CN110389975A - 基于shapelet的时间序列早期分类方法及设备 - Google Patents
基于shapelet的时间序列早期分类方法及设备 Download PDFInfo
- Publication number
- CN110389975A CN110389975A CN201910705734.2A CN201910705734A CN110389975A CN 110389975 A CN110389975 A CN 110389975A CN 201910705734 A CN201910705734 A CN 201910705734A CN 110389975 A CN110389975 A CN 110389975A
- Authority
- CN
- China
- Prior art keywords
- shapelet
- candidate
- time series
- distance
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001303 quality assessment method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013441 quality evaluation Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003503 early effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于shapelet的时间序列早期分类方法及设备，其中该方法包括：获取多变量时间序列的多个子序列，并将所述子序列作为候选shapelet；分别计算多个候选shapelet与所述多变量时间序列之间的距离；对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果，并按照质量评估结果由高至低的顺序，从多个候选shapelet中选取k个shapelet；计算所述k个shapelet中每个shapelet与所述多变量时间序列之间的距离，得到距离矩阵；将所述距离矩阵放到机器学习分类器中进行训练，得到准确率的训练结果；对早期性的结果进行判断，结合早期性的结果和准确率的训练结果得到综合的结果表现。本发明提供的时间序列早期分类方法能对鉴别性特征不受维度限制的多变量时间序列进行分类。
Description
技术领域
本发明涉及数据挖掘技术领域，特别涉及一种基于shapelet的时间序列早期分类方法及设备。
背景技术
时间序列早期分类是指在满足一定准确率的情况下，尽可能早的分类数据，而不是像其他分类一样只要求满足准确率。早期分类在异常检测、入侵检测、健康信息和过程控制中有着广泛的应用。目前早期分类的研究主要有针对单变量时间序列和多变量时间序列的分类方法。多变量时间序列是一种重要的时间序列。他们广泛地应用在很多领域，例如语音识别、多媒体应用、医学、经济学、科学和工程。多变量时间序列分类在时间序列的数据挖掘中起着重要的作用。然而，多变量时间序列的多变量和长度的不一致让传统的机器学习方法来分类多变量时间序列变得很困难。因此，为了分类多变量时间序列，大量的研究和方法被提出。Ghalwash等针对多变量时间序列的分类构造了早期分类模型(ECM)，它集成了隐马尔科夫模型和支持向量机的模型。它的优势主要体现在他的早期性，但是它的准确性较其他方法都偏低。
目前有很多提取特征的多变量时间序列分类方法。这些方法主要是通过提取特征来表征原始的多变量时间序列。它的优点除了可以减少多源时间序列的维度或者是时间序列的长度来避免维度爆炸，还可以提高分类的可解释性。He G提出用核心特征来表达多源时间序列，核心特征是从同一类别的同一维度单变量时间序列上提取出来的，一般的同一类别的多源时间序列同一维度有一个或多个核心特征。他同时结合核心特征提出了MCFEC-QBC和MCFEC-rule两种分类方法，它的缺点是没有考虑多变量时间序列之间紧密的相互关联。因而造成鉴别性特征不受维度限制的多变量时间序列，难以被普通的多变量时间序列早期分类方法进行分类。
发明内容
本发明提供了一种基于shapelet的时间序列早期分类方法及设备，其目的是为了解决鉴别性特征不受维度限制的多变量时间序列，难以被普通的多变量时间序列早期分类方法进行分类的问题。
为了达到上述目的，本发明的实施例提供了一种基于shapelet的时间序列早期分类方法，包括：
获取多变量时间序列的多个子序列，并将所述子序列作为候选shapelet；
分别计算多个候选shapelet与所述多变量时间序列之间的距离；
对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果，并按照质量评估结果由高至低的顺序，从多个候选shapelet中选取k个shapelet；
计算所述k个shapelet中每个shapelet与所述多变量时间序列之间的距离，得到距离矩阵；
将所述距离矩阵放到机器学习分类器中进行训练，得到准确率的训练结果；
对早期性的结果进行判断，结合早期性的结果和准确率的训练结果得到综合的结果表现。
其中，所述获取多变量时间序列的多个子序列的步骤，包括：
通过滑动窗口的方式，获取多变量时间序列的多个子序列。
其中，所述分别计算多个候选shapelet与所述多变量时间序列之间的距离的步骤，包括：
分别针对每个候选shapelet执行以下步骤：
通过公式distance(p,M)＝min(subdist(p,Ti))计算候选shapelet与所述多变量时间序列之间的距离；
其中，distance(p,M)表示子序列p与所述多变量时间序列M之间的距离，子序列p为所述候选shapelet，子序列p与单变量时间序列Ti之间的计算公式subdist(p,T)＝min(dist(p,s))，s表示一个子序列，m表示子序列s中点的个数。
其中，所述对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果的步骤，包括：
通过加权信息增益的方法对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果。
其中，所述通过加权信息增益的方法对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果的步骤，包括：
通过公式计算候选shapelet的信息增益，并将计算出的信息增益作为该候选shapelet的质量评估结果；
其中，IG表示候选shapelet的信息增益，Entropy为熵，C代表总的类别，mc代表各个类别的样本数量，M为总的样本数量，ML＝PNT+NNT，MR＝PNT+NNT，MR,ML分别表示数据集划分后右边数据集和左边数据集的综合早期性的样本数据表现，其中P为候选shapelet正确匹配的长序列的最小预测长度和，NT表示候选shapelet能正确匹配的长序列的数目，NNT表示候选shapelet不能正确匹配的长序列的数目，EL表示候选shapelet与长序列之间的距离小于阈值δ的序列集的信息熵，ER表示候选shapelet与长序列之间的距离大于阈值δ的序列集的信息熵，i表示训练的单个样本，D表示训练集。
其中，所述对早期性的结果进行判断的步骤，包括：
通过公式对早期性的结果进行判断；
其中，MIL(s,p)表示长序列s与子序列p之间的最小预测长度，D表示数据集，Length(s)为子序列p能匹配的长序列的长度。
其中，k的取值为候选shapelet总数的1/2到2/3。
本发明的实施例还提供了一种基于shapelet的时间序列早期分类设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于shapelet的时间序列早期分类方法的步骤。
本发明的上述方案至少有如下的有益效果：
本发明的实施例中，通过获取多变量时间序列的多个子序列，将获取到的子序列作为候选shapelet，然后计算候选shapelet与多变量时间序列之间的距离，得到子序列与多变量时间序列集的距离集合，接着对每个候选shapelet进行质量评估，从中选取k个质量最好的shapelet，并计算这些shapelet与多变量时间序列之间的距离，得到距离矩阵，再讲距离矩阵放到机器学习分类器中进行训练，得到准确率的训练结果，最后对早期性的结果进行判断，并结合早期性的结果和准确率的训练结果得到综合的结果表现。其中由于在计算候选shapelet与多变量时间序列之间的距离时，是计算候选shapelet与每个多变量时间序列的所有变量中的最小距离，因此保留了多变量时间序列之间的关联性，同时多变量shapelets的每一个shapelet是从每一个维度相同位置上的单变量时间序列提取的，因此它的起点和终点必须相同，并且多变量时间序列中每个变量的长度也必须一样，因此不可能包含所有变量的具有鉴别性的特征，从而使得基于shapelet的时间序列早期分类方法能对鉴别性特征不受维度限制的多变量时间序列进行分类。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明实施例中基于shapelet的时间序列早期分类方法的流程图；
图2为本发明实施例中基于shapelet的时间序列早期分类设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于详细阐述本发明提供的基于shapelet的时间序列早期分类方法，在对该方法进行阐述之前，在此先引入时间序列、最小预测长度、加权信息增益、早期性判断指标以及结合准确率和早期性的判别指标的描述。
其中，时间序列的描述：
单变量时间序列T＝(t1,t2,...,tN)有N个点，一个多变量时间序列是由多个维度的单变量时间序列组成M＝(T1,T2,...,Tr)，其中，多变量时间序列的维度为r。
其中，最小预测长度：
最小预测长度表示子序列p与长序列s的距离小于δ时，p在s长序列上匹配的位置到起点的距离。
其中计算子序列与长序列之间的距离为欧式距离：
即计算两段子序列的距离即为计算两个子序列之间每个点之间的距离和。
其中，加权信息增益：
其中，Entropy为熵，熵的计算公式为：
其中，C代表总的类别，mc代表各个类别的样本数量，M为总的样本数量。
ML的计算公式为：
ML＝PNT+NNT
其中，P为子序列正确匹配的长序列的最小预测长度和，NT表示子序列能够正确匹配的长序列的数目，NNT表示不能正确匹配的长序列的数目。
其中，EL表示子序列与长序列之间的距离小于阈值δ的序列集的信息熵，ER表示子序列与长序列之间的距离大于阈值δ的序列集的信息熵。通过IG可以将子序列划分后的信息增益计算出来，同时早期性更好的子序列的信息增益会更大。
其中，早期性判断指标：
其中，p位子序列，s为单变量序列，MIL为最小预测长度，D为数据集。
其中，结合准确率和早期性的判别指标：
其中，C代表分类器，Earliness(C)代表经分类器C分类得到的早期性评估结果，Accuracy(C)代表经分类器C分类得到的准确率。
如图1所示，本发明的实施例提供了一种基于shapelet的时间序列早期分类方法，包括：
步骤11，获取多变量时间序列的多个子序列，并将所述子序列作为候选shapelet。
具体的，在本发明的实施例中，可通过滑动窗口的方式，获取多变量时间序列的多个子序列。
步骤12，分别计算多个候选shapelet与所述多变量时间序列之间的距离。
其中，在本发明的实施例中，通过步骤12，可得到子序列(即候选shapelet)与多变量时间序列集的距离集合，便于后续步骤的执行。
步骤13，对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果，并按照质量评估结果由高至低的顺序，从多个候选shapelet中选取k个shapelet。
其中，在本发明的实施例中，上述步骤13中对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果的具体实现方式可以为：通过加权信息增益的方法对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果。
其中，在本发明的实施例中，以上k的取值为候选shapelet总数的1/2到2/3，最终k的值为总的准备率和早期性最好的k的值。
步骤14，计算所述k个shapelet中每个shapelet与所述多变量时间序列之间的距离，得到距离矩阵。
步骤15，将所述距离矩阵放到机器学习分类器中进行训练，得到准确率的训练结果。
其中，上述机器学习分类器为目前常见的机器学习分类器。
步骤16，对早期性的结果进行判断，结合早期性的结果和准确率的训练结果得到综合的结果表现。
值得一提的是，由于在计算候选shapelet与多变量时间序列之间的距离时，是计算候选shapelet与每个多变量时间序列的所有变量中的最小距离，因此保留了多变量时间序列之间的关联性，目前大部分的多变量时间序列早分类的研究，多变量shapelets的每一个shapelet是从每一个维度相同位置上的单变量时间序列提取的，因此它的起点和终点必须相同，并且多变量时间序列中每个变量的长度也必须一样，因此不可能包含所有变量的具有鉴别性的特征。本方法能对鉴别性特征不受维度限制的多变量时间序列进行分类，可以对鉴别性特征不受维度限制的多变量时间序列进行早分类。
下面对上述基于shapelet的时间序列早期分类方法中的部分步骤的具体实现方式进行介绍。
其中，上述步骤12的具体实现方式为：
分别针对每个候选shapelet执行以下步骤：
通过公式distance(p,M)＝min(subdist(p,Ti))计算候选shapelet与所述多变量时间序列之间的距离。
其中，distance(p,M)表示子序列p与所述多变量时间序列M之间的距离，子序列p为所述候选shapelet，子序列p与单变量时间序列Ti之间的计算公式subdist(p,T)＝min(dist(p,s))，s表示一个子序列，m表示子序列s中点的个数。
其中，上述步骤13中通过加权信息增益的方法对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果的具体实现方式为：
通过公式计算候选shapelet的信息增益，并将计算出的信息增益作为该候选shapelet的质量评估结果。
其中，IG表示候选shapelet的信息增益，Entropy为熵，C代表总的类别，mc代表各个类别的样本数量，M为总的样本数量，ML＝PNT+NNT，MR＝PNT+NNT，MR,ML分别表示数据集划分后右边数据集和左边数据集的综合早期性的样本数据表现，其中P为候选shapelet正确匹配的长序列的最小预测长度和，NT表示候选shapelet能正确匹配的长序列的数目，NNT表示候选shapelet不能正确匹配的长序列的数目，EL表示候选shapelet与长序列之间的距离小于阈值δ的序列集的信息熵，ER表示候选shapelet与长序列之间的距离大于阈值δ的序列集的信息熵，i表示训练的单个样本，D表示训练集。通过IG可以将子序列划分后的信息增益计算出来，同时早期性更好的子序列的信息增益会更大。
其中，上述步骤16中对早期性的结果进行判断的具体实现方式为：
通过公式对早期性的结果进行判断。
其中，MIL(s,p)表示长序列s与子序列p之间的最小预测长度，D表示数据集，Length(s)为子序列p能匹配的长序列的长度。最小预测长度占长序列总长度的比例越小，早期性评估越好。
值得一提的是，通过前文中所提及的结合准确率和早期性的判别指标对本发明所提供的分类方法和其他分类方法进行对比，本发明的分类方法的准确性更高，且该方法能鉴别特征不受维度限制的特殊信号进行分类，如对铝电解槽的阳极电流信号进行早分类，有利于对铝电解槽的故障及时预判(因为阳极电流能够反应槽电阻的变化，因此阳极电流能够实时反应局部槽况)。
如图2所示，本发明的实施例还提供了一种基于shapelet的时间序列早期分类设备，包括存储器21、处理器22以及存储在所述存储器21中并可在所述处理器22上运行的计算机程序23，所述处理器22执行所述计算机程序23时实现上述的基于shapelet的时间序列早期分类方法的步骤。
需要说明的是，由于本发明实施例提供的基于shapelet的时间序列早期分类设备2的处理器22执行所述计算机程序23时能实现上述的基于shapelet的时间序列早期分类方法的步骤，因此基于shapelet的时间序列早期分类设备2能对鉴别性特征不受维度限制的多变量时间序列进行分类，提高分类的准确性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于shapelet的时间序列早期分类方法，其特征在于，包括：
获取多变量时间序列的多个子序列，并将所述子序列作为候选shapelet；
分别计算多个候选shapelet与所述多变量时间序列之间的距离；
对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果，并按照质量评估结果由高至低的顺序，从多个候选shapelet中选取k个shapelet；
计算所述k个shapelet中每个shapelet与所述多变量时间序列之间的距离，得到距离矩阵；
将所述距离矩阵放到机器学习分类器中进行训练，得到准确率的训练结果；
对早期性的结果进行判断，结合早期性的结果和准确率的训练结果得到综合的结果表现。
2.根据权利要求1所述的方法，其特征在于，所述获取多变量时间序列的多个子序列的步骤，包括：
通过滑动窗口的方式，获取多变量时间序列的多个子序列。
3.根据权利要求1所述的方法，其特征在于，所述分别计算多个候选shapelet与所述多变量时间序列之间的距离的步骤，包括：
分别针对每个候选shapelet执行以下步骤：
通过公式distance(p,M)＝min(subdist(p,Ti))计算候选shapelet与所述多变量时间序列之间的距离；
其中，distance(p,M)表示子序列p与所述多变量时间序列M之间的距离，子序列p为所述候选shapelet，子序列p与单变量时间序列Ti之间的计算公式subdist(p,T)＝min(dist(p,s))，s表示一个子序列，m表示子序列s中点的个数。
4.根据权利要求1所述的方法，其特征在于，所述对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果的步骤，包括：
通过加权信息增益的方法对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果。
5.根据权利要求4所述的方法，其特征在于，所述通过加权信息增益的方法对每个候选shapelet进行质量评估，得到每个候选shapelet的质量评估结果的步骤，包括：
通过公式计算候选shapelet的信息增益，并将计算出的信息增益作为该候选shapelet的质量评估结果；
其中，IG表示候选shapelet的信息增益，Entropy为熵，C代表总的类别，mc代表各个类别的样本数量，M为总的样本数量，ML＝PNT+NNT，MR＝PNT+NNT，MR,ML分别表示数据集划分后右边数据集和左边数据集的综合早期性的样本数据表现，其中P为候选shapelet正确匹配的长序列的最小预测长度和，NT表示候选shapelet能正确匹配的长序列的数目，NNT表示候选shapelet不能正确匹配的长序列的数目，EL表示候选shapelet与长序列之间的距离小于阈值δ的序列集的信息熵，ER表示候选shapelet与长序列之间的距离大于阈值δ的序列集的信息熵，i表示训练的单个样本，D表示训练集。
6.根据权利要求1所述的方法，其特征在于，所述对早期性的结果进行判断的步骤，包括：
通过公式对早期性的结果进行判断；
其中，MIL(s,p)表示长序列s与子序列p之间的最小预测长度，D表示数据集，Length(s)为子序列p能匹配的长序列的长度。
7.根据权利要求1所述的方法，其特征在于，k的取值为候选shapelet总数的1/2到2/3。
8.一种基于shapelet的时间序列早期分类设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于shapelet的时间序列早期分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910705734.2A CN110389975A (zh) | 2019-08-01 | 2019-08-01 | 基于shapelet的时间序列早期分类方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910705734.2A CN110389975A (zh) | 2019-08-01 | 2019-08-01 | 基于shapelet的时间序列早期分类方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110389975A true CN110389975A (zh) | 2019-10-29 |
Family
ID=68288033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910705734.2A Pending CN110389975A (zh) | 2019-08-01 | 2019-08-01 | 基于shapelet的时间序列早期分类方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110389975A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080118A (zh) * | 2019-12-12 | 2020-04-28 | 国家电网有限公司大数据中心 | 一种新能源并网数据的质量评估方法及评估系统 |
| CN111814897A (zh) * | 2020-07-20 | 2020-10-23 | 辽宁大学 | 一种基于多层次shapelet的时间序列数据分类方法 |
| CN112331350A (zh) * | 2020-10-14 | 2021-02-05 | 华南师范大学 | 一种重症监护病房提早转入预测方法、系统及存储介质 |
| CN113409054A (zh) * | 2021-06-18 | 2021-09-17 | 浙大城市学院 | 一种可疑交易识别模型构建方法 |
| CN114548493A (zh) * | 2022-01-12 | 2022-05-27 | 国网山东省电力公司营销服务中心(计量中心) | 一种电能表电流过载预测方法与系统 |
| CN114547491A (zh) * | 2022-03-03 | 2022-05-27 | 北京天融信网络安全技术有限公司 | 时序图谱构建方法、装置、设备及介质 |
| CN118586520A (zh) * | 2024-06-05 | 2024-09-03 | 郑州轻工业大学 | 一种基于多视图shapelet原型网络的少样本故障增量学习方法 |
-
2019
- 2019-08-01 CN CN201910705734.2A patent/CN110389975A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080118A (zh) * | 2019-12-12 | 2020-04-28 | 国家电网有限公司大数据中心 | 一种新能源并网数据的质量评估方法及评估系统 |
| CN111080118B (zh) * | 2019-12-12 | 2023-09-29 | 国家电网有限公司大数据中心 | 一种新能源并网数据的质量评估方法及评估系统 |
| CN111814897A (zh) * | 2020-07-20 | 2020-10-23 | 辽宁大学 | 一种基于多层次shapelet的时间序列数据分类方法 |
| CN112331350A (zh) * | 2020-10-14 | 2021-02-05 | 华南师范大学 | 一种重症监护病房提早转入预测方法、系统及存储介质 |
| CN113409054A (zh) * | 2021-06-18 | 2021-09-17 | 浙大城市学院 | 一种可疑交易识别模型构建方法 |
| CN114548493A (zh) * | 2022-01-12 | 2022-05-27 | 国网山东省电力公司营销服务中心(计量中心) | 一种电能表电流过载预测方法与系统 |
| CN114547491A (zh) * | 2022-03-03 | 2022-05-27 | 北京天融信网络安全技术有限公司 | 时序图谱构建方法、装置、设备及介质 |
| CN114547491B (zh) * | 2022-03-03 | 2025-05-16 | 北京天融信网络安全技术有限公司 | 时序图谱构建方法、装置、设备及介质 |
| CN118586520A (zh) * | 2024-06-05 | 2024-09-03 | 郑州轻工业大学 | 一种基于多视图shapelet原型网络的少样本故障增量学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110389975A (zh) | 基于shapelet的时间序列早期分类方法及设备 | |
| CN103943107B (zh) | 一种基于决策层融合的音视频关键词识别方法 | |
| CN102799899B (zh) | 基于svm和gmm的特定音频事件分层泛化识别方法 | |
| US10535000B2 (en) | System and method for speaker change detection | |
| WO2016176887A1 (zh) | 基于声谱图双特征的动物声音识别方法 | |
| CN100461177C (zh) | 一种自动检测新闻事件的方法 | |
| CN107301858B (zh) | 基于音频特征空间分层描述的音频分类方法 | |
| CN111738309B (zh) | 多尺度分析和集成学习的气敏传感器故障模式识别方法 | |
| WO2016155047A1 (zh) | 低信噪比声场景下声音事件的识别方法 | |
| CN104035996A (zh) | 基于Deep Learning的领域概念抽取方法 | |
| US20240293070A1 (en) | Multi-label Electrocardiogram (ECG) Signal Classification Method Based on Improved Attention Mechanism | |
| CN112465054B (zh) | 一种基于fcn的多变量时间序列数据分类方法 | |
| CN103488790A (zh) | 基于加权borda计数法的多元时间序列相似分析方法 | |
| CN114880478B (zh) | 基于主题信息增强的弱监督方面类别检测方法 | |
| CN104182734A (zh) | 基于lrc和协同表示的两阶段人脸识别方法 | |
| CN112417132A (zh) | 一种利用谓宾信息筛选负样本的新意图识别方法 | |
| CN107016377A (zh) | 基于sgasen算法的人脸识别优化方法 | |
| CN113222002A (zh) | 一种基于生成式鉴别性对比优化的零样本分类方法 | |
| CN115457966A (zh) | 基于改进ds证据理论多分类器融合的猪咳嗽声识别方法 | |
| CN115169386A (zh) | 一种基于元注意力机制的弱监督增类活动识别方法 | |
| CN112347162A (zh) | 一种基于在线学习的多元时序数据规则挖掘方法 | |
| CN117454873B (zh) | 一种基于知识增强神经网络模型的讽刺检测方法及系统 | |
| CN107894837A (zh) | 动态情感分析模型样本处理方法及装置 | |
| Ge et al. | Speaker change detection using features through a neural network speaker classifier | |
| CN111583968A (zh) | 一种语音情感识别方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |
|
| RJ01 | Rejection of invention patent application after publication |