CN116662866A - 基于数据插补和表征学习的端到端不完整时间序列分类方法 - Google Patents
基于数据插补和表征学习的端到端不完整时间序列分类方法 Download PDFInfo
- Publication number
- CN116662866A CN116662866A CN202310767536.5A CN202310767536A CN116662866A CN 116662866 A CN116662866 A CN 116662866A CN 202310767536 A CN202310767536 A CN 202310767536A CN 116662866 A CN116662866 A CN 116662866A
- Authority
- CN
- China
- Prior art keywords
- data
- interpolation
- time sequence
- classification
- neural network
- 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 39
- 238000012512 characterization method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000012217 deletion Methods 0.000 claims description 17
- 230000037430 deletion Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002349 favourable effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000013459 approach Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于数据插补和表征学习的端到端不完整时间序列分类方法,属于计算机数据挖掘领域。该方法的步骤如下:将不完整时间序列数据先经过模型的数据插补模块进行训练学习的插补,该模块保留了未缺失部分的时间序列信息,只插补缺失序列,进而产生一个模型能接受训练学习的完整时间序列;之后模型会将得到的完整时间序列作为待处理的带有噪点的序列数据,并在模型中的特征学习模块提取时间序列特征用于分类;循环执行训练步骤至一定轮次,整个模型收敛;不完整时间序列数据再次使用收敛模型便能得到一个很好的分类效果。本发明通过数据插补和表征学习能更好的得到分类特征,在不完整时间序列分类领域,能够提高数据分类的指标。
Description
技术领域
本发明涉及一种基于数据插补和表征学习的端到端不完整时间序列分类方法,属于数据挖掘和人工智能领域。
背景技术
时间序列数据在当今的数据时代无处不在,他们被广泛的应用在各种领域,例如医院的健康监测仪器数据、城市交通数据、气象监测数据,人类行为识别等。除了在这些常见的应用中之外,在人工智能火热的研究下,时间序列数据有着不可替代的地位。在机器学习研究领域,分类任务是一个非常重要的任务,在过去这些年里,有很多的时间序列分类的端到端的方法被提出,这些方法中的大部分的前提都是假设得到的时间序列数据是一个完整的数据。然而,在实际的应用中,由于异常情况、通信错误或传感器故障等因素,现实生活中的时间序列数据通常会被不同频率的缺失破坏。
随着对深度学习的研究爆发式的增长,各种各样的神经网络模型被用来处理不同领域的时间序列分析的任务,并在许多实际应用中取得了最先进的性能。但在处理时间序列数据中,RNN(Recurrent Neural Network,循环神经网络)和一些变体模型GRU(GateRecurrent Unit,门控循环单元),LSTM(Long Short-Term Memory,长短期记忆)还是具有它们自身独特的特点,对时间的特征记忆,可以在序列中建立长期的时间依赖性模型数据。然而,不完整的数据给RNN的学习机制带来了麻烦,因为它们被设计为被用于完整的数据。
不完整的数据会使任何类型的推理都变得困难,并降低数据分析结果,与基于完全数据的传统时间序列分类相比,ITSC(Incomplete Time Series Classification,不完全时间序列分类)仍然是一个更实际和更具挑战性的问题,因为它旨在捕获具有不完全信息的时间序列的模式和动态。因此,避免ITSC模型中缺失值的负面影响是实际时间序列数据挖掘中的一个重要问题。处理ITSC的自然策略是两阶段的。首先估算缺失值,然后进行分类。然而,这种两阶段方法有两个显著缺陷:1)插补被视为数据预处理的独立步骤,与分类器的训练没有交互作用,这可能导致次优结果;2)分类性能在很大程度上取决于所选的插补方法,因为有偏差的插补值可能会对分类产生重大影响。因此,确定丢失数据的原因并应用适合该设置的方法非常重要。随着学者们的研究深入,提出了单阶段方法集成了补全和分类任务到一个模型中,而不是将它们分为两个阶段。这种方法已经证明比传统的两阶段方法更具优势,因为它同时优化了两个任务,并提供了一个用于建模不完整时间序列数据的端到端框架,如AJRNN(Adversarial Joint-Learning Recurrent Neural Network,对抗联合学习循环神经网络),虽然它使用对抗策略提高对缺失数据插补的监督,但没有避免插补的数据对下游分类任务的影响,也没有很好的使用标签信息来加强分类能力。
发明内容
本发明提供了一种基于数据插补和表征学习的端到端不完整时间序列分类方法。利用MCAR(Missing Completely At Random,完全随机缺失,指与所有观察值和未观察值无关的缺失)处理完整的时间序列数据,采用单阶段模型方法,使用简单的RNN结构对不完整时间序列数据进行插补,将插补后的序列数据作为一种待处理的带有噪点的序列数据,然后设计了一个针对于带有噪点的时间序列数据的表征能力更强的分类模型。进而整合为一个单阶段的分类模型。实现本发明的技术方案如下:
一种基于数据插补和表征学习的端到端不完整时间序列分类方法,包括步骤如下:
(1)不完整时间序列数据分别为训练集和测试集,并带有分类的标签,对于每一个数据集都按缺失率分为了多个层级,每个数据的缺失情况满足完全随机缺失;
(2)设计适用于不完整时间序列数据的插补神经网络,不完整时间序列数据经过该网络后,得到待使用的带噪点的完整时间序列数据;
(3)设计适用于所述带噪点的时间序列数据的卷积神经网络,在训练集经过步骤(2)之后得到的数据上进行拟合,进行用于分类的特征提取;
(4)将步骤(2)和步骤(3)整合为单阶段模型,将通过步骤(3)提取的特征进行分类验证,并使用分类损失函数来监督循环训练过程,得到表征能力更强的全局模型;
(5)通过计算精确率、召回率和F1值在测试集上对所述全局模型的性能进行评价。
其中,步骤(1)中所述缺失率设置为四个等级,分别为20%、40%、60%、80%,所述不完整时间序列数据通过如下方式产生:根据时间维度,随机选取所占总时间的20%、40%、60%、80%的时间点设置数据为空值,即产生四条不同缺失率的不完整时间序列数据。
其中,步骤(2)中所述的插补神经网络为循环神经网络,所述的卷积神经网络对时间序列数据中的未缺失数据进行特征学习。
其中,步骤(2)中的插补神经网络利用GRU,提取整个时间序列时间依赖和前后依赖的特征。
其中,在提取不完整时间序列特征后,根据时间序列的缺失情况,逐步处理,将插补神经网络每一步产生的隐藏状态信息进行存储,所述插补神经网络包括全连接层,使用所述全连接层处理隐藏状态信息得到估计插补值,只有当当前位置是缺失状态时,才会将插补值插入时间序列数据中,对于存储起来的每一步的隐藏状态信息最后统一经过全连接层,得到一个全新的估计时间序列,将这个估计时间序列和原始未缺失的部分时间序列进行比对。
其中,对插补后的时间序列数据,使用多尺度特征提取模块处理,处理过程为,利用多尺度的大卷积一维空洞所述卷积神经网络进行建模,获得插补后带噪点的数据的特征,并学习其特征表示。
其中,步骤(2)中所述插补神经网络会根据一个标记信息,将未缺失的部分时间序列信息和通过插补神经网络产生的插补信息进行平均绝对误差计算损失,得到插补损失Limp。
其中,步骤(3)中所述的卷积神经网络为一维卷积神经网络,利用大尺寸的卷积核和加入空洞率,提取有噪点的数据序列中有利于分类的特征,包括未缺失数据的真实特征以及插补数据的抽象特征。
其中,步骤(4)中的分类损失函数为交叉熵损失函数,通过对步骤(2)中的带噪点时间序列的特征进行预测,得到通过预测标签和真实标签计算的分类损失Lcls后,等比重将插补损失Limp和分类损失Lcls进行求和得到最终监督学习损失LOSS,通过训练对模型实施监督,提高神经网络中隐藏层学习过程的直接性和透明度。
其中,步骤(5)中,以混淆矩阵为基础,采用精确率P、召回率R和F1值评价模型检测结果:
其中,TP表示真的正例,FP表示假的正例,FN表示假的反例,以代表不同的预测结果,精确率反映的是模型的准确性,召回率反映的则是模型的全面性,F1是精确率和召回率的调和平均数,对精确率和召回率同等重视,能综合的反映模型性能,三者皆是结果越高,效果越好。
本发明的有益结果是:该方法更加注重不完整时间序列在下游分类任务的表征学习,以提高不完整时间序列的分类效果为目的,在神经网络的基础上,我们搭建了不完整时间序列插补模块和多尺度表征学习模块的神经网络模型,分别解决了不完整时间序列数据的缺失问题和在插补情况下的更鲁邦的表征学习问题。通过效果表明方法可行,能够提高不完整时间序列的分类准确率。
附图简要说明
图1是本发明基于数据插补和表征学习的端到端不完整时间序列分类方法流程图。
具体实施方式
基于数据插补和表征学习的端到端不完整时间序列分类方法,先将不完整时间序列进行缺失位置的插补,再使用表征学习模块进行特征提取用于分类。如图1所示,表示了数据插补和表征学习的端到端不完整时间序列分类方法流程,首先处理一定缺失率的不完整时间序列数据,还有未缺失位置的标注准备,经过序列数据插补模块,能够得到插补之后的带噪点的完整时间序列和插补模型得到的估计时间序列数据,将未缺失值和插补值组成的完整时间序列用于表征学习模型的特征提取并预测分类结果,经过一定轮次训练模型,取测试数据集进行测试;将模型估计时间序列数据用于训练模型。对训练模型通过计算分类的精确率P、召回率R以及F1值对不完整时间序列分类进行性能评价,证明其优越性。
具体步骤如下:
(1)选取公开数据集中数据样本较大的,符合日常记录的完整的时间序列数据和真实世界中的不完整时间序列数据。
(2)对选取的完整时间序列数据进行MCAR处理,每个数据的缺失情况都不相同,完全随机,得到不完整时间序列数据。
(3)处理好的不完整时间序列数据,分别为训练集和测试集并都带有分类的标签,对于每一个数据集都分了多个层级,该层级可以为四个:缺失率分别为20%、40%、60%、80%;根据时间维度,随机选取所占总时间的20%、40%、60%、80%的时间点设置数据为空值,即产生四条不同缺失率的不完整时间序列数据;
(4)设计适用于不完整时间序列数据的插补神经网络,使用不同缺失率下的数据进入插补网络进行插补,不完整时间序列数据经过网络后,得到待使用的带噪点的完整时间序列,并且记录了对于未缺失部分的时间序列的隐藏状态信息;该神经网络为循环神经网络,所述的神经网络对时间序列数据中的未缺失数据进行特征学习;该神经网络利用高效记忆循环神经网络GRU,提取整个时间序列时间依赖和前后依赖的特征;
在提取不完整时间序列特征后,根据时间序列的缺失情况,逐步处理,将循环神经网络每一步产生的隐藏状态信息进行存储,并使用一个全连接层处理隐藏状态信息得到估计插补值,只有当前位置是缺失状态时,才会将插补值插入时间序列数据中。对于存储起来的每一步的隐藏状态信息最后统一经过全连接层,得到一个全新的估计时间序列,这个估计时间序列和原始未缺失的部分时间序列进行比对;
对插补后的时间序列数据,使用一个多尺度特征提取模块,利用多尺度的大卷积一维空洞卷积神经网络进行建模,获得插补后带噪点的数据的特征,并学习其特征表示;
所述插补神经网络会根据一个标记信息,将未缺失的部分时间序列信息和通过插补神经网络产生的插补信息进行MAE(Mean Absolute Error,平均绝对误差)计算损失Limp;
(5)设计适用于所述带噪点时间序列数据的神经网络,在训练集经过上述步骤(4)之后得到的数据上进行拟合,进行用于分类的特征提取,将步骤(4)的带噪点的完整时间序列送入多尺度表征学习模块,进行分类特征的学习;
该神经网络为一维卷积神经网络,利用大尺寸的卷积核和加入空洞率,提取有噪点的数据序列中有利于分类的特征,包括未缺失数据的真实特征以及插补数据的抽象特征;
(6)将步骤(4)和步骤(5)整合为单阶段模型,通过步骤(5)提取的特征进行分类验证,循环训练过程,得到表征能力更强的全局模型。步骤(4)产生的未缺失部分的时间序列的隐藏状态信息,结合未缺失部分的掩码标注,通过平均绝对误差计算插补的损失;
(7)将步骤(5)学习的特征进行分类得到预测结果,并使用交叉熵损失函数计算分类的损失;最终的特征分类损失函数为交叉熵损失函数,通过对带噪点时间序列的特征进行预测,得到通过预测标签和真实标签计算损失Lcls后,等比重将插补损失Limp和分类损失Lcls进行求和得到最终监督学习损失LOSS,执行反向传播对训练过程实施监督,提高神经网络中隐藏层学习过程的直接性和透明度。
(8)同比的将步骤(6)和步骤(7)的损失相加,并利用反向传播算法迭代网络,并循环一定的轮次;
(9)在测试数据集上,不完整时间序列数据经过拟合之后的神经网络,能够得到分类结果。
(10)取测试数据集进行测试,通过计算序列分类的精确率P、召回率R以及F1值对不完整时间序列分类进行性能评价,证明其优越性;
以混淆矩阵为基础,采用精确率P、召回率R和F1值评价模型检测结果:
其中,TP表示真的正例,FP表示假的正例,FN表示假的反例,以代表不同的预测结果,精确率反映的是模型的准确性,召回率反映的则是模型的全面性,F1是精确率和召回率的调和平均数,对精确率和召回率同等重视,能综合的反映模型性能,三者皆是结果越高,效果越好。
需要说明的是,以上所述仅为本发明实施例,仅仅是解释本发明,并非因此限制本发明专利范围。对属于本发明技术构思而仅仅显而易见的改动,同样在本发明保护范围之内。
Claims (10)
1.一种基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,包括步骤如下:
(1)不完整时间序列数据分别为训练集和测试集,并带有分类的标签,对于每一个数据集都按缺失率分为了多个层级,每个数据的缺失情况满足完全随机缺失;
(2)设计适用于不完整时间序列数据的插补神经网络,不完整时间序列数据经过该网络后,得到待使用的带噪点的完整时间序列数据;
(3)设计适用于所述带噪点的时间序列数据的卷积神经网络,在训练集经过步骤(2)之后得到的数据上进行拟合,进行用于分类的特征提取;
(4)将步骤(2)和步骤(3)整合为单阶段模型,将通过步骤(3)提取的特征进行分类验证,并使用分类损失函数来监督循环训练过程,得到表征能力更强的全局模型;
(5)通过计算精确率、召回率和F1值在测试集上对所述全局模型的性能进行评价。
2.如权利要求1所述的基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,步骤(1)中所述缺失率设置为四个等级,分别为20%、40%、60%、80%,所述不完整时间序列数据通过如下方式产生:根据时间维度,随机选取所占总时间的20%、40%、60%、80%的时间点设置数据为空值,即产生四条不同缺失率的不完整时间序列数据。
3.如权利要求1所述的基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,步骤(2)中所述的插补神经网络为循环神经网络,所述的卷积神经网络对时间序列数据中的未缺失数据进行特征学习。
4.如权利要求2所述的基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,步骤(2)中的插补神经网络利用GRU,提取整个时间序列时间依赖和前后依赖的特征。
5.如权利要求3所述的基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,在提取不完整时间序列特征后,根据时间序列的缺失情况,逐步处理,将插补神经网络每一步产生的隐藏状态信息进行存储,所述插补神经网络包括全连接层,使用所述全连接层处理隐藏状态信息得到估计插补值,只有当当前位置是缺失状态时,才会将插补值插入时间序列数据中,对于存储起来的每一步的隐藏状态信息最后统一经过全连接层,得到一个全新的估计时间序列,将这个估计时间序列和原始未缺失的部分时间序列进行比对。
6.如权利要求4所述的基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,对插补后的时间序列数据,使用多尺度特征提取模块处理,处理过程为,利用多尺度的大卷积一维空洞所述卷积神经网络进行建模,获得插补后带噪点的数据的特征,并学习其特征表示。
7.如权利要求5所述的基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,步骤(2)中所述插补神经网络会根据一个标记信息,将未缺失的部分时间序列信息和通过插补神经网络产生的插补信息进行平均绝对误差计算损失,得到插补损失Limp。
8.如权利要求6所述的基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,步骤(3)中所述的卷积神经网络为一维卷积神经网络,利用大尺寸的卷积核和加入空洞率,提取有噪点的数据序列中有利于分类的特征,包括未缺失数据的真实特征以及插补数据的抽象特征。
9.如权利要求7所述的基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,步骤(4)中的分类损失函数为交叉熵损失函数,通过对步骤(2)中的带噪点时间序列的特征进行预测,得到通过预测标签和真实标签计算的分类损失Lcls后,等比重将插补损失Limp和分类损失Lcls进行求和得到最终监督学习损失LOSS,通过训练对模型实施监督,提高神经网络中隐藏层学习过程的直接性和透明度。
10.如权利要求1所述的基于数据插补和表征学习的端到端不完整时间序列分类方法,其特征在于,步骤(5)中,以混淆矩阵为基础,采用精确率P、召回率R和F1值评价模型检测结果:
其中,TP表示真的正例,FP表示假的正例,FN表示假的反例,以代表不同的预测结果,精确率反映的是模型的准确性,召回率反映的则是模型的全面性,F1是精确率和召回率的调和平均数,对精确率和召回率同等重视,能综合的反映模型性能,三者皆是结果越高,效果越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310767536.5A CN116662866A (zh) | 2023-06-27 | 2023-06-27 | 基于数据插补和表征学习的端到端不完整时间序列分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310767536.5A CN116662866A (zh) | 2023-06-27 | 2023-06-27 | 基于数据插补和表征学习的端到端不完整时间序列分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116662866A true CN116662866A (zh) | 2023-08-29 |
Family
ID=87711814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310767536.5A Pending CN116662866A (zh) | 2023-06-27 | 2023-06-27 | 基于数据插补和表征学习的端到端不完整时间序列分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662866A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437086A (zh) * | 2023-12-20 | 2024-01-23 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种基于深度学习的太阳能资源缺测数据插补方法和系统 |
-
2023
- 2023-06-27 CN CN202310767536.5A patent/CN116662866A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437086A (zh) * | 2023-12-20 | 2024-01-23 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种基于深度学习的太阳能资源缺测数据插补方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
CN111079646A (zh) | 基于深度学习的弱监督视频时序动作定位的方法及系统 | |
CN109902564B (zh) | 一种基于结构相似性稀疏自编码网络的异常事件检测方法 | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
CN111967343A (zh) | 基于简单神经网络和极端梯度提升模型融合的检测方法 | |
CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
CN106815563B (zh) | 一种基于人体表观结构的人群数量预测方法 | |
CN111241338B (zh) | 一种基于注意力机制的深度特征融合视频拷贝检测方法 | |
CN113343901A (zh) | 基于多尺度注意力图卷积网络的人体行为识别方法 | |
Azzalini et al. | A minimally supervised approach based on variational autoencoders for anomaly detection in autonomous robots | |
CN114760098A (zh) | 一种基于cnn-gru的电网虚假数据注入检测方法及装置 | |
CN116662866A (zh) | 基于数据插补和表征学习的端到端不完整时间序列分类方法 | |
CN111709754A (zh) | 一种用户行为特征提取方法、装置、设备及系统 | |
CN112507778B (zh) | 一种基于线特征的改进词袋模型的回环检测方法 | |
CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
CN116522265A (zh) | 工业互联网时序数据异常检测方法及装置 | |
CN110705694A (zh) | 基于特征提取的面向边缘数据中心的窃电监测方法 | |
CN110348434A (zh) | 相机来源鉴别方法、系统、存储介质和计算设备 | |
CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及系统 | |
CN116957049A (zh) | 基于对抗自编码器的无监督内部威胁检测方法 | |
CN113553577B (zh) | 基于超球面变分自动编码器的未知用户恶意行为检测方法及系统 | |
CN114037056A (zh) | 一种生成神经网络的方法、装置、计算机设备和存储介质 | |
CN113313077A (zh) | 基于多策略和交叉特征融合的显著物体检测方法 | |
Fagiani et al. | A novelty detection approach to identify the occurrence of leakage in smart gas and water grids | |
CN116074092B (zh) | 一种基于异构图注意力网络的攻击场景重构系统 |
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 |