【技术实现步骤摘要】
本申请涉及人工智能领域，具体而言，涉及一种时间序列分类方法、装置、设备及存储介质。
技术介绍
1、时间序列分类是数据挖掘领域公认的挑战之一，尤其是在处理多变量时间序列时。目前的研究主要集中在使用卷积神经网络（cnn）、递归神经网络（rnn）或transformer等模型直接从时间序列中学习表征。然而，这些方法往往只关注变量内部的关系，而忽视了变量之间的相互作用，这在处理多变量时间序列时尤为重要。因此，近年来的研究开始探索将时间序列视为图结构的方法，以此来捕捉时间序列的时空属性表征。此外，diversify技术通过学习分布外（out-of-distribution，ood）表示来解决时间序列分类问题。diversify利用对抗训练来识别时间序列中的潜在分布，并缩小这些分布之间的差异，从而提高模型的泛化能力。
2、然而，现有技术往往忽略了时间序列数据中存在的复杂图结构信息，特别是变量内部的图结构信息，这使得现有方法无法全面理解多变量时间序列中的固有模式及它们之间复杂的相互依存关系。此外，由于时间序列数据通常具有顺序属性，数据分布会随着时间的变化而变化，即出现分布外现象。但目前大多数研究在处理此类问题时只考虑了时间维度上的变化，而忽视了时空属性，导致时序分类的准确性和泛化性能不高。
3、因此，本申请提供了一种时间序列分类方法、装置、设备及存储介质，以解决上述技术问题之一。
技术实现思路
1、本申请的目的在于提供一种时间序列分类方法、装置、设备及存储介质，能够解决上
2、根据本申请的具体实施方式，第一方面，本申请提供一种时间序列分类方法，包括：
3、接收包含多个变量的多维时间序列数据集；分别针对所述多维时间序列数据集中每一维时间序列，确定变量内部图结构；其中，每一所述变量内部图结构为单一所述变量的信息表征；针对所述多维时间序列数据集，确定变量外部图结构；其中，所述变量外部图结构为多维变量之间的相关性表征；基于所述变量内部图结构和所述变量外部图结构，确定所述多维时间序列数据集的外分布模式；基于所述变量内部图结构、所述变量外部图结构、以及所述外分布模式，生成所述多维时间序列数据集的图表征；将所述图表征输入任务分类器，得到所述任务分类器输出的分类结果。
4、一种实施方式中，所述变量内部图结构和所述变量外部图结构分别包含多个不同节点；所述基于所述变量内部图结构和所述变量外部图结构，确定所述多维时间序列数据集的外分布模式，包括：针对每一个所述节点，分别构建邻居子图，并将每一所述邻居子图作为一个独立域；基于图神经网络对各个所述邻居子图进行信息聚合，得到聚合后的图信息；对所述聚合后的图信息进行最大池化处理，得到增强后的图信息；针对所述增强后的图信息，对每一邻居子图进行域信息提取，以及基于域分类器对所述增强后的图信息进行分布域区分，得到所述分布外模式。
5、一种实施方式中，所述确定变量外部图结构，包括：在多个所述变量中确定一个目标变量；确定所述目标变量与其他变量之间的余弦相似度，并将与所述目标变量之间余弦相似度最高的、指定数量的变量作为邻居节点；基于所述目标变量表征的节点，以及各个所述邻居节点，构建邻接矩阵；其中，所述邻接矩阵用于表征所述目标变量表征的节点以及各个所述邻居节点之间的连接关系；将多个所述变量分别作为所述目标变量，得到与多个所述变量数量一致的多个所述邻接矩阵；基于多个所述变量和多个所述邻接矩阵，生成所述多维时间序列数据集的全局图；其中，每个变量被视为图中的一个节点，节点之间的连接关系由邻接矩阵定义；为所述全局图中每一节点分别添加位置嵌入特征；基于拉普拉斯图计算，将特征向量融入至所述全局图中每一节点，并基于图神经网络对所述全局图中的节点间信息进行聚合，得到所述变量外部图结构。
6、一种实施方式中，所述确定变量内部图结构，包括：将每一维时间序列分割成多个相同长度的时间片段，每个所述时间片段用于表征一个节点；在多个所述时间片段中确定一个目标时间片段；确定所述目标时间片段与其他时间片段之间的余弦相似度，并将与所述目标时间片段之间余弦相似度最高的、指定数量的时间片段作为邻居节点；基于所述目标时间片段表征的节点，以及各个所述邻居节点，构建邻接矩阵；其中，所述邻接矩阵用于表征所述目标时间片段表征的节点以及各个所述邻居节点之间的连接关系；将多个所述时间片段分别作为所述目标时间片段，得到与多个所述时间片段数量一致的多个所述邻接矩阵；基于图神经网络对多个所述邻接矩阵中的节点间信息进行聚合，得到所述变量内部图结构。
7、一种实施方式中，所述方法还包括：基于域分类器，对所述多维时间序列数据集的图表征进行域识别，得到域识别结果；将所述域识别结果和所述分类结果作为参数优化的可参考项，获取变量内部图结构。
8、根据本申请的具体实施方式，第二方面，本申请提供一种时间序列分类装置，包括：
9、接收单元，用于接收包含多个变量的多维时间序列数据集；确定单元，用于分别针对所述多维时间序列数据集中每一维时间序列，确定变量内部图结构；其中，每一所述变量内部图结构为单一所述变量的信息表征；针对所述多维时间序列数据集，确定变量外部图结构；其中，所述变量外部图结构为所述多维变量之间的相关性表征；用于基于所述变量内部图结构和所述变量外部图结构，确定所述多维时间序列数据集的外分布模式；生成单元，用于基于所述变量内部图结构、所述变量外部图结构、以及所述外分布模式，生成所述多维时间序列数据集的图表征；用于将所述图表征输入任务分类器，得到所述任务分类器输出的分类结果。
10、一种实施方式中，所述变量内部图结构和所述变量外部图结构分别包含多个不同节点；所述确定单元采用如下方式基于所述变量内部图结构和所述变量外部图结构，确定所述多维时间序列数据集的外分布模式：针对每一个所述节点，分别构建邻居子图，并将每一所述邻居子图作为一个独立域；基于图神经网络对各个所述邻居子图进行信息聚合，得到聚合后的图信息；对所述聚合后的图信息进行最大池化处理，得到增强后的图信息；针对所述增强后的图信息，对每一邻居子图进行域信息提取，以及基于域分类器对所述增强后的图信息进行分布域区分，得到所述分布外模式。
11、一种实施方式中，所述确定单元采用如下方式确定变量外部图结构：在多个所述变量中确定一个目标变量；确定所述目标变量与其他变量之间的余弦相似度，并将与所述目标变量之间余弦相似度最高的、指定数量的变量作为邻居节点；基于所述目标变量表征的节点，以及各个所述邻居节点，构建邻接矩阵；其中，所述邻接矩阵用于表征所述目标变量表征的节点以及各个所述邻居节点之间的连接关系；将多个所述变量分别作为所述目标变量，得到与多个所述变量数量一致的多个所述邻接矩阵；基于多个所述变量和多个所述邻接矩阵，生成所述多维时间序列数据集的全局图；其中，每个变量被视为图中的一个节点，节点之间的连接关系由邻接矩阵定义；为所述全局图中每一节点分别添加位置嵌入特征；基于拉普本文档来自技高网...
【技术保护点】
1.一种时间序列分类方法，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，所述变量内部图结构和所述变量外部图结构分别包含多个不同节点；
3.根据权利要求1所述的方法，其特征在于，所述确定变量外部图结构，包括：
4.根据权利要求1所述的方法，其特征在于，所述确定变量内部图结构，包括：
5.根据权利要求1或4所述的方法，其特征在于，所述方法还包括：
6.一种时间序列分类装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述变量内部图结构和所述变量外部图结构分别包含多个不同节点；
8.根据权利要求6所述的装置，其特征在于，所述确定单元采用如下方式确定变量外部图结构：
9.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-5中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-5中任意一项所述的
...【技术特征摘要】
1.一种时间序列分类方法，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，所述变量内部图结构和所述变量外部图结构分别包含多个不同节点；
3.根据权利要求1所述的方法，其特征在于，所述确定变量外部图结构，包括：
4.根据权利要求1所述的方法，其特征在于，所述确定变量内部图结构，包括：
5.根据权利要求1或4所述的方法，其特征在于，所述方法还包括：
6.一种时间序列分类装置，其特征在于，包括：
7.根据权利要求6所...
【专利技术属性】
技术研发人员：王海帅，刘潇，杨阳，王海伟，池莲花，
申请(专利权)人：杭州心智医联科技有限公司，
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。