One method includes using computational networks (100) to learn and predict time series data. The computational network is configured to receive time series data and perform transformation invariant encoding of time series data. Computing networks include one or more coding layers (102, 104, 106). The method also includes feedback to predict the future of time series data through inertia adjustment of transformation. Inertial adjustment maintains the invariants in the computing network. Computing networks may further include one or more pooling layers (108, 110, 112), each of which is configured to reduce the dimensionality of data, in which one or more pooling layers provide transformation invariance of the encoding.
【技术实现步骤摘要】
【国外来华专利技术】用于使用惯性自动编码器来学习和预测时间序列数据的系统和方法
本公开一般地涉及机器学习和数据预测。更具体地,本公开涉及用于使用惯性(inertial)自动编码器来学习和预测时间序列数据的系统和方法。
技术介绍
“机器学习”一般指的是被设计成从数据中学习并对数据执行预测分析的计算技术。神经网络是基于生物网络(诸如人脑)的机器学习技术的一个示例类型。在神经网络中,使用人工神经元执行数据处理,所述人工神经元被耦合在一起并通过各种通信链路交换经处理的数据。可以通过更改与通信链路相关联的权重以使得一些数据被视为比其他数据更重要来实现神经网络的“学习”方面。“时间序列预测”指的是使用时间序列数据、通过机器学习算法所做出的预测,所述时间序列数据诸如是随着时间的过去经由一个或多个感官(sensory)输入所收集的数据值。时间序列预测是智能的重要组分。例如,智能实体预测输入的时间序列的能力可以允许智能实体创建世界(或其一些较小部分)的模型。
技术实现思路
本公开提供了用于使用惯性自动编码器来学习和预测时间序列数据的系统和方法。在第一实施例中,一种方法包括使用计算网络来学习和预测时间序列数据。计算网络被配置成接收时间序列数据并执行对时间序列数据的变换-不变编码(transformation-invariantencoding)。计算网络包括一个或多个编码层。该方法还包括通过变换(transformation)的惯性调整来反馈对时间序列数据的未来预测。惯性调整维持计算网络中的不变量(invariant)。在第二实施例中,一种装置包括至少一个处理设备和存储指令的至少一个存储器。所述指令 ...
【技术保护点】
1.一种方法,包括:使用计算网络来学习和预测时间序列数据,所述计算网络被配置成接收所述时间序列数据并执行对所述时间序列数据的变换‑不变编码,所述计算网络包括一个或多个编码层;以及通过变换的惯性调整来反馈对所述时间序列数据的未来预测,所述惯性调整维持所述计算网络中的不变量。
【技术特征摘要】
【国外来华专利技术】2016.08.08 US 62/3722061.一种方法,包括:使用计算网络来学习和预测时间序列数据,所述计算网络被配置成接收所述时间序列数据并执行对所述时间序列数据的变换-不变编码,所述计算网络包括一个或多个编码层;以及通过变换的惯性调整来反馈对所述时间序列数据的未来预测,所述惯性调整维持所述计算网络中的不变量。2.根据权利要求1所述的方法,其中所述计算网络进一步包括一个或多个池化层,每个池化层被配置成降低数据的维度,所述一个或多个池化层提供所述编码的变换不变性。3.根据权利要求2所述的方法,其中每个池化层执行池化函数,所述池化函数表示ℓ2范数。4.根据权利要求1所述的方法,其中基于投影函数做出所述变换的惯性调整,所述投影函数将所述时间序列数据的当前值与所述时间序列数据的先前值组合。5.根据权利要求4所述的方法,其中所述投影函数表示弧投影,其被定义为:其中yτ表示所述当前值,并且yτ-1表示所述先前值。6.根据权利要求4所述的方法,其中所述投影函数表示序列投影yτ-1yτ→yτ+1,其被定义为:eiej→e2j-i(modn)其中yτ表示所述当前值,yτ-1表示所述先前值,yτ+1表示所预测的未来值,ei和ej分别表示在第i个和第j个方向上的单位向量,并且n表示y的维度。7.根据权利要求4所述的方法,其中所述投影函数表示记忆投影yτ-1yτ→yτ+1,其被定义为:eiej→Pijkek其中yτ表示所述当前值,yτ-1表示所述先前值,yτ+1表示所预测的未来值,ei和ej分别表示在第i个和第j个方向上的单位向量,Pij表示学习到的具有衰减分布的频率,并且k表示求和函数∑的索引。8.一种装置,包括:至少一个处理设备;以及存储指令的至少一个存储器,所述指令在被所述至少一个处理设备执行时使得所述至少一个处理设备:使用计算网络来学习和预测时间序列数据,所述计算网络被配置成接收所述时间序列数据并执行对所述时间序列数据的变换-不变编码,所述计算网络包括一个或多个编码层;并且通过变换的惯性调整来反馈对所述时间序列数据的未来预测,所述惯性调整维持所述计算网络中的不变量。9.根据权利要求8所述的装置,其中所述计算网络进一步包括一个或多个池化层,每个池化层被配置成降低数据的维度,所述一个或多个池化层被配置成提供所述编码的变换不变性。10.根据权利要求9所述的装置,其中每个池化层被配置成执行池化函数,所述池化函数表示ℓ2范数。11.根据权利要求8所述的装置,其中所述至少一个处理设备被配置成基于投影函数做出所述变换的惯性调整,所述投影函数将所述时间序列数据的当前值与所述时间序列数据的先前值组合。12.根据权利要求11...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。