本申請(qǐng)?zhí)峁┝艘环N基于FCN的多變量時(shí)間序列數(shù)據(jù)分類方法，包括：確定多變量時(shí)間序列數(shù)據(jù)對(duì)應(yīng)的多變量高斯模型參數(shù)；依據(jù)多變量高斯模型參數(shù)和多變量時(shí)間序列數(shù)據(jù)生成輸入條件；利用人工智能模型的學(xué)習(xí)能力，建立輸入條件與多變量時(shí)間序列數(shù)據(jù)的數(shù)據(jù)類別之間的對(duì)應(yīng)關(guān)系；獲取目標(biāo)的當(dāng)前多變量時(shí)間序列數(shù)據(jù)，并依據(jù)當(dāng)前多變量時(shí)間序列數(shù)據(jù)確定對(duì)應(yīng)的當(dāng)前輸入條件；通過對(duì)應(yīng)關(guān)系，確定與當(dāng)前輸入條件對(duì)應(yīng)的當(dāng)前數(shù)據(jù)類別。通過將多變量時(shí)間序列數(shù)據(jù)對(duì)應(yīng)的多變量高斯模型參數(shù)作為輸入條件，在保證了精度的同時(shí)，極大地提高了人工智能模型的訓(xùn)練速度，且數(shù)據(jù)集維度越高，提升越為顯著。

技術(shù)領(lǐng)域

本申請(qǐng)涉及數(shù)據(jù)處理領(lǐng)域，特別是一種基于FCN的多變量時(shí)間序列數(shù)據(jù)分類方法。

背景技術(shù)

時(shí)間序列數(shù)據(jù)廣泛存在于我們的生活中，天氣預(yù)測(cè)，股票市場、醫(yī)療保健、人類活動(dòng)識(shí)別等領(lǐng)域每天都在產(chǎn)生大量的時(shí)間序列數(shù)據(jù)。時(shí)間序列數(shù)據(jù)的主要特征在于按時(shí)間順序索引一系列的數(shù)據(jù)點(diǎn)，任何具有時(shí)序?qū)傩缘臄?shù)據(jù)都可以被當(dāng)作時(shí)間序列數(shù)據(jù)。隨著數(shù)據(jù)獲取和存儲(chǔ)能力的提升，在實(shí)際應(yīng)用中對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行分析的需求不斷增加，如何進(jìn)行準(zhǔn)確的時(shí)間序列分類是數(shù)據(jù)挖掘中最具挑戰(zhàn)性的問題之一。在心臟病學(xué)中，對(duì)心電信號(hào)進(jìn)行分類，以區(qū)別心臟病患者和健康人。在異常檢測(cè)中，通過監(jiān)視Unix系統(tǒng)上的用戶系統(tǒng)訪問活動(dòng)來檢測(cè)任何類型的異常行為。在人類活動(dòng)識(shí)別中，根據(jù)傳感器采集的數(shù)據(jù)進(jìn)行人類活動(dòng)判斷也是一個(gè)典型的時(shí)間序列分類問題。

時(shí)間序列數(shù)據(jù)可以分為單變量時(shí)間序列(UTS，Univariate?time?series)和多變量時(shí)間序列(MTS，Multivariate?Time?Series)。由于UTS只能描述事物某一方面的性質(zhì)而不能滿足大部分應(yīng)用領(lǐng)域，現(xiàn)在研究者的重心都放在了MTS分類，本文的研究也是針對(duì)多變量時(shí)間序列分類的。多變量時(shí)間序列可以視為多個(gè)單變量時(shí)間序列的集合，但是變量與變量之間可能還存在著相互作用。因此，MTS應(yīng)該作為一個(gè)整體來對(duì)待。面對(duì)高維的多變量時(shí)間序列，如何挖掘變量之間的關(guān)系成為多變量時(shí)間序列分類領(lǐng)域的巨大挑戰(zhàn)。

近些年，深度學(xué)習(xí)方法的引入為多變量時(shí)間序列分類帶來了可喜的結(jié)果。與人工構(gòu)造規(guī)則抽取特征、設(shè)計(jì)模型的傳統(tǒng)方法相比，深度學(xué)習(xí)算法可以自動(dòng)地學(xué)習(xí)特征，這些特征更能夠提取出數(shù)據(jù)蘊(yùn)藏的豐富信息，從而達(dá)到較好的分類結(jié)果。但神經(jīng)網(wǎng)絡(luò)中眾多參數(shù)的訓(xùn)練是一筆巨大的開銷，即使在當(dāng)今計(jì)算機(jī)硬件快速發(fā)展、計(jì)算能力顯著提高的情況下，模型的訓(xùn)練速度仍然較慢。

發(fā)明內(nèi)容

鑒于所述問題，提出了本申請(qǐng)以便提供克服所述問題或者至少部分地解決所述問題的一種基于FCN的多變量時(shí)間序列數(shù)據(jù)分類方法，包括：

一種基于FCN的多變量時(shí)間序列數(shù)據(jù)分類方法，所述方法包括：

確定多變量時(shí)間序列數(shù)據(jù)對(duì)應(yīng)的多變量高斯模型參數(shù)；

依據(jù)所述多變量高斯模型參數(shù)和所述多變量時(shí)間序列數(shù)據(jù)生成輸入條件；

利用人工智能模型的學(xué)習(xí)能力，建立所述輸入條件與所述多變量時(shí)間序列數(shù)據(jù)的數(shù)據(jù)類別之間的對(duì)應(yīng)關(guān)系；

獲取目標(biāo)的當(dāng)前多變量時(shí)間序列數(shù)據(jù)，并依據(jù)所述當(dāng)前多變量時(shí)間序列數(shù)據(jù)確定對(duì)應(yīng)的當(dāng)前輸入條件；

通過所述對(duì)應(yīng)關(guān)系，確定與所述當(dāng)前輸入條件對(duì)應(yīng)的當(dāng)前數(shù)據(jù)類別；具體地，確定與當(dāng)前輸入條件對(duì)應(yīng)的數(shù)據(jù)類別，包括：將所述對(duì)應(yīng)關(guān)系中與所述當(dāng)前輸入條件相同的所述輸入條件所對(duì)應(yīng)的數(shù)據(jù)類別，確定為所述當(dāng)前數(shù)據(jù)類別。

進(jìn)一步地，所述確定多變量時(shí)間序列數(shù)據(jù)對(duì)應(yīng)的多變量高斯模型參數(shù)的步驟，包括：

依據(jù)多變量高斯分布確定所述多變量時(shí)間序列數(shù)據(jù)中包含的特征的均值矩陣；

依據(jù)所述均值矩陣生成對(duì)應(yīng)于所述多變量時(shí)間序列數(shù)據(jù)的特征關(guān)聯(lián)性量化結(jié)果的協(xié)方差矩陣。

進(jìn)一步地，所述依據(jù)所述多變量高斯模型參數(shù)和所述多變量時(shí)間序列數(shù)據(jù)生成輸入條件的步驟，包括：