【技术实现步骤摘要】
本专利技术涉及时间序列生成领域，特别涉及一种基于gan的时间序列生成方法。
技术介绍
1、时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势，机电设备的退化过程可通过性能参数的时间序列数据进行描述。由于历史数据的不可回溯性，采样到的数据组成的时间序列理论上有无数条观察值序列(轨迹)，时间序列总是在接近无穷的可能性中随机沿着其中一种结果实现增长，时间序列预测任务的损失函数理论上也更趋向于不可解。现有的基于深度学习的时间序列趋势生成或预测方法多以模型输出与真实轨迹间的误差作为评价模型性能的指标，这在很大程度上保证了模型训练时的精度，便于模型拟合，但由于观察轨迹的随机性，仅用距离指标反向传播调整模型参数，而不考虑不确定性对序列值的影响，得到的模型也就无法模拟出真实序列轨迹的多样性特征。
2、将gan应用于时间序列生成领域的难点主要在于时间序列数据的特殊性。由于时间序列中的时间维数据一般由等间隔的递增数列构成，时间序列的重要信息主要集中在序列值维度中，因此，通常会认为时间序列属于一维数据。然而，如果将时间序列数据视为一维数据，在输入神经网络前的分批处理中会将一维数据之间的顺序打乱，导致严重的信息丢失，即使借助gan的超强学习能力，也无法利用打乱的数据构建出任何有价值的规律，因为用于训练判别器的真实数据只是原始序列值归一化后随机挑选的一维数据，这会导致最理想的生成结果也不过是(0-1)之间的随机数。因此，需要提取性能衰退时间序列中适用于gan的特征，从而将性能衰退时间序列的趋势性转换为能够被gan识别的分布特征
技术实现思路
1、为解决传统gan模型难以应用于时间序列生成任务的问题，本专利技术提供一种基于gan的时间序列生成方法。
2、本专利技术实施例提供了一种基于gan的时间序列生成方法，包括：
3、获取机电设备的真实性能衰退时间序列样本，并通过对所述真实性能衰退时间序列样本进行离散化处理，得到真实性能衰退时间序列样本的离散化数据；
4、构建基于gan的时间序列生成模型，并利用所述真实性能衰退时间序列样本的离散化数据对所述基于gan的时间序列生成模型进行训练，得到训练好的基于gan的时间序列生成模型；
5、利用所述训练好的基于gan的时间序列生成模型，得到接近所述真实性能衰退时间序列样本的离散化数据的生成性能衰退时间序列样本的离散化数据；
6、通过对所述生成性能衰退时间序列样本的离散化数据进行插值处理，得到在时间上连续且时间间隔固定的性能衰退连续时间序列生成样本；
7、其中，所述gan是指生成对抗网络。
8、优选地，所述离散化处理为非等间隔离散化处理或等间隔离散化处理；其中，所述通过对所述真实性能衰退时间序列样本进行离散化处理，得到真实性能衰退时间序列样本的离散化数据包括：所述通过对所述真实性能衰退时间序列样本进行非等间隔离散化处理或等间隔离散化处理，得到初步真实性能衰退时间序列样本的离散化数据；通过对所述真实性能衰退时间序列样本的离散化数据依次进行数据平滑去噪、归一化、属性构造及数据集划分处理，得到真实性能衰退时间序列样本的离散化数据。
9、优选地，所述插值处理为样条插值处理或分段插值处理；其中，若所述生成性能衰退时间序列样本的离散化数据在横坐标区间段内的分布密度低于密度阈值时，对所述生成性能衰退时间序列样本的离散化数据进行样条插值处理；若所述生成性能衰退时间序列样本的离散化数据在横坐标区间段内的分布密度不低于密度阈值时，对所述生成性能衰退时间序列样本的离散化数据进行分段插值处理。
10、优选地，所述利用所述真实性能衰退时间序列样本的离散化数据对所述基于gan的时间序列生成模型进行训练，得到训练好的基于gan的时间序列生成模型包括：将所述真实性能衰退时间序列样本的离散化数据划分为真实性能衰退时间序列训练样本的训练离散化数据和真实性能衰退时间序列测试样本的测试离散化数据；通过将二维随机噪声和所述真实性能衰退时间序列训练样本的训练离散化数据输入至所述基于gan的时间序列生成模型中进行若干次迭代循环训练，得到初步训练好的基于gan的时间序列生成模型；利用所述真实性能衰退时间序列测试样本的测试离散化数据对所述初步训练好的基于gan的时间序列生成模型进行测试，以便确定初步训练好的预测模型是否达到预期，并在确定达到预期时将其作为训练好的基于gan的时间序列生成模型。
11、优选地，所述通过将二维随机噪声和所述真实性能衰退时间序列训练样本的训练离散化数据输入至所述基于gan的时间序列生成模型中进行若干次迭代循环训练，得到初步训练好的基于gan的时间序列生成模型包括：所述基于gan的时间序列生成模型中的生成器利用特征提取层将所述训练离散化数据转换为高维特征，通过前向传播得到生成的离散化数据；所述基于gan的时间序列生成模型中的判别器以所述生成的离散化数据和所述训练离散化数据作为输入，通过前向传播输出输入数据对应的判别结果；利用所述判别结果分别计算判别器的损失值和生成器的损失值，并通过梯度下降法和生成损失对判别器模型权值和生成器模型权值进行调整；重复上述步骤，直至所述判别器的损失值与所述生成器的损失值达到纳什均衡状态。
12、优选地，所述判别结果包括：以生成器输出的二维随机噪声作为判别器输入时得到的判别结果；以真实性能衰退时间序列训练样本的训练离散化数据作为判别器输入得到的判别结果。
13、优选地，在利用所述真实性能衰退时间序列样本的离散化数据对所述基于gan的时间序列生成模型进行训练期间，若所述生成器模型的模型参数需要被更新，则所述判别器模型的模型参数要固定不变；若所述判别器模型的模型参数需要被更新，则所述生成器模型的模型参数要固定不变。
14、优选地，所述基于gan的时间序列生成模型中的生成器从左到右依次由输入层、特征提取层、隐藏层、全连接层及输出层构成；其中，所述特征提取层和所述隐藏层为relu激活函数；所述全连接层为tanh激活函数。
15、优选地，所述基于gan的时间序列生成模型中的判别器从左到右依次由输入层、特征提取层、隐藏层、全连接层及输出层构成；其中，所述特征提取层和所述隐藏层为relu激活函数；所述全连接层为sigmoid激活函数。
16、本专利技术的有益效果是，通过对时间序列数据进行离散化处理和拟合插值，解决了gan难以处理时序数据的问题，并根据此技术路线开发了适用于时间序列生成任务的网页版工具。本专利技术也实现了小样本数据集中信息的挖掘和样本数据生成，考虑到生成样本本身具有的多样性，生成样本与真实样本间的误差也处于可接受范围内。
本文档来自技高网...【技术保护点】
1.一种基于GAN的时间序列生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述离散化处理为非等间隔离散化处理或等间隔离散化处理；其中，所述通过对所述真实性能衰退时间序列样本进行离散化处理，得到真实性能衰退时间序列样本的离散化数据包括：
3.根据权利要求1所述的方法，其特征在于，所述插值处理为样条插值处理或分段插值处理；其中，若所述生成性能衰退时间序列样本的离散化数据在横坐标区间段内的分布密度低于密度阈值时，对所述生成性能衰退时间序列样本的离散化数据进行样条插值处理；
4.根据权利要求1所述的方法，其特征在于，所述利用所述真实性能衰退时间序列样本的离散化数据对所述基于GAN的时间序列生成模型进行训练，得到训练好的基于GAN的时间序列生成模型包括：
5.根据权利要求4所述的方法，其特征在于，所述通过将二维随机噪声和所述真实性能衰退时间序列训练样本的训练离散化数据输入至所述基于GAN的时间序列生成模型中进行若干次迭代循环训练，得到初步训练好的基于GAN的时间序列生成模型包括：
6.根据权利要求5所述的
7.根据权利要求5所述的方法，其特征在于，在利用所述真实性能衰退时间序列样本的离散化数据对所述基于GAN的时间序列生成模型进行训练期间，若所述生成器模型的模型参数需要被更新，则所述判别器模型的模型参数要固定不变；若所述判别器模型的模型参数需要被更新，则所述生成器模型的模型参数要固定不变。
8.根据权利要求5所述的方法，其特征在于，所述基于GAN的时间序列生成模型中的生成器从左到右依次由输入层、特征提取层、隐藏层、全连接层及输出层构成；其中，所述特征提取层和所述隐藏层为ReLU激活函数；所述全连接层为tanh激活函数。
9.根据权利要求5所述的方法，其特征在于，所述基于GAN的时间序列生成模型中的判别器从左到右依次由输入层、特征提取层、隐藏层、全连接层及输出层构成；其中，所述特征提取层和所述隐藏层为ReLU激活函数；所述全连接层为sigmoid激活函数。
...【技术特征摘要】
1.一种基于gan的时间序列生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述离散化处理为非等间隔离散化处理或等间隔离散化处理；其中，所述通过对所述真实性能衰退时间序列样本进行离散化处理，得到真实性能衰退时间序列样本的离散化数据包括：
3.根据权利要求1所述的方法，其特征在于，所述插值处理为样条插值处理或分段插值处理；其中，若所述生成性能衰退时间序列样本的离散化数据在横坐标区间段内的分布密度低于密度阈值时，对所述生成性能衰退时间序列样本的离散化数据进行样条插值处理；
4.根据权利要求1所述的方法，其特征在于，所述利用所述真实性能衰退时间序列样本的离散化数据对所述基于gan的时间序列生成模型进行训练，得到训练好的基于gan的时间序列生成模型包括：
5.根据权利要求4所述的方法，其特征在于，所述通过将二维随机噪声和所述真实性能衰退时间序列训练样本的训练离散化数据输入至所述基于gan的时间序列生成模型中进行若干次迭代循环训练，得到初步训...
【专利技术属性】
技术研发人员：马剑，邹新宇，马翔，黄俊杰，丁宇，吕琛，
申请(专利权)人：北京航空航天大学，
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。