本公开提供一种多源时间序列的分类方法、装置、设备和存储介质，所述方法包括：获取目标域中的第一时间序列；将所述第一时间序列输入预置的多源时间序列分类模型，得到所述第一时间序列的分类结果；其中，所述多源时间序列分类模型是采用多个源域和所述目标域的时间序列，根据源域和所述目标域的域间成对距离，进行训练得到的。本公开的技术方案可以对多源时间序列进行较为准确的分类。间序列进行较为准确的分类。间序列进行较为准确的分类。
【技术实现步骤摘要】
多源时间序列的分类方法、装置、设备和存储介质
[0001]本公开涉及计算机网络
，尤其涉及一种多源时间序列的分类方法、装置、电子设备和非暂态计算机可读存储介质。
技术介绍
[0002]时间序列是将某种现象或统计指标在不同时间节点上的各个数值，按照时间顺序排列形成的有序序列。
[0003]基于深度学习的模型在时间序列分类问题中的效果较传统算法取得了巨大的进步，但在处理工业应用中的时间序列分类问题，尤其是多个数据源的传感器时间序列的分类问题时，由于实际场景的数据特征各不相同，大多数的基于深度学习的时间序列分类模型很难得到较好的分类效果。
技术实现思路
[0004]本公开提供一种多源时间序列的分类方法、装置、电子设备和非暂态计算机可读存储介质，用以解决现有技术中多源时间序列分类不够准确的缺陷，提高多源时间序列分类的准确率。
[0005]本公开提供一种多源时间序列的分类方法，包括：获取目标域中的第一时间序列；将所述第一时间序列输入预置的多源时间序列分类模型，得到所述第一时间序列的分类结果；其中，所述多源时间序列分类模型是采用多个源域和所述目标域的时间序列，根据源域和所述目标域的域间成对距离，进行训练得到的。
[0006]根据本公开提供的一种多源时间序列的分类方法，所述多源时间序列分类模型的训练方法包括：获取所述源域与所述目标域的域间成对距离；根据所述域间成对距离获取所述源域与所述目标域之间的域间重要性分数；根据所述域间重要性分数构建损失函数；根据所述损失函数采用所述源域对初始神经网络模型进行训练，得到中间神经网络模型；采用所述目标域对所述中间神经网络模型进行调整，得到所述多源时间序列分类模型。
[0007]根据本公开提供的一种多源时间序列的分类方法，所述根据所述域间成对距离获取所述源域与所述目标域之间的域间重要性分数，包括：根据所述域间成对距离通过核密度估计构建所述域间成对距离的后验分布；在所述后验分布中进行采样，得到采样矩阵；根据所述采样矩阵的矩阵范数得到所述域间重要性分数。
[0008]根据本公开提供的一种多源时间序列的分类方法，所述根据所述域间重要性分数构建损失函数，包括：根据迭代参数、学习率以及所述源域的批尺寸构建所述损失函数，其中，所述迭代参数和学习率根据所述域间重要性分数得到。
[0009]根据本公开提供的一种多源时间序列的分类方法，所述源域和所述目标域的时间序列为单维度时间序列，所述获取所述源域与所述目标域的域间成对距离包括：对所述源域和所述目标域的单维度时间序列计算距离并拼接。
[0010]根据本公开提供的一种多源时间序列的分类方法，所述源域和所述目标域的时间
序列为K维度时间序列，其中，K为自然数且K≥2，所述获取所述源域与所述目标域的域间成对距离包括：将所述时间序列分解为K维的单变量时间序列组；对所述单变量时间序列组按维度计算距离并进行K维拼接。
[0011]根据本公开提供的一种多源时间序列的分类方法，所述后验分布的内核为多元正态内核。
[0012]本公开还提供一种多源时间序列的分类装置，所述装置包括：获取单元，用于获取目标域中的第一时间序列；分类单元，用于将所述第一时间序列输入预置的多源时间序列分类模型，得到所述第一时间序列的分类结果；其中，所述多源时间序列分类模型是采用多个源域和所述目标域的时间序列，根据源域和所述目标域的域间成对距离，进行训练得到的。
[0013]根据本公开提供的一种多源时间序列的分类装置，所述装置还包括训练单元，用于训练所述多源时间序列分类模型，所述训练单元包括：距离获取子单元，用于获取所述源域与所述目标域的域间成对距离；重要性获取子单元，用于根据所述域间成对距离获取所述源域与所述目标域之间的域间重要性分数；构建子单元，用于根据所述域间重要性分数构建损失函数；第一训练子单元，用于根据所述损失函数采用所述源域对初始神经网络模型进行训练，得到中间神经网络模型；第二训练子单元，用于采用所述目标域对所述中间神经网络模型进行调整，得到所述多源时间序列分类模型。
[0014]根据本公开提供的一种多源时间序列的分类装置，所述重要性获取子单元还用于：根据所述域间成对距离通过核密度估计构建所述域间成对距离的后验分布；在所述后验分布中进行采样，得到采样矩阵；根据所述采样矩阵的矩阵范数得到所述域间重要性分数。
[0015]根据本公开提供的一种多源时间序列的分类装置，所述构建子单元还用于：根据迭代参数、学习率以及所述源域的批尺寸构建所述损失函数，其中，所述迭代参数和学习率根据所述域间重要性分数得到。
[0016]根据本公开提供的一种多源时间序列的分类装置，所述源域和所述目标域的时间序列为单维度时间序列，所述距离获取子单元还用于：对所述源域和所述目标域的单维度时间序列计算距离并拼接。
[0017]根据本公开提供的一种多源时间序列的分类装置，所述源域和所述目标域的时间序列为K维度时间序列，其中，K为自然数且K≥2，所述距离获取子单元还用于：将所述时间序列分解为K维的单变量时间序列组；对所述单变量时间序列组按维度计算距离并进行K维拼接。
[0018]根据本公开提供的一种多源时间序列的分类装置，所述后验分布的内核为多元正态内核。
[0019]本公开还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述多源时间序列的分类方法的步骤。
[0020]本公开还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述多源时间序列的分类方法的步骤。
[0021]本公开提供的多源时间序列的分类方法、装置、电子设备和非暂态计算机可读存
储介质，在采用源域和目标域的域间成对距离训练多源时间序列分类模型后，使用该多源时间序列分类模型对目标域的时间序列进行分类，可以提高时间序列分类的准确率。
[0022]本公开实施例所提出的算法框架由域间成对距离、重要性密度估计、重要性得分采样和知识转移程度控制组成。所有源域都需要通过上述流程计算重要性得分和知识转移度，预训练过程由源域重要性通过控制学习率来指导，然后预训练的模型将在目标域上进行微调以达到良好的性能。该算法框架能够将多源信息整合到知识转移的过程中。该框架显示了从多源域到目标域的知识迁移的强大适应能力，在时间序列分类过程中显示了较高的优越性和有效性。
附图说明
[0023]为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是本公开提供的多源时间序列的分类方法的流程示意图；
[0025]图2是本公开提供的多源时间序列分类模型的训练方法的流程示意图之一；
[0026本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多源时间序列的分类方法，其特征在于，所述方法包括：获取目标域中的第一时间序列；将所述第一时间序列输入预置的多源时间序列分类模型，得到所述第一时间序列的分类结果；其中，所述多源时间序列分类模型是采用多个源域和所述目标域的时间序列，根据源域和所述目标域的域间成对距离，进行训练得到的。2.根据权利要求1所述的方法，其特征在于，所述多源时间序列分类模型的训练方法包括：获取所述源域与所述目标域的域间成对距离；根据所述域间成对距离获取所述源域与所述目标域之间的域间重要性分数；根据所述域间重要性分数构建损失函数；根据所述损失函数采用所述源域对初始神经网络模型进行训练，得到中间神经网络模型；采用所述目标域对所述中间神经网络模型进行调整，得到所述多源时间序列分类模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述域间成对距离获取所述源域与所述目标域之间的域间重要性分数，包括：根据所述域间成对距离通过核密度估计构建所述域间成对距离的后验分布；在所述后验分布中进行采样，得到采样矩阵；根据所述采样矩阵的矩阵范数得到所述域间重要性分数。4.根据权利要求2所述的方法，其特征在于，所述根据所述域间重要性分数构建损失函数，包括：根据迭代参数、学习率以及所述源域的批尺寸构建所述损失函数，其中，所述迭代参数和学习率根据所述域间重要性分数得到。5.根据权利要求2所述的方法，其特征在于，所述源域和所述目标域的时间序列为单维度时间序列，所述获取所述源域与所述目标域的域间成对距离包括：对所述源域和所述目标域的单维度时间序列计算距离并拼接。6.根据权利要求2所述的方法，其特征在于，所述源域和所述目标域的时间序列为K维度时间序列...
【专利技术属性】
技术研发人员：沈力，詹东林，
申请(专利权)人：京东科技信息技术有限公司，
类型：发明
国别省市：
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。