多维时间序列

摘要： 现代数据科学中存在大量的多维时间序列数据,检测多维时间序列中的最新变化点对于短期预测很重要。一种改进的方法被提出,以检测此类多维时间序列数据中最新变化点。通过使用小波变换,将多维时间序列中的变化点检测问题转化为相对较容易的多维面板数据中的变化点检测问题。该方法旨在跨时间序列合并信息,以便优先推断多个序列中同一时间点的最新变化。通过对每个时间序列的输出进行后处理,获取最新变化点的时间集及该时间最近变化点的序列集。最后使用R软件以模拟数据和S&P500数据实验证明了该方法的有效性。

摘要： 水文系列的变异性检验是非一致性水文频率分析过程中的重要环节,其中跳跃性变异是非一致性的重要表现形式,准确识别突变点对认识水文过程发生的变化及开展实际水文水资源工作具有重要意义。对于多维时间序列而言,可能会出现各单维变点不统一的情况,为此,将启发式分割算法(BG算法)与线性加权综合统计量结合,应用于多维水文时间序列的变异点检测,通过综合各维度的统计结果,确定最终的突变点。统计试验结果表明:该法有利于排除多维系统中虚假突变点或弱突变点的干扰,得到更为合理的检测结果。对汉江黄龙滩入库洪水极值系列变异性检测的应用结果表明,洪峰和最大7 d洪量的单变量检测突变点分别为1990年和1985年,通过综合统计量判定最终的突变点为1985年,为解决多维水文时间序列突变点的统一检测问题提供参考。

摘要： 挤压机流数据异常检测是一个典型的多维时间序列流数据异常检测问题。在工业环境中,挤压机流数据不仅存在概念漂移问题,还存在噪声问题。为了检测出挤压机在运行中可能存在的设备状态异常,提出一种基于孤立森林算法的挤压机流数据异常检测方法。针对数据集中存在噪声无法正确反映设备状态的问题,算法抽取数据的序列特征用来表示设备在某一时间段的状态,避免了噪声数据对异常检测效果的影响。同时,在半空间孤立森林(HS-Trees)算法的基础上做进一步改进,解决原算法中存在的结果反馈延迟问题,使其能更好地适应流数据应用场景。实验显示,该算法不仅可以实时地检测出挤压机在运行中存在的状态异常,还具有较高的准确性。

摘要： 植物病害的自动早期检测对于作物精确保护至关重要。提出了一种基于多维光谱序列(multi-dimensional spectral series,MDSS)和加权随机森林(weighted random forest,WRF)的番茄灰霉病早期诊断与鉴别方法。目的是利用叶片多个观测维度的光谱曲线整体变化趋势建立作物病害检测模型,以期在肉眼明显可见叶面病斑前对作物病害实现诊断。将健康叶片接种灰霉病菌第3天作为叶片成功染病第1天。试验首先采集番茄健康叶片和染病叶片7天内每天的高光谱图像,提取感兴趣区域并计算平均光谱作为初始光谱数据,经筛选共得到(156×7)组有效样本。将样本数据按时间顺序拆分成分别包含1~7个维度的光谱数据形成多维原始光谱序列,为增加维度间差异性,相邻原始光谱序列相减构成多维关联光谱序列。分别采用符号聚合近似估计(symbolic aggregate approximation,SAX)和符号傅里叶近似估计(symbolic Fourier approximation,SFA)两种符号化方法将光谱序列离散成局部辨别性特征。基于多维光谱序列的局部辨别性特征建立加权随机森林(MDSS-SAX-SFA-WRF)分类模型,实现病害早期检测。相应地,基于单维光谱序列(single-dimensional spectral series,SDSS)的番茄灰霉病识别模型被作为基准模型与MDSS-SAX-SFA-WRF模型比较。试验结果显示,MDSS-SAX-SFA-WRF检测模型在包含2至7个光谱序列维度的56个测试样本数据中均获得90%以上识别准确率,在包含5个光谱序列维度测试集中得到最高99%的识别准确率,较SDSS-SAX-SFA-MRF检测模型在染病第5天的识别率高8.2个百分点。另外受随机干扰的影响,SDSS-SAX-SFA-MRF模型准确率在染病5~7 d出现大幅度回落至最低84%,MDSS-SAX-SFA-WRF模型识别率在肉眼可见病斑阶段依然保持超过98%的较高检测水准,未过度回落。因此,提出的基于多维光谱曲线整体变化趋势和加权随机森林(MDSS-SAX-SFA-WRF)的分类模型能够有效实现番茄灰霉病早期检测,并具有较强的鲁棒性,为染病初期的番茄灰霉病鉴别提供新思路。

摘要： 近年来,长短时记忆网络(LSTM)在处理时间序列的非线性部分有着巨大优势,但单一预测模型无法同时兼顾数据的线性与非线性特性。针对此问题,引入时序矩阵分解技术TRMF处理多元时间序列的线性主体部分,计算得到训练数据的残差后,输入LSTM模型进行非线性拟合,再将测试数据代入到训练好的TRMF-LSTM模型,将模型预测的线性主体与残差相加,得到组合预测值。选取沪深300、上证指数两支股指以及三一重工、中国人寿、农业银行、牧原股份、美的集团、隆基股份6支个股共8支股票的股价时间序列进行预测,以LSTM、Transformer、SVR作为对比模型,并选取MAPE与RMSE两项评价指标。实验结果表明,相较于对比模型,MAPE和RMSE的最小值均落在TRMF-LSTM组合预测模型中,充分验证了模型的有效性。

摘要： 光伏逆变器的异常检测对于提高发电效率和逆变器使用寿命尤为重要。由于光伏设备数据具有复杂的时间依赖性和不确定性,因此难以选择一个适用于时间序列数据的通用模型,对光伏设备数据进行异常检测,并且缺乏对现有方法的比较分析和对实际光伏设备的有效验证。因此,提出了一种基于长短期深度自编码高斯混合模型(LSTM-DAGMM);首先,通过滑动窗口的方式将原始数据生成统计性特征作为模型的输入;然后,采用自编码器将生成的低维特征和重构误差端到端的输入到GMM;最后,通过能量密度概率判断异常。通过实际光伏设备数据实验表明,该模型能够有效地检测设备的异常状态并作出预警,具有良好的泛化能力。

摘要： 针对多维时间序列分析传统方法多数需要依靠手动建立时间依赖关系探索历史数据中隐含规律的问题,提出一种自回归神经网络方法.首先,通过卷积神经网络(CNN)和双向长短期记忆网络(LSTM)构成神经网络分别捕获多维输入特征和时间序列中存在的复杂依赖关系,并结合传统的自回归方法对线性关系进行特征提取;其次,在不同领域的两个数据集上与多个经典模型进行对比实验,结果表明,该模型预测性能最优,并能成功捕获数据中存在的重复模式;最后,用消融实验验证了该模型框架的高效性和稳定性.

摘要： 依据深度信念网络理论,提出建立自动扶梯制动力预警模型和故障诊断模型并构建自动扶梯制动力智能诊断平台.该平台通过传感器数据采集,多维时间序列的数据约减,深度学习故障诊断等过程,对制动力的异常变化情况起到预警作用,为排查自动扶梯制动力存在的隐患提供了在线智能诊断技术.

摘要： 数控机床加工状态数据具有多样化、时序性的特征,导致数控加工变形精度较差等问题.基于此,提出基于多维度控制的数控加工变形控制方法.采用自回归平均模型以及多维时间序列状态模型,对数控机床加工变形参数进行采集,判断数控机床加工状况间整体差异性.在获取的数控加工变形参数基础上,使用直线运动补偿以及圆弧运动补偿,实现三维空间内多方向运动补偿,在插补点坐标基础上原坐标不变的情况下,获得加工变形后数控机床应补偿量,实现多维度控制的数控加工变形控制.实验结果表明:采用该方法可实现高精度、全方位的数控加工变形控制,鲁棒性较好.

摘要： 软件可靠性预测是当前软件研究领域的热点方向,当前软件可靠性预测方法存在误差大、建模时间长等不足,为了获得更高精度的软件可靠性预测结果,提出基于混沌时间序列的软件可靠性预测方法.首先收集软件可靠性样本,并采用混沌处理技术得到多维软件可靠性样本数据,然后将多维软件可靠性数据输入到BP神经网络进行学习,完成软件可靠性预测模型的构建,最后与其他软件可靠性预测方法进行了仿真对比实验.结果表明,这种方法减少了软件可靠性预测误差,不仅能够有效描述软件可靠性变化特点,而且缩短了软件可靠性预测建模时间,提高了软件可靠性预测建模效率,软件可靠性预测效果显著优于其他方法,验证了本文软件可靠性预测模型的优越性.

摘要： 已有的单因子时间序列分析模型虽然在变形监测中得到了广泛应用,但由于没有考虑多维因子的关联性,单维模型得到的预测结果往往与实际值相差较大,预测效果有待改进.考虑变形点多维因子之间的关联性,本文将多维时间序列分析模型应用到广州地铁位移监测中,结果表明该方法总体精度为0.17mm,优于单维时间序列模型的0.29mm;一步预测最大水平偏差和垂直偏差分别为0.21mm、0.21mm,多步预测(2～5)最大水平偏差和垂直偏差分别为0.51mm、0.44mm,具有更好的预测精度.

摘要： 准确地预测用电负荷的大小,是制定与安排好电力供应计划与负荷调整方案的基础,而夏季负荷受气象因素的影响比较大,两者之间的关联规律的研究,一直是业内关注的热点问题之一.本文以多维时间序列分析方法为基础,成功地解决了未来日负荷与前些日负荷惯性变化的影响,以及气象累计效应的影响显性函数关系问题,从而为负荷预测人员掌握未来负荷与历史负荷,历史气象要素与当日气象条件之间的规律,提供了量化的分析基础。

摘要： 本文采用神经网络与主成分分析(PCA)相结合的方法预测多变量非线性时间序列.主要思路是先用主成分分析方法找到相互独立的输入变量,再分别利用静态和动态神经网络对多维非线性时间序列建立模型,进行预测,最后用网络性能评价函数均方根误差和预测精度来评价网络性能.通过对实际的多维时间序列仿真,结果证明本文提出的神经网络结合主成分分析的方法预测多变量非线性时间序列是快速有效的.

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 本发明属于数据挖掘技术领域，具体为一种在海量时间序列数据库中查找给定时间序列的近似序列的方法。该方法包括：采用树状索引的结点表示方式；根据索引的算法框架，逐条构建索引；选择最优策略进行结点分裂；最后基于DSTree索引进行查询，海量时间序列数据库中查找给定时间序列的近似序列。本发明提出的索引方法，根据时间序列的数据分布情况调整索引子序列长度和维度，新的索引表示方式也满足提供距离上界的需求，大幅提高查询效率。

摘要： 特征量提取装置(100)具有：数据取得部(110)，其取得时间序列数据作为输入时间序列数据(D1)；多滤波器应用部(120)，其具有多个数字滤波器，对数据取得部(110)取得的输入时间序列数据(D1)应用各数字滤波器，按照每个数字滤波器输出应用后的包含时间序列特征或频率特征的时间序列数据即滤波器响应时间序列数据(D5)；以及特征量提取部(130)，其针对多滤波器应用部(120)输出的多个滤波器响应时间序列数据(D5)，按照每个滤波器响应时间序列数据(D5)提取特征量，输出提取出的特征量作为特征量数据(D2)。

摘要： 时间序列数据特征量提取装置具备：数据加工部，基于受理的输入时间序列数据长度和受理的观测最小间隔来将受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对模型，将所述包括缺损的等间隔时间序列数据组的矩阵的未缺损的要素与所述模型的输出层的输出结果的要素的差异作为误差，学习所述模型的各层的权重向量，将所述权重向量作为模型参数保存在存储部中；以及特征量提取部，受理特征量提取对象的时间序列数据，向所述模型输入所述受理的特征量提取对象的时间序列数据，由此，使用在所述存储部中保存的所述模型参数来计算所述模型的中间层的值，将所述计算出的中间层的值作为表示数据的随时间变化的特征量输出。

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 本发明属于数据挖掘技术领域，具体为一种在海量时间序列数据库中查找给定时间序列的近似序列的方法。该方法包括：采用树状索引的结点表示方式；根据索引的算法框架，逐条构建索引；选择最优策略进行结点分裂；最后基于DSTree索引进行查询，海量时间序列数据库中查找给定时间序列的近似序列。本发明提出的索引方法，根据时间序列的数据分布情况调整索引子序列长度和维度，新的索引表示方式也满足提供距离上界的需求，大幅提高查询效率。

摘要： 本发明公开了一种基于时间序列分解和LSTM的时间序列数据预测方法，包括：步骤一、采集时间序列数据，并对其进行预处理，获得满足建立预测模型数据需求的时间序列样本集，进行训练集和测试集的划分，得到第一训练集与第一测试集；步骤二、基于LSTM建立用于趋势分量和余项预测的第一神经网络，通过第一训练集进行训练与调参，将训练好的第一神经网络模型对第一训练集进行预测，获得第一训练集的趋势分量和余项的预测结果，进一步处理成第二训练集；步骤三、基于ANN建立第二神经网络，通过第二训练集进行训练和调参；步骤四、将训练好的第一神经网络和第二神经网络模型对测试集进行联合预测，获得拟合的时间序列数据预测结果。

摘要： 本发明提供了一种时间序列数据聚类模型建立方法及时间序列数据聚类方法，涉及数据聚类技术领域。本发明所述的时间序列数据聚类模型建立方法，包括：获取原始时间序列数据，将所述原始时间序列数据输入到深度神经网络中进行训练，得到所述原始时间序列数据的最终特征表示；根据所述最终特征表示通过对比学习对时间序列样本进行聚类，根据交叉熵调参直至训练完成，以建立时间序列数据聚类模型。本发明所述的技术方案，能够实现针对时间序列数据特点的高效特征表示，有效解决当前已有算法存在的特征提取表达能力不足、相似数据之间结构信息挖掘不充分的问题，提高了时间序列数据聚类的准确性。

摘要： 本发明属于人工智能时间序列预测技术领域，具体为一种提升时间序列预测系统预测时间序列效果的方法。本发明基于时间序列预测损失上的理论分析，设计新的时间序列预测算法，该算法建模历史数据模式与未来数据模式上的差异，提出两步走的训练方式，一方面保证模型对历史数据的记忆不会轻易消失，另一方面保证在未来数据上有较好的预测效果。理论分析与实验验证表明，在时间序列预测任务中，本发明预测方法相比于其他方法，可以有效缓解由于数据随时间的变化即概念漂移而导致的模型老化问题；可以进一步提升模型的预测准确率。本发明能够广泛应用于各类基于实数值的时间序列预测任务，提升任务在未来数据点上的预测准确度。

摘要： 本发明公开了一种多维时间‑注意力‑空间的工业时间序列预测方法，应用于工业时间序列预测技术领域，包括：将工业原始数据预处理得到的多维时间序列数据输入至高斯嵌入层，增强数据维度，随后分别输入至双向长短期记忆人工神经网络时间层和特征权重注意力层，分别得到双向长短期记忆人工神经网络的双向隐藏状态和带权重的注意力特征图；将双向隐藏状态与带权重的注意力特征图共同输入至特征融合层中进行特征融合，随后输入至空间层，得到基于时间和空间特征整合的最终预测结果。本发明能够有效描述数据的相关性和表现数据的特征、捕捉过去和未来的信息、自动根据特征的重要程度为其分配不同的权重以及整合空间和时间特征提高寿命预测准确度。