CN115769227A - 预报多变量时间序列数据 - Google Patents
预报多变量时间序列数据 Download PDFInfo
- Publication number
- CN115769227A CN115769227A CN202180047507.0A CN202180047507A CN115769227A CN 115769227 A CN115769227 A CN 115769227A CN 202180047507 A CN202180047507 A CN 202180047507A CN 115769227 A CN115769227 A CN 115769227A
- Authority
- CN
- China
- Prior art keywords
- gan
- multivariate
- vector
- computer
- program instructions
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
通过以下步骤利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据:提供经训练的GAN模型,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层,接收时间序列多变量生物特征数据,使用所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据,根据所述连续时间序列多变量生物特征数据来确定结果,以及提供与所述结果相关联的输出。
Description
技术领域
本公开总体上涉及生成多变量时间序列数据。具体地,本公开涉及使用预报多变量时间序列数据来预测人类活动。
背景技术
可以通过使用脑电图(EEG)来识别在人进行运动之前预测人体运动。EEG可以通过测量脑的电活动来检测脑活动(即,脑活动数据)。测量电活动可以通过使用例如附接到个体的头皮的电极来实现。电极可以检测脑电波并且EEG机器可以放大脑电波信号。EEG信号对测量是安全的并且是非侵入性的。非侵入性EEG可以使用可测量脑电图信号(即,EEG信号)的脑计算机接口(BCI)来检测脑活动。一个测量可以包括运动相关的皮层电位,其可以表示个体在自主运动之前和之后的EEG活动。EEG数据包括多变量、多步、时间序列脑电波数据。(所述数据包括序列数据点的基于时间的序列,每个数据点包括左脑半球和右脑半球中的每一个的多个离散变量。)
EEG研究已经发展到使得能够提前预测使用生物因素不可能预测的人体运动。已知的方法可以使用EEG机器(例如,EEG头戴式耳机或EEG无线头戴式耳机)或EEG信号来检测驾驶员偏好或不舒适,以允许自主驾驶模式中的驾驶配置创建例如允许驾驶员更好的反应时间的驾驶员辅助运动。自主驾驶模式还可以创建可与驾驶员期望一致的安全模式。
可以训练生成对抗网络(GAN)来生成无法与用于训练GAN的生成器和判别器的真实数据点区分的输出。
发明内容
以下呈现提供对本公开的一个或多个实施例的基本理解的发明内容。本发明内容并不旨在标识关键或重要元素或者划定特定实施例的任何范围或权利要求的任何范围。其唯一的目的是以简化的形式呈现概念,作为后文呈现的更详细的描述的序言。在本文中所描述的一个或多个实施例中,设备、系统、计算机实现的方法、装置和/或计算机程序产品生成和利用多变量时间序列生物特征数据。
本发明的各个方面公开了与利用经训练的生成对抗网络模型来使计算机输出多变量预报的时间序列数据相关联的方法、系统和计算机可读介质,所述方法、系统和计算机可读介质:提供经训练的生成对抗网络(GAN)模型,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层,接收时间序列多变量生物特征数据,根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据,根据所述连续时间序列多变量生物特征数据来确定结果,以及提供与所述结果相关联的输出。
本发明的各个方面公开了与利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据相关联的方法、系统和计算机可读介质,所述方法、系统和计算机可读介质通过以下操作来训练GAN模型:向所述GAN模型的GAN生成器提供第一向量,所述第一向量包括与第一时间段相关联的多变量时间序列数据,使用所述GAN生成器生成第二向量,所述第二向量包括与第二时间段相关联的多变量时间序列数据,将所述第一向量和所述第二向量提供给所述GAN模型的GAN判别器,使用所述GAN判别器确定与所述第二向量相关联的判别结果,以及根据所述判别结果调整所述判别器的节点权重。所述方法、系统和计算机可读介质还:提供所述GAN模型,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层,接收时间序列多变量生物特征数据,由所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据,根据所述连续时间序列多变量生物特征数据来确定结果,以及提供与所述结果相关联的输出。
本发明的各个方面公开了与利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据相关联的方法、系统和计算机可读介质,所述方法、系统和计算机可读介质通过以下操作来训练GAN模型:向所述GAN模型的GAN生成器提供第一向量,所述第一向量包括与第一时间段相关联的多变量时间序列数据,使用所述GAN生成器生成第二向量,所述第二向量包括与第二时间段相关联的多变量时间序列数据,将所述第一向量和所述第二向量提供给所述GAN模型的GAN判别器,使用所述GAN判别器确定与所述第二向量相关联的第一判别结果,以及根据所述第一判别结果调整所述判别器的节点权重。所述方法、系统和计算机可读介质还:向所述GAN判别器提供第三向量,所述第三向量包括与第二时间段相关联的多变量时间序列数据,使用所述GAN判别器确定与所述第三向量相关联的第二判别结果,以及根据所述第二判别结果调整所述判别器的节点权重,提供所述GAN模型,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层,接收时间序列多变量生物特征数据,由所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据,根据所述连续时间序列多变量生物特征数据来确定结果,以及提供与所述结果相关联的输出。
根据一个方面,提供了一种用于利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据的计算机实现的方法,所述方法包括:提供经训练的GAN模型,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层;接收时间序列多变量生物特征数据;由所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据;根据所述连续时间序列多变量生物特征数据来确定结果;以及提供与所述结果相关联的输出。
根据另一个方面,提供了一种用于利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据的计算机实现的方法,所述方法包括:通过以下操作来训练GAN模型:向所述GAN模型的GAN生成器提供第一向量,所述第一向量包括与第一时间段相关联的多变量时间序列数据;使用所述GAN生成器生成第二向量,所述第二向量包括与第二时间段相关联的多变量时间序列数据;将所述第一向量和所述第二向量提供给所述GAN模型的GAN判别器;使用所述GAN判别器确定与所述第二向量相关联的判别结果;以及根据所述判别结果调整所述判别器的节点权重;提供所述GAN模型,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层;接收时间序列多变量生物特征数据;由所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据;根据所述连续时间序列多变量生物特征数据来确定结果;以及提供与所述结果相关联的输出。
根据另一个方面,提供了一种用于利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据的计算机实现的方法,所述方法包括:通过以下操作来训练GAN模型:向所述GAN模型的GAN生成器提供第一向量,所述第一向量包括与第一时间段相关联的多变量时间序列数据;使用所述GAN生成器生成第二向量,所述第二向量包括与第二时间段相关联的多变量时间序列数据;将所述第一向量和所述第二向量提供给所述GAN模型的GAN判别器;使用所述GAN判别器确定与所述第二向量相关联的第一判别结果;根据所述第一判别结果调整所述判别器的节点权重;向所述GAN判别器提供第三向量,所述第三向量包括与第二时间段相关联的多变量时间序列数据;使用所述GAN判别器确定与所述第三向量相关联的第二判别结果;以及根据所述第二判别结果调整所述判别器的节点权重;提供所述GAN模型,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层;接收时间序列多变量生物特征数据;由所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据;根据所述连续时间序列多变量生物特征数据来确定结果;以及提供与所述结果相关联的输出。
根据另一个方面,提供了一种用于利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据的计算机程序产品,所述计算机程序产品包括一个或多个计算机可读存储设备以及共同地存储在所述一个或多个计算机可读存储设备上的程序指令,所述存储的程序指令包括:用于提供经训练的GAN模型的程序指令,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层;用于接收时间序列多变量生物特征数据的程序指令;用于使用所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据的程序指令;用于根据所述连续时间序列多变量生物特征数据来确定结果的程序指令;以及用于提供与所述结果相关联的输出的程序指令。
根据另一个方面,提供了一种用于利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据的计算机系统,所述计算机系统包括:一个或多个计算机处理器;一个或多个计算机可读存储设备;以及在所述一个或多个计算机可读存储设备上存储的用于由所述一个或多个计算机处理器执行的程序指令,所存储的程序指令包括:用于提供经训练的GAN模型的程序指令,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层;用于接收时间序列多变量生物特征数据的程序指令;用于使用所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据的程序指令;用于根据所述连续时间序列多变量生物特征数据来确定结果的程序指令;以及用于提供与所述结果相关联的输出的程序指令。
附图说明
现在将仅通过举例的方式并参照以下附图描述本发明的优选实施例:
图1提供了根据本发明的实施例的描述训练W-GAN的操作步骤的流程图。
图2提供了根据本发明的实施例的计算环境的示意图。
图3提供了根据本发明的实施例的描述操作序列的流程图。
图4描述了根据本发明的实施例的云计算环境。
图5描述了根据本发明的实施例的抽象模型层。
在本公开实施例中,相同的附图标记通常指代相同的组件。
具体实施方式
将参照附图更详细地描述一些实施例,在附图中已经图示了本公开的实施例。然而,本公开可以以各种方式来实现,并且因此不应被解释为局限于本文中公开的实施例。
在实施例中,系统的一个或多个组件可以采用硬件和/或软件来解决本质上高度技术的问题(例如,训练W-GAN并利用经训练的生成器来创建多变量时间序列数据——诸如EEG数据,利用生成的EEG数据来预测受试者运动,使用预测的受试者运动来改变车辆控制等)。例如,这些解决方案不是抽象的并且由于便于生成时间序列数据所需的处理能力而不能作为人类的一组精神行为来执行。此外,所执行的一些过程可以由用于执行与存储器操作相关的已定义任务的专用计算机来执行。例如,可以采用专用计算机来执行与生成多变量时间序列数据等相关的任务。
生成(预报)多变量、多步、时间序列数据(诸如EEG数据)需要已经学习并可以生成原始波形特征并且可以接收原始波形数据并生成用于后续时间步的原始波形数据的GAN架构。所公开的方法和系统提供了对受试者生物数据(包括EEG数据或预报EEG数据)的预报,使得能够进行受试者运动预测,其可以用于改变车辆或其他操作,从而产生更好的结果。
所公开的方法和系统提供能够产生维持输入数据的频率方面的多变量、时间序列数据的W-GAN模型。此类W-GAN模型不仅能够预测与受试者运动相关联的EEG数据,而且能够预测与疾病倾向(例如,癫痫发作、脑损伤、脑死亡)相关联的EEG数据。W-GAN模型可以通过以下方式支持从中风恢复的检测:通过实际和预测的EEG数据的比较、受试者意识和专注水平来检测脑活动,以及使用预测的数据来支持脑/计算接口的开发。
生成具有输入数据频率分量的数据的所公开的W-GAN模型可以提供用于脑磁图描记术(MEG)、功能近红外光谱术(fNIRS)、功能磁共振成像或功能MRI(fMRI)、皮质电描记术(ECoG)、局部场电位(LFP)、心电描记术(ECG)、眼电描记术(EOG)、肌电描记术(EMG)等的预测数据。所公开的W-GAN模型使得能够生成预测任何时间序列数据输入中的下一步的时间序列数据——市场趋势预测等。
在实施例中,经训练的W-GAN包括扩张卷积层——扩张层使取自生成器输入的样本集扩张,从而在所选择的样本中留下间隙。在此实施例中,在波形生成对抗网络(W-GAN)的生成器网络中使用扩张卷积层使得生成器网络能够更精确地再现目标数据的频率分量。W-GAN生成器通过使用生成器的扩张卷积层和训练生成器中利用的W-GAN判别器网络来学习输入波形数据特征。
图1呈现了图示根据本发明实施例的用于训练W-GAN的方法的流程图100。如图中所示,在框110处,所述方法使用具有z个维度并且包括噪声的潜在向量Z以及具有n维度的长度的真实输入变量时间序列数据集C来配置W-GAN生成器(C包括维度值x0-xn-1,其中每个值xt是时间t处的多变量时间序列数据)。生成器包括具有如上所述的扩张卷积层的卷积神经网络。生成器提供长度为m-n的假(生成)向量P(x’n,...x’m-1)作为包括真实输入向量C的序列中的数据的下一步。生成的向量P包括与真实输入向量C的数据类似的多变量时间序列数据。在实施例中,生成器的扩张层记忆输入数据的全局特征和局部特征。在此实施例中,全局特征是指数据序列的特征,诸如从其时间序列数据确定的个体的功率谱,局部特征是指与时间序列数据的一部分相关联的特征,例如10秒或20秒的数据,而不是整个数据集。生成器的最终密集层的设计输出扩展输入时间序列数据集C的预报时间序列数据。在实施例中,第一密集层的串联的输入具有64位的输入长度的格式(?,64),第一密集层具有40位的输出长度的(?,40)的输出,并且第二密集层从第一密集层接收(?,40)输出并具有(?,128)的输出。在每个实例中,“?”指示在输入或输出中涉及的样本的数量,并是通配符值。
在实施例中,W-GAN生成器和判别器网络中的每一个包括六个扩张层。在此实施例中,扩张卷积层具有1、2、4、8、16和32的扩张率。扩张层的数量和它们各自的扩张率可以根据为W-GAN选择的超参数以及那些超参数的调节而变化。
在实施例中,W-GAN超参数包括输入噪声向量Z的大小(例如32);输入向量C的大小(例如384);P和R的大小(例如64);Z的维度(例如2);扩张滤波器的数量(例如32);生成器网络的第一密集(非扩张)层的输出大小(例如64);生成器网络的第二密集层的输出大小(例如128);第一密集判别器网络层的输出大小(例如1);生成器和判别器密集层激活函数(例如线性、tanh);以及生成器和判别器损失函数(例如二元交叉熵)。所提供的示例与本发明的实施例相关并且不旨在限制所公开的发明的范围;其他值是可能的。
在框120处,所述方法构造W-GAN判别器。所述判别器包括卷积神经网络,该卷积神经网络也包括如上所述的扩张卷积层。判别器设计与真实输入向量C组合接收假向量P或真实向量R。判别器训练产生区分P和R向量的网络。扩张判别器层接收串联为单个输入向量的组合时间序列数据向量。扩张层记忆串联的向量输入的全局特征和局部特征两者。
在框130处,所述方法将生成器和判别器网络组合为单个W-GAN,并添加要在W-GAN训练过程期间优化的损失函数。
在实施例中,所述方法将W-GAN判别器损失或价值函数(1)定义为:
minGmaxDV(D,G)=ER~pdata(R)[logD(RIC)]+Ez~pnoise(z)[log(1-D(G(ZIC)))] (1)
其中,所述网络寻求同时使生成器损失函数(生成器输出欺骗判别器的能力,在此由判别器对于假输入向量的假预测的概率的倒数的对数来表示)最小化,同时使判别器损失函数(判别器准确识别真实输入和假输入的能力,由真实输入向量R的对数概率[log(D(R|C))]和假输入向量P的逆概率的对数[log(1-D(G(Z.|C)))]来表示)最大化。
在框140处,所述方法评估所有训练轮次(epoch)是否已经处理。每个训练轮次包括以下步骤的序列:150,通过生成器和判别器执行前向传播,计算W-GAN损失函数值;160,执行反向传播以训练判别器——保持生成器节点权重恒定;以及170,固定判别器权重并调整生成器节点权重以训练W-GAN生成器。
在使生成器损失项最小化同时使判别器损失项最大化之间的平衡之后,在框140处视为已经处理了所有轮次,并且训练结束。在训练结束后,所述方法提供经训练的W-GAN生成器,以便生成时间序列数据来预报或扩展输入时间序列数据。
用于使计算机起到输出多变量多步预报的时间序列数据的作用的生成对抗网络(GAN)的经训练的模型包括:生成器,所述生成器包括用于接收多变量多步真实时间序列数据作为输入的扩张卷积层(注意:判别器对于经训练的模型是可选组件),其中,在使用包括第二扩张卷积层的判别器的训练阶段中,生成器接收表示第一时间段的多变量多步真实时间序列数据的第一向量作为输入,并且输出第二向量,所述第二向量表示继所述第一时间段之后的第二时间段的多变量多步预报的时间序列数据;所述判别器接收所述第一向量以及i)从所述生成器输出的所述第二向量或ii)表示所述第二时间段的多变量多步真实时间序列数据的第三向量作为输入,并且判别所述输入数据是所述第二向量(预报的数据)还是所述第三向量(真实数据);训练判别器的权重以提高判别结果的准确度;然后训练生成器的权重,并且其中,在操作(推断)阶段,模型被配置为使计算机输出在时间上继输入到生成器的扩张卷积层的多变量多步真实时间序列数据之后的多变量多步预报的时间序列数据。
本发明的经训练的模型被实施为构成人工智能软件的一部分的计算机程序模块。所述人工智能软件包括用于使计算机起到输出多变量多步预报的时间序列数据作用的生成对抗网络(GAN),所述GAN包括生成器,该生成器包括用于接收多变量多步真实时间序列数据作为输入的扩张卷积层(注意:判别器对于经训练的模型是可选组件),其中,在使用包括第二扩张卷积层的判别器的训练阶段中,生成器接收表示第一时间段的多变量多步真实时间序列数据的第一向量作为输入,并且输出第二向量,所述第二向量表示继所述第一时间段之后的第二时间段的多变量多步预报的时间序列数据;所述判别器接收所述第一向量以及i)从所述生成器输出的所述第二向量或ii)表示所述第二时间段的多变量多步真实时间序列数据的第三向量作为输入,并且判别所述输入数据是所述第二向量(预报的数据)还是所述第三向量(真实数据);训练判别器的权重以提高判别结果的准确度;然后训练生成器的权重,并且其中,在操作(推断)阶段,模型被配置为使计算机输出在时间上继输入到生成器的扩张卷积层的多变量多步真实时间序列数据之后的多变量多步预报的时间序列数据。
本发明的经训练的模型被用在配备有CPU和存储器的计算机中。具体地,计算机的CPU根据来自存储在存储器中的经训练的模型的指令以如下方式操作:其执行使计算机起到输出多变量多步预报的时间序列数据作用的生成对抗网络(GAN),所述GAN包括生成器,该生成器包括用于接收多变量多步真实时间序列数据作为输入的扩张卷积层(注意:判别器对于经训练的模型是可选组件),其中,在使用包括第二组扩张卷积层的判别器的训练阶段中,生成器接收包括第一时间段的多变量、多步时间序列数据的第一向量作为输入,并且输出第二向量,所述第二向量表示继所述第一时间段之后的第二时间段的多变量多步预报的时间序列数据。判别器接收第一向量以及i)从生成器输出的第二向量或ii)表示第二时间段的多变量多步真实时间序列数据的第三向量作为输入,并且判别输入数据是第二向量(预报的数据)还是第三向量(真实数据);训练判别器的权重以提高判别结果的准确度;然后训练生成器的权重,并且其中,在操作(推断)阶段,模型被配置为使计算机输出在时间上继输入到生成器的扩张卷积层的多变量多步真实时间序列数据之后的多变量多步预报的时间序列数据。
在实施例中,所述方法监测受试者驾驶员的EEG,并且将多变量EEG数据(包括针对每个脑半球的数据)输入到经训练的W-GAN生成器网络。生成器根据EEG输入数据生成预报EEG数据。分析模块复查与真实EEG输入组合的生成器输出并且根据生成的EEG输出预测受试者驾驶员的骨骼-肌肉运动活动。在此实施例中,分析模块为每个半球的所生成的数据计算功率值。分析模块比较各个半球数据功率值。在此实施例中,分析模块根据半球数据功率值的比较提供指示可能的受试者驾驶员骨骼-肌肉运动活动的输出。相似的功率值指示对于生成的EEG数据没有骨骼-肌肉运动活动。在实施例中,低于对应的左半球功率值的右半球功率值指示受试者驾驶员打算右转。在此实施例中,低于对应的右半球功率值的左半球功率值指示受试者驾驶员打算左转。
在实施例中,提供分析模块的所述方法输出至车辆碰撞避免模块。车辆碰撞避免模块跟踪车辆的当前位置和速度以及附近车辆的相对位置和速度。在此实施例中,碰撞避免模块将碰撞事件预测为受试者车辆和附近车辆将很快占据相同空间的那些情况。车辆碰撞模块通过根据当前位置、速度和预测的受试者驾驶员骨骼-肌肉运动活动评估车辆的未来位置,来在预测车辆的未来位置中利用分析模块输出;例如,根据分析模块输出受试者驾驶员将右转,右转将发起与附近车辆的碰撞,碰撞避免模块可以减慢受试者车辆以延迟右转,或者禁止对来自受试者驾驶员的输入的车辆转向控制响应,防止右转和否则即将发生的碰撞。
在实施例中,分析模块提供与受试者的医疗状况(例如,癫痫症)相关联的输出。在此实施例中,所述方法评估生成的EEG数据以识别与即将发生的癫痫发作相关联的脑活动。在此实施例中,分析模块输出触发警报,警告受试者即将发生的癫痫发作或触发抗癫痫药物向受试者血流的释放,或触发阈下皮层刺激以防止癫痫发作。
图2提供了与实践所公开的发明相关联的示例性网络资源的示意图。本发明可以在处理指令流的任何公开的元件的处理器中实践。如图中所示,联网的客户端设备210无线地连接到服务器子系统202。客户端设备204经由网络214无线地连接到服务器子系统202。客户端设备204和210包括W-GAN程序(未示出)以及用于执行该程序的足够的计算资源(处理器、存储器、网络通信硬件)。在实施例中,客户端设备204和210收集时间序列数据,并将所收集的数据提供给服务器子系统202以通过经训练的W-GAN模型进行处理。在此实施例中,客户端设备204和210中的至少一个从服务器子系统202接收W-GAN模型预报分析。如图2中所示,服务器子系统202包括服务器计算机250。图2描述了根据本发明的实施例的联网计算机系统2000内的服务器计算机250的组件的框图。应当理解的是,图2仅提供一个实现方式的图示并且不暗示关于可以实现不同实施例的环境的任何限制。可以对所描述的环境做出许多修改。
服务器计算机250可以包括处理器254、存储器258、持久性存储装置270、通信单元252、输入/输出(I/O)接口256和通信结构(fabric)240。通信结构240提供高速缓存262、存储器258、持久性存储装置270、通信单元252和输入/输出(I/O)接口256之间的通信。通信结构240可以用被设计为在处理器(诸如微处理器、通信和网络处理器等)、系统存储器、外围设备和系统内的任何其他硬件组件之间传递数据和/或控制信息的任何架构来实现。例如,通信结构240可以利用一个或多个总线来实现。
存储器258和持久性存储装置270是计算机可读存储介质。在此实施例中,存储器258包括随机存取存储器(RAM)260。通常,存储器258可以包括任何合适的易失性或非易失性计算机可读存储介质。高速缓存262是快速存储器,其通过保存来自存储器258的最近访问的数据和最近访问的数据附近的数据来增强处理器254的性能。
将用于实践本发明的实施例的程序指令和数据(例如W-GAN模型和程序275)存储在持久性存储装置270中以供服务器计算机250的相应处理器254中的一个或多个经由高速缓存262执行和/或访问。在此实施例中,持久性存储装置270包括磁性硬盘驱动器。可替代地,或除了磁性硬盘驱动器之外,持久性存储装置270可以包括固态硬盘驱动器、半导体存储设备、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、闪存或能够存储程序指令或数字信息的任何其他计算机可读存储介质。
持久性存储装置270使用的介质也可以是可移动的。例如,可移动硬盘驱动器可以用于持久性存储装置270。其他示例包括光盘和磁盘、拇指驱动器和智能卡,它们被插入到驱动器中以便转移到也是持久性存储装置270的一部分的另一个计算机可读存储介质上。
在这些示例中,通信单元252提供与其他数据处理系统或设备(包括客户端计算设备204和210的资源)的通信。在这些示例中,通信单元252包括一个或多个网络接口卡。通信单元252可以通过使用物理和/或无线通信链路提供通信。软件分发程序以及用于实现本发明的其他程序和数据可以通过通信单元252下载到服务器计算机250的持久性存储装置270。
I/O接口256允许与可连接到服务器计算机250的其他设备进行数据的输入和输出。例如,I/O接口256可以提供与外部设备290的连接,所述外部设备290诸如键盘、小键盘、触摸屏、麦克风、数码相机、EEG数据收集系统、物联网环境传感器和/或一些其他合适的输入设备。外部设备290还可以包括便携式计算机可读存储介质,诸如例如拇指驱动器、便携式光盘或磁盘以及存储卡。用于实践本发明的实施例的软件和数据(例如,服务器计算机250上的W-GAN程序275)可以存储在此类便携式计算机可读存储介质上并且可以经由I/O接口256加载到持久性存储装置270上。I/O接口256还连接到显示器280。
显示器280提供向用户显示数据的机制,并且可以是例如计算机监视器。显示器280还可以充当触摸屏,诸如平板计算机的显示器。
图3提供了图示与本公开的实践相关联的示例性活动的流程图300。在程序开始之后,在框310处,W-GAN程序275的方法提供经训练的W-GAN生成器网络。经训练的生成器网络包括一个或多个扩张卷积层并且被配置为接收串联的时间序列数据向量和输入噪声向量。
在框320处,W-GAN程序接收实时时间序列数据,包括诸如受试者EEG和其他生物特征时间序列数据之类的实时数据。所接收的数据与第一时间段T1相关。所述方法将实时数据与噪声向量数据串联,并将串联的数据作为输入提交至生成器网络。
在框330处,W-GAN程序的方法生成针对时间段T1+的时间序列数据。所生成的数据预报作为输入提供给生成器的时间序列数据中的下一步。所生成的数据具有与作为输入提供的实时数据向量相同的格式和内容。
在框340处,分析模块评估所生成的输出并确定与所生成的输出相关联的结果。在实施例中,该结果与数据受试者的一个或多个骨骼-肌肉运动活动相关。
在框350处,W-GAN分析模块提供所确定的结果作为输出,该输出充当用户系统(诸如健康监测系统或车辆操作和/或碰撞避免系统)的输入。在实施例中,所述方法提供所生成的数据作为输出或除分析模块输出之外提供所生成的数据。
应当理解的是,虽然本公开包括关于云计算的详细描述,但是本文中所陈述的教导的实现不限于云计算环境。相反,本发明的实施例能够结合现在已知的或以后开发的任何其他类型的计算环境来实现。
云计算是服务交付的模型,用于使得能够方便地、按需地网络访问可配置计算资源(例如,网络、网络带宽、服务器、处理、存储器、存储装置、应用、虚拟机和服务)的共享池,所述可配置计算资源可以以最小的管理努力或与所述服务的提供者的交互来快速供应和释放。此云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。
特性如下:
按需自助服务:云消费者可以单方面地根据需要自动地提供计算能力,诸如服务器时间和网络存储,而不需要与服务的提供者的人类交互。
广泛的网络接入:能力可通过网络获得并且通过标准机制接入,该标准机制促进异构瘦客户端平台或厚客户端平台(例如,移动电话、膝上型计算机和PDA)的使用。
资源池化:提供者的计算资源被池化以使用多租户模型来服务多个消费者,其中不同的物理和虚拟资源根据需要被动态地分配和重新分配。存在位置独立性的感觉,因为消费者通常不具有对所提供的资源的确切位置的控制或了解,但可能能够以较高的抽象层次(例如,国家、州或数据中心)来指定位置。
快速弹性:能够快速和弹性地(在一些情况下自动地)提供能力以快速向外扩展并且快速地释放能力以快速向内扩展。对于消费者而言,可用于供应的能力经常显得不受限制并且可以在任何时间以任何数量购买。
测量的服务:云系统通过以适合于服务类型(例如,存储、处理、带宽和活动用户账户)的某个抽象层次利用计量能力来自动控制和优化资源使用。可以监测、控制和报告资源使用,为所利用的服务的提供者和消费者两者提供透明度。
服务模型如下:
软件即服务(SaaS):提供给消费者的能力是使用在云基础设施上运行的提供者的应用。可通过诸如网络浏览器(例如,基于网络的电子邮件)之类的瘦客户端接口从各种客户端设备访问应用。消费者不管理或控制包括网络、服务器、操作系统、存储或甚至单独的应用能力的底层云基础设施,可能的例外是有限的用户特定应用配置设置。
平台即服务(PaaS):提供给消费者的能力是将消费者创建的或获取的、使用由提供者支持的编程语言和工具创建的应用部署到云基础设施上。消费者不管理或控制包括网络、服务器、操作系统或存储的底层云基础设施,但是具有对所部署的应用的控制和对应用托管环境配置的可能的控制。
基础设施即服务(IaaS):提供给消费者的能力是提供处理、存储、网络和消费者能够部署和运行任意软件的其他基本计算资源,所述其他基本计算资源可以包括操作系统和应用。消费者不管理或控制底层云基础设施,但是具有对操作系统、存储、所部署的应用的控制以及对所选联网组件(例如,主机防火墙)的可能受限的控制。
部署模型如下:
私有云:云基础设施仅为组织运作。它可以由组织或第三方管理,并且可以存在于内部(on-premises)或外部(off-premises)。
社区云:云基础设施被多个组织共享,并支持具有共享的关注(例如,任务、安全要求、政策和合规性考虑)的特定社区。它可以由组织或第三方管理,并且可以存在于内部或外部。
公有云:云基础设施对公众或大型产业集群可用,并且由出售云服务的组织拥有。
混合云:云基础设施是两个或多个云(私有、社区或公有)的组合,这些云保持唯一实体但通过使数据和应用能够移植的标准化或专有技术(例如,用于云之间的负载均衡的云爆发)绑定在一起。
云计算环境是面向服务的,集中于无状态、低耦合、模块化和语义互操作性。云计算的核心是包括互连节点的网络的基础设施。
现在参照图4,图4描述了说明性云计算环境50。如图所示,云计算环境50包括云消费者使用的本地计算设备可以与其通信的一个或多个云计算节点10,本地计算设备诸如例如个人数字助理(PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C和/或汽车计算机系统54N。节点10可以彼此通信。它们可以物理地或虚拟地分组(未示出)在一个或多个网络中,诸如如上所述的私有云、社区云、公有云或混合云或其组合。这允许云计算环境50提供基础设施、平台和/或软件作为云消费者不需要为其维护本地计算设备上的资源的服务。应当理解的是,图4中所示的计算设备54A-N的类型仅旨在是说明性的,并且计算节点10和云计算环境50可以通过任何类型的网络和/或网络可寻址连接(例如,使用网络浏览器)与任何类型的计算机化设备通信。
现在参照图5,图5示出了由云计算环境50(图4)提供的一组功能抽象层。应事先理解的是,图5中所示的组件、层和功能仅旨在是说明性的,并且本发明的实施例不限于此。如所描述的那样,提供以下层和对应功能:
硬件和软件层60包括硬件和软件组件。硬件组件的示例包括:大型机61;基于RISC(精简指令集计算机)架构的服务器62;服务器63;刀片服务器64;存储设备65;以及网络和联网组件66。在一些实施例中,软件组件包括网络应用服务器软件67和数据库软件68。
虚拟化层70提供抽象层,从该抽象层可以提供虚拟实体的以下示例:虚拟服务器71;虚拟存储72;虚拟网络73,包括虚拟专用网络;虚拟应用和操作系统74;以及虚拟客户端75。
在一个示例中,管理层80可以提供以下描述的功能。资源供应81提供用于在云计算环境内执行任务的计算资源和其他资源的动态采购。计量和定价82在云计算环境内利用资源时提供成本跟踪,并为这些资源的消费开账单或发票。在一个示例中,这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证,以及为数据和其他资源提供保护。用户门户83为消费者和系统管理员提供对云计算环境的访问。服务水平管理84提供云计算资源分配和管理,使得满足所需的服务水平。服务水平协议(SLA)规划和履行85提供根据SLA预期未来需求的云计算资源的预安排和采购。
工作负载层90提供可以利用云计算环境的功能的示例。可以从该层提供的工作负载和功能的示例包括:地图和导航91;软件开发和生命周期管理92;虚拟课堂教育交付93;数据分析处理94;事务处理95;以及W-GAN程序275。
本发明可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。本发明可以在处理指令流的任何系统(单个或并行)中有益地实践。计算机程序产品可以包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或多个介质)。
计算机可读存储介质可以是可保留和存储供指令执行设备使用的指令的有形设备。计算机可读存储介质可以是,例如但不限于,电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任何合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式紧凑盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、诸如具有记录在其上的指令的穿孔卡或槽中的凸出结构之类的机械编码设备以及上述各项的任何合适的组合。如本文中所使用的计算机可读存储介质不应被解释为是暂时性信号本身,诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如,穿过光纤电缆的光脉冲)或通过电线发射的电信号。
本文中所描述的计算机可读程序指令可以经由网络(例如,互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备,或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令,并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据或以一种或多种程序设计语言的任何组合编写的源代码或目标代码,这些程序设计语言包括面向对象的程序设计语言(诸如Smalltalk、C++等)和过程程序设计语言(诸如“C”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户的计算机上执行、部分在用户的计算机上执行、作为独立软件包执行、部分在用户的计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接至用户的计算机,或者可以连接至外部计算机(例如,使用互联网服务提供者通过互联网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息以使电子电路个性化来执行计算机可读程序指令,以便执行本发明的各方面。
在本文中参照根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的方面。应当理解的是,流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的一个或多个框中指定的功能/动作的手段。这些计算机可读程序指令还可以被存储在计算机可读存储介质中,所述计算机可读存储介质可以引导计算机、可编程数据处理装置和/或其他设备以特定方式工作,使得其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图的一个或多个框中指定的功能/动作的方面的指令的制造品。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上,以使在计算机、其他可编程装置或其他设备上执行一系列操作步骤,以产生计算机实现的处理,使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图图示了根据本发明的各个实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此,流程图或框图中的每个框可以表示指令的模块、段或部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代的实现中,框中标注的功能可以不按照附图中标注的顺序发生。例如,取决于所涉及的功能,连续示出的两个框实际上可以基本上同时执行,或者这些框有时可以以相反的顺序执行。也要注意的是,框图和/或流程图的每个框以及框图和/或流程图中的框的组合可以通过执行指定的功能或动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。
本说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用表示所描述的实施例可以包括特定的特征、结构或特性,但是每个实施例可能不一定包括特定的特征、结构或特性。此外,此类短语不一定指相同的实施例。此外,当结合实施例描述特定的特征、结构或特性时,认为结合其他实施例(无论是否明确描述)影响此类特征、结构或特性在本领域技术人员的知识范围内。
本文中使用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。如本文中所使用的,除非上下文另有明确指示,否则单数形式“一个”、“一种”和“该”旨在也包括复数形式。还应当理解的是,当在本说明书中使用术语“包括(comprises)”和/或“包含(comprising)”时,其指定所述特征、整体、步骤、操作、元件和/或组件的存在,但不排除一个或多个其他特征、整体、步骤、操作、元件、组件和/或其组合的存在或添加。
已经出于说明的目的呈现了本发明的各种实施例的描述,但该描述并不旨在是详尽的或者限于所公开的实施例。在不背离本发明的范围和精神的情况下,许多修改和变化对于本领域普通技术人员将是显而易见的。本文中所使用的术语被选择来最好地解释实施例的原理、实际应用或优于市场中所发现的技术的技术改进,或者使得其他本领域普通技术人员能够理解本文中所公开的实施例。
Claims (30)
1.一种用于利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据的计算机实现的方法,所述方法包括:
提供经训练的GAN模型,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层;
接收时间序列多变量生物特征数据;
由所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据;
根据所述连续时间序列多变量生物特征数据来确定结果;以及
提供与所述结果相关联的输出。
2.根据权利要求1所述的计算机实现的方法,还包括提供所述连续时间序列多变量生物特征数据作为所述输出。
3.根据权利要求1所述的计算机实现的方法,其中所述结果涉及与所述时间序列多变量生物特征数据相关联的受试者的骨骼-肌肉运动活动。
4.根据权利要求1所述的方法,包括:
通过以下步骤训练所述GAN模型:
向所述GAN模型的GAN生成器提供第一向量,所述第一向量包括与第一时间段相关联的多变量时间序列数据;
使用所述GAN生成器生成第二向量,所述第二向量包括与第二时间段相关联的多变量时间序列数据;
将所述第一向量和所述第二向量提供给所述GAN模型的GAN判别器;
使用所述GAN判别器确定与所述第二向量相关联的判别结果;以及
根据所述判别结果调整所述判别器的节点权重。
5.根据权利要求4所述的计算机实现的方法,其中所述第二时间段在所述第一时间段之后发生。
6.根据权利要求4所述的计算机实现的方法,还包括在调整所述判别器的所述节点权重之后调整所述GAN生成器的节点权重。
7.根据权利要求4所述的计算机实现的方法,还包括提供所述连续时间序列多变量生物特征数据作为所述输出。
8.根据权利要求4所述的计算机实现的方法,其中所述结果涉及与所述时间序列多变量生物特征数据相关联的受试者的骨骼-肌肉运动活动。
9.根据权利要求4、5或6所述的计算机实现的方法,其中所述判别结果是第一判别结果,并且其中所述GAN模型的训练还包括:
向所述GAN判别器提供第三向量,所述第三向量包括与第二时间段相关联的多变量时间序列数据;
使用所述GAN判别器确定与所述第三向量相关联的第二判别结果;以及
根据所述第二判别结果调整所述判别器的节点权重。
10.一种用于利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据的计算机实现的方法,所述方法包括:
通过以下步骤训练GAN模型:
向所述GAN模型的GAN生成器提供第一向量,所述第一向量包括与第一时间段相关联的多变量时间序列数据;
使用所述GAN生成器生成第二向量,所述第二向量包括与第二时间段相关联的多变量时间序列数据;
将所述第一向量和所述第二向量提供给所述GAN模型的GAN判别器;
使用所述GAN判别器确定与所述第二向量相关联的判别结果;以及
根据所述判别结果调整所述判别器的节点权重。
11.根据权利要求10所述的计算机实现的方法,其中所述第二时间段在所述第一时间段之后发生。
12.根据权利要求10所述的计算机实现的方法,还包括在调整所述判别器的所述节点权重之后调整所述GAN生成器的节点权重。
13.根据权利要求10所述的计算机实现的方法,其中所述判别结果是第一判别结果,并且其中所述GAN模型的训练还包括:
向所述GAN判别器提供第三向量,所述第三向量包括与第二时间段相关联的多变量时间序列数据;
使用所述GAN判别器确定与所述第三向量相关联的第二判别结果;以及
根据所述第二判别结果调整所述判别器的节点权重。
14.根据权利要求13所述的计算机实现的方法,其中所述第二时间段在所述第一时间段之后发生。
15.根据权利要求13所述的计算机实现的方法,还包括在调整所述判别器的所述节点权重之后调整所述GAN生成器的节点权重。
16.一种用于利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据的计算机程序产品,所述计算机程序产品包括一个或多个计算机可读存储设备以及共同地存储在所述一个或多个计算机可读存储设备上的程序指令,所存储的程序指令包括:
用于提供经训练的GAN模型的程序指令,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层;
用于接收时间序列多变量生物特征数据的程序指令;
用于使用所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据的程序指令;
用于根据所述连续时间序列多变量生物特征数据来确定结果的程序指令;以及
用于提供与所述结果相关联的输出的程序指令。
17.根据权利要求16所述的计算机程序产品,所存储的程序指令还包括用于训练所述GAN模型的程序指令,所述程序指令包括:
用于向所述GAN模型的GAN生成器提供第一向量的程序指令,所述第一向量包括与第一时间段相关联的多变量时间序列数据;
用于使用所述GAN生成器生成第二向量的程序指令,所述第二向量包括与第二时间段相关联的多变量时间序列数据;
用于将所述第一向量和所述第二向量提供给所述GAN模型的GAN判别器的程序指令;
用于使用所述GAN判别器确定与所述第二向量相关联的判别结果的程序指令;以及
用于根据所述判别结果调整所述判别器的节点权重的程序指令。
18.根据权利要求17所述的计算机程序产品,其中所述第二时间段在所述第一时间段之后发生。
19.根据权利要求17所述的计算机程序产品,所存储的程序指令还包括:
用于向所述GAN判别器提供第三向量的程序指令,所述第三向量包括与第二时间段相关联的多变量时间序列数据;
用于使用所述GAN判别器确定与所述第三向量相关联的判别结果的程序指令;以及
用于根据所述判别结果调整所述判别器的节点权重的程序指令。
20.根据权利要求17所述的计算机程序产品,所存储的程序指令还包括用于在调整所述判别器的节点权重之后调整所述GAN生成器的节点权重的程序指令。
21.根据权利要求16所述的计算机程序产品,所存储的程序指令还包括用于提供所述连续时间序列多变量生物特征数据作为所述输出的程序指令。
22.根据权利要求16所述的计算机程序产品,其中所述结果涉及与所述时间序列多变量生物特征数据相关联的受试者的骨骼-肌肉运动活动。
23.一种用于利用经训练的生成对抗网络(GAN)模型来使计算机输出多变量预报的时间序列数据的计算机系统,所述计算机系统包括:
一个或多个计算机处理器;
一个或多个计算机可读存储设备;以及
在所述一个或多个计算机可读存储设备上存储的用于由所述一个或多个计算机处理器执行的程序指令,所存储的程序指令包括:
用于提供经训练的GAN模型的程序指令,所述GAN模型包括用于接收时间序列多变量数据的扩张卷积层;
用于接收时间序列多变量生物特征数据的程序指令;
用于使用所述GAN模型根据所述时间序列多变量生物特征数据来生成连续时间序列多变量生物特征数据的程序指令;
用于根据所述连续时间序列多变量生物特征数据来确定结果的程序指令;以及
用于提供与所述结果相关联的输出的程序指令。
24.根据权利要求23所述的计算机系统,所存储的程序指令还包括用于训练所述GAN模型的程序指令,所述程序指令包括:
用于向所述GAN模型的GAN生成器提供第一向量的程序指令,所述第一向量包括与第一时间段相关联的多变量时间序列数据;
用于使用所述GAN生成器生成第二向量的程序指令,所述第二向量包括与第二时间段相关联的多变量时间序列数据;
用于将所述第一向量和所述第二向量提供给所述GAN模型的GAN判别器的程序指令;
用于使用所述GAN判别器确定与所述第二向量相关联的判别结果的程序指令;以及
用于根据所述判别结果调整所述判别器的节点权重的程序指令。
25.根据权利要求24所述的计算机系统,其中所述第二时间段在所述第一时间段之后发生。
26.根据权利要求24所述的计算机系统,所存储的程序指令还包括:
用于向所述GAN判别器提供第三向量的程序指令,所述第三向量包括与第二时间段相关联的多变量时间序列数据;
用于使用所述GAN判别器确定与所述第三向量相关联的判别结果的程序指令;以及
用于根据所述判别结果调整所述判别器的节点权重的程序指令。
27.根据权利要求24所述的计算机系统,所存储的程序指令还包括用于在调整所述判别器的节点权重之后调整所述GAN生成器的节点权重的程序指令。
28.根据权利要求23所述的计算机系统,所存储的程序指令还包括用于提供所述连续时间序列多变量生物特征数据作为所述输出的程序指令。
29.根据权利要求23所述的计算机系统,其中所述结果涉及与所述时间序列多变量生物特征数据相关联的受试者的骨骼-肌肉运动活动。
30.一种包括程序代码装置的计算机程序,当所述程序在计算机上运行时,所述程序代码装置适于执行根据权利要求1至15中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/917,972 US11481607B2 (en) | 2020-07-01 | 2020-07-01 | Forecasting multivariate time series data |
US16/917,972 | 2020-07-01 | ||
PCT/IB2021/055752 WO2022003528A1 (en) | 2020-07-01 | 2021-06-28 | Forecasting multivariate time series data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115769227A true CN115769227A (zh) | 2023-03-07 |
Family
ID=79167552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180047507.0A Pending CN115769227A (zh) | 2020-07-01 | 2021-06-28 | 预报多变量时间序列数据 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11481607B2 (zh) |
JP (1) | JP2023534117A (zh) |
CN (1) | CN115769227A (zh) |
DE (1) | DE112021002878T5 (zh) |
GB (1) | GB2611719A (zh) |
WO (1) | WO2022003528A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304604B (zh) * | 2023-05-12 | 2023-08-18 | 合肥工业大学 | 多变量时间序列数据异常检测、模型训练方法和系统 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11042677B1 (en) * | 2019-04-16 | 2021-06-22 | Wells Fargo Bank, N.A. | Systems and methods for time series simulation |
US12008478B2 (en) | 2019-10-18 | 2024-06-11 | Unlearn.AI, Inc. | Systems and methods for training generative models using summary statistics and other constraints |
US20240051568A1 (en) * | 2022-08-09 | 2024-02-15 | Motional Ad Llc | Discriminator network for detecting out of operational design domain scenarios |
CN115829160B (zh) * | 2022-12-29 | 2023-09-01 | 上海鼎茂信息技术有限公司 | 一种时序异常预测方法、装置、设备及存储介质 |
US11868900B1 (en) | 2023-02-22 | 2024-01-09 | Unlearn.AI, Inc. | Systems and methods for training predictive models that ignore missing features |
CN116091501B (zh) * | 2023-04-07 | 2023-06-23 | 武汉纺织大学 | 高压电气设备局部放电类型识别方法、装置、设备及介质 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7839292B2 (en) | 2007-04-11 | 2010-11-23 | Nec Laboratories America, Inc. | Real-time driving danger level prediction |
US9809169B1 (en) | 2013-03-15 | 2017-11-07 | Mouhamad A. Naboulsi | Safety control system for vehicles |
JP6331285B2 (ja) | 2013-08-08 | 2018-05-30 | 富士通株式会社 | 運転支援方法、運転支援装置、車両システム及び運転支援プログラム |
JP6486640B2 (ja) | 2014-10-09 | 2019-03-20 | 株式会社日立製作所 | 運転特性診断装置、運転特性診断システム、運転特性診断方法、情報出力装置、情報出力方法 |
US9896030B2 (en) | 2015-04-30 | 2018-02-20 | Honda Motor Co., Ltd. | System and method for vehicle collision mitigation with vulnerable road user context sensing |
JP6575261B2 (ja) | 2015-09-24 | 2019-09-18 | 日産自動車株式会社 | サポート装置及びサポート方法 |
CN111149104B (zh) | 2017-09-21 | 2023-10-27 | 诺基亚技术有限公司 | 用于生物特征识别的装置、方法和计算机可读存储介质 |
US10417556B1 (en) * | 2017-12-07 | 2019-09-17 | HatchB Labs, Inc. | Simulation-based controls optimization using time series data forecast |
EP3842304A3 (en) | 2018-08-14 | 2021-09-15 | Mobileye Vision Technologies Ltd. | Systems and methods for navigating with safe distances |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
US10878575B2 (en) * | 2019-04-15 | 2020-12-29 | Adobe Inc. | Foreground-aware image inpainting |
US11042677B1 (en) * | 2019-04-16 | 2021-06-22 | Wells Fargo Bank, N.A. | Systems and methods for time series simulation |
CN110169770B (zh) | 2019-05-24 | 2021-10-29 | 西安电子科技大学 | 情绪脑电的细粒度可视化系统和方法 |
KR20190107627A (ko) | 2019-09-02 | 2019-09-20 | 엘지전자 주식회사 | 차량의 위치 정보를 제공하는 인공 지능 장치 및 그 방법 |
KR20210048895A (ko) * | 2019-10-24 | 2021-05-04 | 엘지전자 주식회사 | Gan 기반 인공 신경망 모델의 트레이닝 |
CN110781838B (zh) * | 2019-10-28 | 2023-05-26 | 大连海事大学 | 一种复杂场景下行人的多模态轨迹预测方法 |
EP3859459A1 (en) * | 2020-02-03 | 2021-08-04 | Robert Bosch GmbH | A computer implemented machine learning system and a method for operating the machine learning system for determining a time series |
CN111339867B (zh) * | 2020-02-18 | 2022-05-24 | 广东工业大学 | 一种基于生成对抗网络的行人轨迹预测方法 |
-
2020
- 2020-07-01 US US16/917,972 patent/US11481607B2/en active Active
-
2021
- 2021-06-28 GB GB2301121.6A patent/GB2611719A/en active Pending
- 2021-06-28 DE DE112021002878.2T patent/DE112021002878T5/de active Pending
- 2021-06-28 JP JP2022576038A patent/JP2023534117A/ja active Pending
- 2021-06-28 CN CN202180047507.0A patent/CN115769227A/zh active Pending
- 2021-06-28 WO PCT/IB2021/055752 patent/WO2022003528A1/en active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304604B (zh) * | 2023-05-12 | 2023-08-18 | 合肥工业大学 | 多变量时间序列数据异常检测、模型训练方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
US11481607B2 (en) | 2022-10-25 |
WO2022003528A1 (en) | 2022-01-06 |
JP2023534117A (ja) | 2023-08-08 |
US20220004846A1 (en) | 2022-01-06 |
DE112021002878T5 (de) | 2023-03-23 |
GB2611719A (en) | 2023-04-12 |
GB202301121D0 (en) | 2023-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11481607B2 (en) | Forecasting multivariate time series data | |
US11012659B2 (en) | Intelligent illumination and sound control in an internet of things (IoT) computing environment | |
US10642952B2 (en) | Sensor based monitoring | |
US20200085300A1 (en) | Methods and systems for managing medical anomalies | |
US10831645B1 (en) | Developer-based test case selection | |
JP2021522590A (ja) | 深層学習法などの技術を用いたてんかん発作の検出及び予測 | |
US20200004655A1 (en) | Continuous time alignment of a collection of independent sensors | |
US11432762B2 (en) | Intelligent monitoring of a health state of a user engaged in operation of a computing device | |
Borghetti et al. | Assessing continuous operator workload with a hybrid scaffolded neuroergonomic modeling approach | |
US11051739B2 (en) | Neural mapping | |
Fernandes et al. | ISABELA–a socially-aware human-in-the-loop advisor system | |
Manoharan et al. | Deep conviction systems for biomedical applications using intuiting procedures with cross point approach | |
US20200161002A1 (en) | Predicting an occurrence of a symptom in a patient | |
Tazrin et al. | LiHEA: migrating EEG analytics to ultra-edge IoT devices with logic-in-headbands | |
US11620855B2 (en) | Iterative memory mapping operations in smart lens/augmented glasses | |
US11176491B2 (en) | Intelligent learning for explaining anomalies | |
Maglogiannis et al. | Intelligent health monitoring based on pervasive technologies and cloud computing | |
US20220028546A1 (en) | Assessing the gait of parkinson's patients | |
US20210383194A1 (en) | Using negative evidence to predict event datasets | |
US11275778B2 (en) | Content marshaling using biometric data | |
El-Adawi et al. | Wireless body area sensor networks based human activity recognition using deep learning | |
US20200402658A1 (en) | User-aware explanation selection for machine learning systems | |
Cooper et al. | Predicting future sedentary behaviour using wearable and mobile devices | |
US20220283664A1 (en) | Touch sensitivity management | |
US11744981B2 (en) | Internet of things (IoT) real-time response to defined symptoms |
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 |