本，搜索与基准样本最近邻的K个同类别样本，对所有选择的样本相对于基准样本进行动态时间规整，并对规整后的样本集进行加权平均，将均值序列数据作为一个新的合成样本。通过随机权重和添加噪声的方式提高数据多样性，以弥补数据量不足时所带来的模型过拟合和泛化能力差的问题，有效提高各种分类器在创面微环境数据集上的预测效果。

摘要： 本发明公开了一种多元时间序列预测方法、系统及计算机产品、存储介质，使用两个特征提取编码分别提取长短期历史数据矩阵的时空特征向量，将历史时间序列矩阵输入空间特征提取编码器，生成加权注意力空间特征向量，将加权空间特征向量输入门控循环单元生成时空特征向量；将长期历史数据矩阵提取的时空特征向量输入交互注意力模块生成加权特征向量；将短期历史数据矩阵输入自回归层，生成短期历史时间序列数据的线性预测结果；将加权特征向量和编码特征向量结合输入全连接层生成神经网络预测结果，将神经网络预测结果和自回归层线性预测结果相加得到最终的预测结果。本发明实现了多元时间序列数据精准预测。

摘要： 本发明提供一种多元时间序列异常检测方法，所述多元时间序列异常检测方法包括：接收多元时间序列，并对所述多元时间序列进行预处理，得到训练数据集；将所述训练数据集输入堆叠变分循环神经网络进行训练，得到基于训练好的堆叠变分循环神经网络的多元时间序列异常检测模型；所述堆叠变分循环神经网络包括堆叠RNN以及变分自动编码器，用于利用所述变分自动编码器的分层先验信息和所述堆叠RNN的堆叠递归结构描述所述多元时间序列的多层次和时间依赖性；将待检测的多元时间序列输入至多元时间序列异常检测，得到所述待检测的多元时间序列的异常检测结果。本发明能提高异常检测的精准度。

摘要： 本发明提供了一种基于VAR多元时间序列的锌锅铁渣含量预测方法，包括以下步骤，选取某锌锅内连续生产的工艺参数数据，包括采集时间、锌浴温度、总铝含量、带钢速度、铁渣含量等；构建样本数据集；建立向量自回归模型的锌锅铁渣含量预测模型；通过脉冲响应分析影响因素对铁渣含量的影响，并根据模型预测未来铁渣含量的变化。本发明基于向量自回归模型的铁渣含量预测模型具有较好的预测能力，且稳定性较高，具有可信度和推广价值。

摘要： 本说明书实施例提供一种预测多元时间序列的方法及装置，针对各个业务主体的历史时间序列，一方面进行时序编码，另一方面进行周期编码，从而从时序和周期两方面挖掘数据之间的关联性。在时序预测过程中，将时序编码、周期编码两方面的数据融合解码，得到相应的解码张量，并将解码张量与时序特征张量一起用于预测多元时间序列。该方式能够自适应地挖掘时序、周期之间的关联关系，更灵活地提供更准确的时序预测结果。

摘要： 本发明公开了基于深度学习的多元时间序列趋势预测方法，包括以下步骤：读取多元时间序列数据，捕获多元时间序列的局部特征，获取数据之间的相关性；捕获数据的长短期趋势；循环双阶注意力层获取数据的动态周期特性；将经过数据预处理的多元时间序列数据采用线性模型ARIMA进行处理、全连接处理，预测结果加和，判断是否达到训练次数；设置阈值，把得到的最优预测模型的预测结果数据与设置的阈值进行比较。本发明同时还提供了基于深度学习的多元时间序列趋势预测系统。本发明动态捕获数据的长短期依赖的周期性，提高对基于获取的多元时间序列对设备潜在风险预判准确度，提高了多元时间序列趋势预测的精确率。