多变量时间序列

摘要： 时间序列预测是典型的时间序列分析任务,对于辅助决策、资源配置、提前采取止损措施等方面有重要意义,在包括电力、气象、交通、商业等领域有广泛应用.近年来,时间序列预测算法一直是机器学习的热门研究领域,其中多变量时间序列预测是一个具有挑战性的任务.本文研究多变量时间序列预测的局部变量预测精度问题,即多变量预测需要在提升整体预测性能的同时保证局部单变量的预测精度.针对现有多变量时间序列预测算法不能保障局部变量预测精度的局限性,我们设计并实现了一种基于自演化预训练的多变量时间序列预测算法SEPNets.基于预训练的思想,SEPNets首先构建和训练单变量时间序列模型作为后续建模的基准.然后,通过拓展时序卷积网络和长短记忆(LSTM)单元来建模变量间复杂的时序依赖关系.通过将预训练模型和拓展模型进行融合再训练,SEPNets可以保障多变量时间序列预测的局部变量预测精度,并提升总体的预测性能.我们在5个真实数据集上对所提模型进行性能评估.实验结果表明,本文提出的SEPNets算法比现有算法获得相对最高的预测精度,同时在保障局部变量预测精度上具有更好的性能.

摘要： 提出一种基于蒙特卡洛仿真的火力控制系统误差溯源数据集的构建方法,采用WaveNet神经网络提取误差溯源数据集的特征,实现火力控制系统误差溯源。实验研究表明两层残差块的WaveNet神经网络能够比其他网络更好地完成溯源任务,更不易漏检误差源。与朴素贝叶斯方法、支持向量机方法和小波神经网络方法相比,WaveNet神经网络在测试集上模型平均准确率、平均精度、平均召回率、平均F1得分均为93%,比表现最优的小波神经网络得分均高6%,WaveNet神经网络在多环节误差源的溯源上有明显优势。

摘要： 混凝土面板是面板堆石坝的主要防渗结构,其接缝部位的变形对大坝防渗和安全稳定至关重要。混凝土面板接缝系统受水位、堆石坝变形和温度等多个因素的共同影响,其变形发展演化是一个动态非线性的复杂过程。首先进行面板接缝变形与各影响因子之间的相关性分析,筛选出对面板接缝变形影响较大的多个变量的时间序列。然后通过滑动时间窗口构造时序数据并将其输入长短期记忆神经网络(LSTM),以面板接缝变形作为网络输出,训练得到基于多变量时间序列和LSTM网络的面板接缝变形预测模型。最后将模型预测结果与向量自回归模型(Vector Autoregression, VAR)、单变量LSTM模型及三次指数平滑模型(Holt-Winters)的预测结果进行对比分析。对比结果表明:多变量LSTM模型的预测精度较高,对开展面板接缝变形的实时动态预测有一定工程实用价值。

摘要： 集成学习是分类多变量时间序列的有效方法.然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大.为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法.首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器的权重.Shapelets是时间序列的子序列,不同变量Shapelets间不存在依赖关系,且单个Shapelets分类准确度较高,能得到“好而不同”的基分类器.然后,提出一种加权概率指派算法,增加分类准确率高的基分类器权重,减少分类准确率低的基分类器权重;添加了2个组合策略,即消除证据冲突,又提高了效率.在标准数据集上与多个最新算法进行比较,笔者算法取得了较好的分类结果.

摘要： 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.

摘要： 在自动控制回路的运行过程中,阀门可能会出现粘滞,导致回路发生振荡,控制性能下降.针对阀门粘滞检测问题,提出一种基于全卷积网络的阀门粘滞自动检测方法.使用仿真模型生成阀门正常和出现粘滞时的控制器输出以及过程变量数据,并以此对全卷积网络进行训练.在线应用时,将待测回路的运行数据经过预处理后输入训练好的网络中,以得到阀门粘滞检测结果.在某火电厂的密封水控制回路数据以及公开数据集上的实验结果表明,该方法能够准确地进行阀门粘滞检测.

摘要： 多变量时间序列各变量间依赖性较强,数据变化趋势不明显,预测难度高.传统研究采用带门控机制的循环神经网络及变体进行预测,但序列间存在相互依赖关系,突变数据段建模预测不精确.基于信息熵,本文提出一种新的改进门控权重单元,利用信息熵技术量化数据序列的变化程度,动态调整权重矩阵刻画数据的变化趋势.基于4个公开数据集分别进行实验,实验结果表明新模型比传统循环神经网络模型具有更好的预测性能.

摘要： 多变量时间序列通常包含缺失值.针对如何利用不完整的信息探索复杂的丢失模式进而修复多变量时间序列的丢失值,提出了连续初始化的序列到序列模型(successively initialized sequence-to-sequence model,SISSM).在SISSM模型中,为了增强对时间依赖性和变量相关性的模拟能力,设计了交叉回归器并结合门控递归单元(gated recurrent unit,GRU),作为编码器的递归分量来学习历史信息代表性;改进了传统的GRU作为解码器的递归分量以生成插补值;并提出了一种状态初始化方法以缓解生成序列中的误差累积现象.在两组真实的临床数据集上进行了仿真实验.实验结果表明,相比于其他算法,SISSM可以更好地实现多变量时间序列的缺失数据插补.

摘要： 多变量时间序列(Multivariate Time Series,MTS)具有多变量性和高冗余性,使用聚类分析从海量、高维的MT S数据中挖掘有趣模式具有重要意义.本文从基于实例、基于特征和基于模型的角度,对近年来MT S聚类方法的研究进行归类,为研究者了解最新的MT S聚类方法研究动态和发展趋势提供参考.

摘要： 针对当前多变量时间序列分类方法未考虑降维处理多变量时间序列,导致多变量时间序列分类精度较低,分类时间较长的问题,提出了基于深度置信网络的多变量时间序列分类方法.通过构建深度置信网络模型结构,基于受限玻尔兹曼机,提取可见单元与隐藏单元特征信息,采用Isomap算法,在深度置信网络内进行优先特征提取操作,通过附加约束构造半正定矩阵,降维处理多变量时间序列.在低维特征空间内,利用支持向量机中分线性分类函数,计算得到拉格朗日乘子,根据正则化参数特性,通过高斯核函数,计算得到最优核函数,完成多变量时间序列分类.实验结果表明,提出方法的泛化误差较小,能够有效提高多变量时间序列分类精度,缩短多变量时间序列分类时间.

摘要： 提出了一种非线性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相似查询，对时间序列数据通过非线性方法进行降维处理，选择聚类质心作为参考点，依据参考点将每类变换到一维空间，利用R-tree结构进行索引查询，实验表明查询效率和准确性都有比较大的提高。

摘要： 在混沌理论中,负荷预测模型的建立通常由一单变量时间序列的相空间重构来实现,然而在实际过程中往往难以确定单变量时间序列是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时。因此,本文将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了局域线性预测模型。预测结果检验显示,该方法具有较好的预测效果。

摘要： 时间序列是一系列观测值的集合,xi(t)[i=1,2……,n，t=1,2……,m],当n=1时,称为单变量时间序列(univariate time series),通常用长度为m的向量来表示；当n≥2时,称为多变量时间序列(简记为MTS),通常用m×n矩阵来表示,其中m是观测值的个数,n是变量的个数。 MTS在各个领域中是非常普遍的,如在金融领域,上市公司的股票交易情况可以用6个变量的MTS描述,在交易时间内每分每秒都在产生着大量的数据；在多媒体领域,CyberGloves作为人与计算机的接口,有22个传感器,每秒产生50～100个数据,可以用22个变量(传感器)的MTS来描述。 本文针对MTS,提出了一种基于距离的索引结构（distance-based index structuFe，以下简称为Dbis）给出了索引的建立算法、范围查询算法以及K近邻查询算法。

摘要： 准确预测地下水埋深是灌区水资源管理的重要依据.考虑到地下水埋深在时间序列上呈现滞后性和非线性,耦合了多变量时间序列CAR与支持向量机SVM,构建了CAR-SVM地下水埋深预测模型.为了提高模型在冻融期的模拟效果,构建了季节性冻融灌区地下水埋深拟合模型——CAR-SVM(T-TF)模型.模拟结果显示,只考虑冻融期气温的CAR-SVM(T-TF)模型优于考虑全年气温的CAR-SVM(T)模型及不考虑气温的CAR-SVM模型.CAR-SVM(T-TF)模型在全灌区地下水埋深的模拟结果:在验证期模型决定系数R2为0.954,冻融期R2为0.973;RMSE均小于0.090m,模型精度较高.将全灌区得到的3阶CAR-SVM(T-TF)模型结构用于灌区内5个灌域地下水埋深模拟,模型在各灌域均有较好的适用性.

摘要： 冲击地压是矿井生产中最严重的白然灾害之一。本文在小数据量法的基础上,推导了计算含噪多变量时序最大Lyapunov指数的非线性最小二乘方法,用于Rossler耦合系统的求取发现,多变量时间序列重构对数据长度的依赖性下降,能明显提高含噪数据的 计算精度.用于多组冲击地压监测时序计算,得出其均大于0,说明其具有混沌特性,为冲击地压的短期混沌预测提供了支撑.

摘要： 冲击地压是矿井生产中最严重的白然灾害之一，其破坏可比拟为一类非线性微分方程的倍周期分义而出现的混沌运动现象，谢和平、尹光志等已证实其动力学行为具有混沌特性。冲击破坏过程十分复杂，很难建立精确的数学模型，监测方法有微震法、电磁辐射法、钻屑法等，可以从现场获取多种冲击地压监测时间序列，通过观测时间序列来分析其复杂混沌特性具有重要意义。描述系统混沌特性的几何不变量主要指关联维数和Lyapunov指数。rn 考虑到冲击地压监测数据含噪且长度有限,基于多变量时间序列重构来计算其关联维数,d2以判定系统是否混沌,并描述数据的复杂性和预测性.对传统G-P 算法进行扩展以求解多变量时序的d2.用于Lorenz 混沌系统表明本文方法能弥补数据长度的不足和噪声的影响,提高d2 计算精度.得到不同冲击地压监测时序的d2 表明其具有混沌特性,而且冲击破坏性越强,监测数据越复杂。

摘要： 本文首先介绍了多变量时间序列间的协整和单方向因果测度理论,然后将有关方法运用于台湾地区GDP和能源消费之间的长期均衡关系以及因果关系的分析。基于误差修正模型,我们发现台湾地区GDP与能源消费,GDP与石油消费,GDP与电力消费之间都存在协整关系。单方向因果测度的Wald统计检验表明,GDP和能源消费相互影响，而GDP对石油消费以及电力消费的影响只是单方向的。

摘要： 利用1951～1999年气候预测中常用的环流特征量因子，与郑州冬季温度的关系进行相关普查、筛选，在此基础上，用递推最小二乘法进行模型参数估计的方法，建立郑州冬季温度趋势预测的多元时间序列模型，经模型拟合与预测，效果良好.

摘要： 时间序列分析是概率统计学中应用性较强的一个分支,在工业自动化、水文、地质和气象等自然领域中有着广泛的应用.但在油田开发领域应用并不广泛,目前在油田开发数据预测中,采用的都是基于一维单变量时间序列分析的预测方法,这种方法对产油量产水量等指标的预测完全是独立的,没有综合考虑产油量产水量和压力之间的相互关系,没有完整地利用整个油藏系统的演化过程和内在的本质特征.本文利用多变量相空间重构方法,在预测单井产油量时,不仅考虑了历史产油量的变化规律,而且综合考虑了压力变化与产水量变化对产油量的影响.这种方法不仅为各自的预测提供相关信息,而且为其他序列提供必要的信息,可利用的信息量明显增加,大大提高了预测精度.

摘要： 时间序列分析是概率统计学中应用性较强的一个分支,在工业自动化、水文、地质和气象等自然领域中有着广泛的应用.但在油田开发领域应用并不广泛,目前在油田开发数据预测中,采用的都是基于一维单变量时间序列分析的预测方法,这种方法对产油量产水量等指标的预测完全是独立的,没有综合考虑产油量产水量和压力之间的相互关系,没有完整地利用整个油藏系统的演化过程和内在的本质特征.本文利用多变量相空间重构方法,在预测单井产油量时,不仅考虑了历史产油量的变化规律,而且综合考虑了压力变化与产水量变化对产油量的影响.这种方法不仅为各自的预测提供相关信息,而且为其他序列提供必要的信息,可利用的信息量明显增加,大大提高了预测精度.

摘要： 本发明提供一种多变量输入多变量输出时间序列预测方法及系统,其中一种多变量输入多变量输出时间序列预测方法，其具体步骤如下：S1.准备多变量时序数据X；S2.使用卷积网络对多变量时序数据X进行逐个时序计算，获得时序趋势数据R；S3.构建基于自注意模型的长周期编解码模型，计算当前与历史时间趋势的相关性向量Corr、待预测时序变量间的协变关系CorrD；S4.利用相关性向量Corr、协相关性向量CorrD和历史数据的时序趋势数据R计算预测时序变量Y的估计值。

摘要： 本发明公开了一种基于Transformer框架的多变量长序列时间序列预测模型的构建方法、预测模型以及提供一种基于Transformer框架的多变量长序列时间序列预测方法，以解决现有多变量长序列时间序列预测方法存在的无法高效处理长时间输入序列、计算复杂度和空间消耗较高、未充分利用变量之间潜在的空间相关性及忽视长序列时间序列稳定的周期模式等技术问题。

摘要： 本发明公开了一种基于多时间尺度回声状态网络的多变量时间序列分类方法，步骤如下：对于一个多变量时间序列，采用M个具有不同时间跳跃连接长度的跳跃储备池作为编码器，产生一种多时间尺度回声状态表示；采用M个卷积与池化层和一个全连接层作为解码器，卷积与池化层用于学习多时间尺度回声状态表示中的高维复杂特征，全连接层用于融合学到的不同时间尺度的特征以获取输入时间序列的一个多时间尺度特征；采用一个Softmax层作为分类器，根据输入时间序列的多时间尺度特征产生其分类结果。采用负对数似然函数作为损失函数，使用后向传播算法和梯度优化方法训练本模型。本发明的分类方法在多变量时间序列分类问题上达到了较高的准确率。

摘要： 本发明的多变量时间序列数据处理装置具有：数据获取部(15A)，其针对多个变量各方而获取第1时间序列数据(X)及第2时间序列数据(Y)；评价值计算部(15B、25B)，其将第1时间序列数据(X)及第2时间序列数据(Y)分别分割为多个时间区间，并计算对各时间区间分配的评价值；以及同步处理部(15C、25C)，其根据对应于第1时间序列数据(X)的评价值的数组、对应于第2时间序列数据(Y)的评价值的数组、以及分配给该变量的权重来算出权重数组，根据所述权重数组来确定在多个变量之间共通的、第1时间序列数据(X)的样本值与第2时间序列数据(Y)的样本值的对应关系。

摘要： 本发明公开了一种基于多时间尺度回声状态网络的多变量时间序列分类方法，步骤如下：对于一个多变量时间序列，采用M个具有不同时间跳跃连接长度的跳跃储备池作为编码器，产生一种多时间尺度回声状态表示；采用M个卷积与池化层和一个全连接层作为解码器，卷积与池化层用于学习多时间尺度回声状态表示中的高维复杂特征，全连接层用于融合学到的不同时间尺度的特征以获取输入时间序列的一个多时间尺度特征；采用一个Softmax层作为分类器，根据输入时间序列的多时间尺度特征产生其分类结果。采用负对数似然函数作为损失函数，使用后向传播算法和梯度优化方法训练本模型。本发明的分类方法在多变量时间序列分类问题上达到了较高的准确率。

摘要： 本发明公开了基于尺度感知神经架构搜索的多变量时间序列预测方法，包括：将训练样本集输入至多尺度分解网络得到每个训练样本的多尺度子序列集；将初始节点嵌入向量输入至自适应图学习模块得到每个尺度的邻接矩阵；将每个尺度子序列和对应尺度的邻接矩阵同时输入至神经架构搜索单元得到每个尺度表示序列，多尺度表示序列集输入至多尺度融合模块得到每个训练样本的多变量时间序列预测值；根据训练样本集损失函数调整模型参数；迭代上述步骤直至满足迭代次数阈值停止迭代确定最终多变量时间序列预测模型；该方法能够准确预测下一时刻给定场景的预测值。

摘要： 本发明公开了一种多尺度自适应图学习的多变量时间序列预测方法，包括：将训练样本集输入至多尺度金字塔网络得到每个训练样本的多尺度初始子序列集；基于自适应图学习模块得到每个尺度的邻接矩阵；将每个时刻序列与对应尺度的邻接矩阵同时输入至图神经网络得到每个时刻序列的表示序列，将表示序列输入至时间卷积网络得到每个尺度最终子序列，将多尺度最终子序列集输入至多尺度融合模块，将每个训练样本多尺度融合数据输入至多层卷积神经网络映射得到每个训练样本的多变量时间序列预测值；基于损失函数确定模型参数，从而确定多尺度自适应图学习的多变量时间序列预测模型；该方法能够准确预测选定场景的预测值。

摘要： 本发明提供了一种基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测方法，包括：数据采集和预处理；数据集划分；建立融合多尺度卷积‑自注意力组件和自回归线性组件的高铅渣成份预测模型；在训练集和验证集上对模型进行训练和模型超参数网格寻优，在测试集上评估模型预测效果，并保存预测效果最好的模型；对熔炼炉产物高铅渣成份进行预测：获取现场生产投料数据和高铅渣成份分析数据，输入到已训练好的模型中，计算未来一段时间的高铅渣成份预测结果，最终实现基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测，为现场生产操作提供参考。

摘要： 本申请公开了一种多变量时间序列处理方法，为挖掘多变量时间序列中各变量之间的因果关系，获取时间序列集合，该时间序列集合中包括多个第一时间序列片段。其中，每个第一时间序列片段的长度相同且为多变量时间序列。针对任一第一时间序列片段，将该第一时间序列片段输入图神经网络，预测第一时刻对应的多变量参数值。其中，第一时刻为与所述第一时间序列片段中最晚时刻相邻的下一时刻。基于多个第一时刻对应的多变量参数值以及多个第一时刻对应的多变量序列标签(真实值)确定优化函数，该优化函数包括图神经网络的损失函数以及因果矩阵。以最小化优化函数为目标确定因果矩阵中各参数的取值，并根据各参数的取值确定多变量之间的因果关系。

摘要： 本发明提出一种基于图神经网络的多变量时间序列异常检测方法和系统，包括：以物理系统中传感器作为概率图模型中节点，以传感器监测的数据作为时间序列，对多维时间序列关系建模，得到动态图神经网络模型；得到各节点下一时间点的预测值，并采用归一化的时间对齐测度生成各节点的邻接矩阵；当时间进行到下一时间点，获取节点的真实值，根据预测值和真实值，构建引入邻接矩阵重构误差的损失函数，以训练更新动态图神经网络模型，同时根据各节点损失函数数值及其邻居节点在分布上的差异性和邻接矩阵值，得到各节点的异常值；当节点预测值与真实值的误差大于异常值，则产生异常报警。本发明提高了系统异常值的稳定性和缓变异常检测的准确性。