DE112021002878T5

DE112021002878T5 - Prognostizieren von multivariaten zeitreihendaten

Info

Publication number: DE112021002878T5
Application number: DE112021002878.2T
Authority: DE
Inventors: Mari Fukuda; Kenichi TAKASAKI; Yuka Sasaki; Shoichiro Watanabe; Yasutaka Nishimura
Original assignee: International Business Machines Corp
Current assignee: International Business Machines Corp
Priority date: 2020-07-01
Filing date: 2021-06-28
Publication date: 2023-03-23
Also published as: US11481607B2; WO2022003528A1; JP2023534117A; US20220004846A1; CN115769227A; GB2611719A; GB202301121D0

Abstract

Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten durch Verwenden eines geschulten GAN-Modells auszugeben, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten, Empfangen von multivariaten Zeitreihen-Biometriedaten, Generieren, durch Verwenden des GAN-Modells, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten, Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten und Bereitstellen einer dem Resultat zugehörigen Ausgabe aufweist.

Description

HINTERGRUND
Die Offenbarung betrifft allgemein ein Generieren von multivariaten Zeitreihendaten. Die Offenbarung betrifft insbesondere ein Vorhersagen von menschlicher Aktivität durch Verwenden von multivariaten Prognose-Zeitreihendaten.
Ein Vorhersagen einer menschlichen Bewegung, bevor die Bewegung durch einen Menschen durchgeführt wird, kann durch Verwenden eines Elektroenzephalogramms (EEG) identifiziert werden. Ein EEG kann Gehirnaktivität (d.h. Gehirnaktivitätsdaten) durch Messen der elektrischen Aktivität des Gehirns erkennen. Das Messen von elektrischer Aktivität kann zum Beispiel durch Verwenden von Elektroden erreicht werden, die auf der Kopfhaut einer Person befestigt werden. Die Elektroden können Gehirnwellen erkennen, und eine EEG-Maschine kann die Gehirnwellensignale verstärken. Ein EEG-Signal kann sicher und nicht-invasiv gemessen werden. Ein nicht-invasives EEG kann Gehirnaktivität durch Verwenden einer Gehirn-Computer-Schnittstelle (BCI) erkennen, die Elektroenzephalogramm-Signale (d.h. EEG-Signale) messen kann. Eine Messung kann bewegungsbezogene kortikale Potentiale umfassen, die eine EEG-Aktivität einer Person vor und nach einer willkürlichen Bewegung darstellen können. EEG-Daten umfassen multivariate mehrstufige Zeitreihen-Gehirnwellendaten. (Die Daten umfassen Sequenzen von aufeinander folgenden Datenpunkten auf Zeitgrundlage, wobei jeder Datenpunkt mehrere diskrete Variablen für jede der linken und der rechten Gehirnhälften umfasst.)
Die EEG-Forschung hat sich so weiterentwickelt, dass eine vorausschauende Vorhersage von menschlicher Bewegung ermöglicht wird, die durch Verwenden von biologischen Faktoren nicht möglich war. Bekannte Verfahren können eine EEG-Maschine (z.B. ein EEG-Headset oder ein kabelloses EEG-Headset) oder EEG-Signale verwenden, um Präferenzen oder Unbehagen eines Fahrers zu erkennen, um die Fahrkonfiguration in einem autonomen Fahrmodus zu ermöglichen, um zum Beispiel unterstützende Bewegungen für den Fahrer zu erstellen, die Fahrern eine bessere Reaktionszeit ermöglichen. Autonome Fahrmodi können auch ein sicheres Muster erstellen, das Erwartungen des Fahrers angepasst sein kann.
Generative Adversarial Networks (GAN) können geschult werden, um Ausgaben zu generieren, die von realen Datenpunkten nicht unterscheidbar sind, die beim Schulen des Generators und des Diskriminators des GANs verwendet werden.
KURZDARSTELLUNG DER ERFINDUNG
Das Folgende ist eine Kurzdarstellung zum Bereitstellen eines grundlegenden Verständnisses von einer oder mehreren Ausführungsformen der Offenbarung. Diese Kurzdarstellung ist nicht dazu bestimmt, Schlüssel- oder kritische Elemente zu identifizieren oder irgendeinen Schutzumfang der speziellen Ausführungsformen oder irgendeinen Schutzumfang der Ansprüche abzugrenzen. Ihr einziger Zweck besteht in der Darstellung von Konzepten in einer vereinfachten Form als eine Einleitung für die ausführlichere, später vorgelegte Beschreibung. In einer oder mehreren hierin beschriebenen Ausführungsformen generieren und nutzen Einheiten, Systeme, durch einen Computer umgesetzte Verfahren, Vorrichtungen und/oder Computerprogrammprodukte multivariate Zeitreihen-Biometriedaten.
Aspekte der Erfindung offenbaren Verfahren, Systeme und durch einen Computer lesbare Medien, die einem Nutzen eines geschulten Generative-Adversarial-Network-Modells zugehörig sind, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten durch Bereitstellen eines geschulten Generative-Adversarial-Network- (GAN) Modells auszugeben, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten, Empfangen von multivariaten Zeitreihen-Biometriedaten, Generieren von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten, Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten und Bereitstellen einer dem Resultat zugehörigen Ausgabe aufweist.
Aspekte der Erfindung offenbaren Verfahren, Systeme und durch einen Computer lesbare Medien, die einem Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells zugehörig sind, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, indem ein GAN-Modell geschult wird, indem ein erster Vektor, der multivariate Zeitreihendaten aufweist, die einem ersten Zeitraum zugehörig sind, für einen GAN-Generator des GAN-Modells bereitgestellt wird, durch Verwenden des GAN-Generators ein zweiter Vektor generiert wird, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind, der erste Vektor und der zweite Vektor für einen GAN-Diskriminator des GAN-Modells bereitgestellt werden, durch Verwenden des GAN-Diskriminators ein Unterscheidungsergebnis, das dem zweiten Vektor zugehörig ist, bestimmt wird, und eine Knotengewichtung des Diskriminators gemäß dem Unterscheidungsergebnis angepasst wird. Ferner, durch Bereitstellen des GAN-Modells, weist das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten, Empfangen von multivariaten Zeitreihen-Biometriedaten, Generieren, durch das GAN-Modell, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten, Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten und Bereitstellen einer dem Resultat zugehörigen Ausgabe auf.
Aspekte der Erfindung offenbaren Verfahren, Systeme und durch einen Computer lesbare Medien, die einem Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells zugehörig sind, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, indem ein GAN-Modell geschult wird, wobei ein erster Vektor, der multivariate Zeitreihendaten aufweist, die einem ersten Zeitraum zugehörig sind, für einen GAN-Generator des GAN-Modells bereitgestellt wird, durch Verwenden des GAN-Generators ein zweiter Vektor generiert wird, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind, der den ersten Vektor und den zweiten Vektor für einen GAN-Diskriminator des GAN-Modells bereitstellt, durch Verwenden des GAN-Diskriminators ein erstes Unterscheidungsergebnis, das dem zweiten Vektor zugehörig ist, bestimmt wird, und eine Knotengewichtung des Diskriminators gemäß dem ersten Unterscheidungsergebnis angepasst wird. Ferner wird durch ein Bereitstellen eines dritten Vektors, der multivariate Zeitreihendaten, die einem zweiten Zeitraums des GAN-Diskriminators zugehörig sind, ein Bestimmen, durch Verwenden des GAN-Diskriminators, eines zweiten Unterscheidungsergebnisses, das dem dritten Vektor zugehörig ist, und ein Anpassen einer Knotengewichtung des Diskriminators gemäß dem zweiten Unterscheidungsergebnis aufweist, das GAN-Modell bereitgestellt, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten, zum Empfangen von multivariaten Zeitreihen-Biometriedaten, zum Generieren, durch das GAN-Modell, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten, zum Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten, und zum Bereitstellen einer dem Resultat zugehörigen Ausgabe aufweist.
Gemäß einem Aspekt wird ein durch einen Computer umgesetztes Verfahren zum Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells bereitgestellt, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, wobei das Verfahren aufweist: Bereitstellen eines geschulten GAN-Modells, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten; Empfangen von multivariaten Zeitreihen-Biometriedaten; Generieren, durch das GAN-Modell, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten; Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten; und Bereitstellen einer dem Resultat zugehörigen Ausgabe aufweist.
Gemäß einem weiteren Aspekt wird ein durch einen Computer umgesetztes Verfahren zum Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells bereitgestellt, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, wobei das Verfahren aufweist: Schulen eines GAN-Modells durch: Bereitstellen eines ersten Vektors, der multivariate Zeitreihendaten aufweist, die einem ersten Zeitraum zugehörig sind, für einen GAN-Generator des GAN-Modells; Generieren, durch Verwenden des GAN-Generators, eines zweiten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind; Bereitstellen des ersten Vektors und des zweiten Vektors für einen GAN-Diskriminator des GAN-Modells; Bestimmen, durch Verwenden des GAN-Diskriminators, eines Unterscheidungsergebnisses, das dem zweiten Vektor zugehörig ist; und Anpassen einer Knotengewichtung des Diskriminators gemäß dem Unterscheidungsergebnis; Bereitstellen des GAN-Modells, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten; Empfangen von multivariaten Zeitreihen-Biometriedaten; Generieren, durch das GAN-Modell, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten; Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten; und Bereitstellen einer dem Resultat zugehörigen Ausgabe aufweist.
Gemäß einem weiteren Aspekt wird ein durch einen Computer umgesetztes Verfahren zum Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells bereitgestellt, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, wobei das Verfahren aufweist: Schulen eines GAN-Modells durch: Bereitstellen eines ersten Vektors, der multivariate Zeitreihendaten aufweist, die einem ersten Zeitraum zugehörig sind, für einen GAN-Generator des GAN-Modells; Generieren, durch Verwenden des GAN-Generators, eines zweiten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind; Bereitstellen des ersten Vektors und des zweiten Vektors für einen GAN-Diskriminator des GAN-Modells; Bestimmen, durch Verwenden des GAN-Diskriminators, eines ersten Unterscheidungsergebnisses, das dem zweiten Vektor zugehörig ist; Anpassen einer Knotengewichtung des Diskriminators gemäß dem ersten Unterscheidungsergebnis; Bereitstellen eines dritten Vektors, der multivariate Zeitreihendaten, die einem zweiten Zeitraums des GAN-Diskriminators zugehörig sind, für den GAN-Diskriminator; Bestimmen, durch Verwenden des GAN-Diskriminators, eines zweiten Unterscheidungsergebnisses, das dem dritten Vektor zugehörig ist; und Anpassen einer Knotengewichtung des Diskriminators gemäß dem zweiten Unterscheidungsergebnis; Bereitstellen des GAN-Modells, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten; Empfangen von multivariaten Zeitreihen-Biometriedaten; Generieren, durch das GAN-Modell, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten; Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten; und Bereitstellen einer dem Resultat zugehörigen Ausgabe aufweist.
Gemäß einem weiteren Aspekt wird ein Computerprogrammprodukt zum Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells bereitgestellt, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, wobei das Computerprogrammprodukt eine oder mehrere durch einen Computer lesbare Speichereinheiten und Programmanweisungen aufweist, die gemeinsam auf der einen oder den mehreren durch einen Computer lesbaren Speichereinheiten gespeichert sind, wobei die gespeicherten Programmanweisungen aufweisen: Programmanweisungen zum Bereitstellen eines geschulten GAN-Modells, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten; Programmanweisungen zum Empfangen von multivariaten Zeitreihen-Biometriedaten; Programmanweisungen zum Generieren, durch Verwenden des GAN-Modells, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten; Programmanweisungen zum Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten; und Programmanweisungen zum Bereitstellen einer dem Resultat zugehörigen Ausgabe aufweist.
Gemäß einem weiteren Aspekt wird ein Computersystem zum Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells bereitgestellt, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, wobei das Computersystem aufweist: einen oder mehrere Computerprozessoren; eine oder mehrere durch einen Computer lesbare Speichereinheiten; und gespeicherte Programmanweisungen auf der einen oder den mehreren durch einen Computer lesbaren Speichereinheiten zur Ausführung durch den einen oder die mehreren Computerprozessoren, wobei die gespeicherten Programmanweisungen aufweisen: Programmanweisungen zum Bereitstellen eines geschulten GAN-Modells, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten; Programmanweisungen zum Empfangen von multivariaten Zeitreihen-Biometriedaten; Programmanweisungen zum Generieren, durch Verwenden des GAN-Modells, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten; Programmanweisungen zum Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten; und Programmanweisungen zum Bereitstellen einer dem Resultat zugehörigen Ausgabe aufweist.
Figurenliste
Im Folgenden werden bevorzugte Ausführungsformen der vorliegenden Erfindung allein zu Beispielzwecken und unter Bezugnahme auf die folgenden Zeichnungen beschrieben:

1 stellt einen Ablaufplan bereit, der Arbeitsschritte beim Schulen eines W-GANs gemäß einer Ausführungsform der Erfindung darstellt.
2 stellt eine schematische Veranschaulichung einer Datenverarbeitungsumgebung gemäß einer Ausführungsform der Erfindung bereit.
3 stellt einen Ablaufplan bereit, der eine betriebliche Abfolge gemäß einer Ausführungsform der Erfindung darstellt.
4 stellt eine Cloud-Computing-Umgebung gemäß einer Ausführungsform der Erfindung dar.
5 stellt Abstraktionsmodellschichten gemäß einer Ausführungsform der Erfindung dar.

Dasselbe Bezugszeichen verweist im Allgemeinen auf dieselben Komponenten in den Ausführungsformen der vorliegenden Offenbarung.
AUSFÜHRLICHE BESCHREIBUNG
Einige Ausführungsformen werden ausführlicher unter Bezugnahme auf die begleitenden Zeichnungen beschrieben, in denen die Ausführungsformen der vorliegenden Offenbarung veranschaulicht worden sind. Die vorliegende Offenbarung kann jedoch auf verschiedene Weise umgesetzt werden und sollte daher nicht als auf die hierin offenbarten Ausführungsformen beschränkt aufgefasst werden.
In einer Ausführungsform kann bzw. können eine oder mehrere Komponenten des Systems Hardware und/oder Software verwenden, um Probleme hochtechnischer Art zu lösen (z.B. Schulen eines W-GANs und Nutzen des geschulten Generators zum Erstellen von multivariaten Zeitreihendaten - wie beispielweise EEG-Daten, durch Nutzen von generierten EEG-Daten zum Vorhersagen von Personenbewegungen, wobei vorhergesagte Personenbewegungen verwendet werden, um Fahrzeugsteuerungen usw. zu ändern). Diese Lösungen sind nicht abstrakt und können zum Beispiel aufgrund der Verarbeitungsfähigkeiten, die zum Ermöglichen der Generierung von Zeitreihendaten erforderlich sind, nicht als ein Satz von geistigen Aktivitäten durch eine Person durchgeführt werden. Ferner können einige der durchgeführten Prozesse durch einen spezialisierten Computer zum Ausführen von definierten Aufgaben in Bezug auf Arbeitsspeicheroperationen durchgeführt werden. Zum Beispiel kann ein spezialisierter Computer eingesetzt werden, um Aufgaben auszuführen, die sich auf ein Generieren von multivariaten Zeitreihendaten oder dergleichen beziehen.
Das Generieren (Prognostizieren) von multivariaten mehrstufigen Zeitreihendaten, wie zum Beispiel EEG-Daten, erfordert eine GAN-Architektur, die Merkmale von rohen Wellenformen erlernt hat und generieren kann, und die rohe Wellenformdaten empfangen und rohe Wellenformdaten für nachfolgende Zeitschritte generieren kann. Offenbarte Verfahren und Systeme stellen die Prognostizierung von betreffenden biologischen Daten, einschließlich EEG-Daten oder EEG-Prognosedaten bereit, die Vorhersagen von betreffenden Bewegungen ermöglichen, die zum Ändern von Fahrzeug- oder anderen Betriebsabläufen verwendet werden können, was zu besseren Resultaten führt.
Offenbarte Verfahren und Systeme stellen W-GAN-Modelle bereit, die zum Erzeugen von multivariaten Zeitreihendaten fähig sind, wobei die Frequenzaspekte von Eingabedaten beibehalten werden. Derartige W-GAN-Modelle ermöglichen die Vorhersage von Daten nicht nur für ein betreffenden Bewegungen zugehöriges EEG, sondern auch für EEG-Daten, die Krankheitstendenzen zugehörig sind (z.B. epileptische Anfälle, Gehirnschädigung, Hirntod). W-GAN-Modelle können die Erfassung einer Erholung von einem Schlaganfall unterstützen, indem eine Gehirnaktivität durch Vergleich von tatsächlichen und prognostizierten EEG-Daten, Bewusstsein der Person und Konzentrationsniveau erfasst wird, sowie die Entwicklung einer Gehirn-Computer-Schnittstelle durch Verwenden der vorhergesagten Daten unterstützen.
Offenbarte W-GAN-Modelle, die Daten mit Frequenzkomponenten der Eingabedaten generieren, können Vorhersagedaten für Magnetoenzephalografie (MEG), funktionelle Nahinfrarotspektroskopie (fNIRS), funktionelle Magnetresonanztomografie oder funktionelle MRI (fMRI), Elektrokortikografie (ECoG), lokale Feldpotenziale (LFP), Elektrokardiografie (ECG), Elektrookulografie (EOG), Elektromyograph (EMG) usw. bereitstellen. Offenbarte W-GAN-Modelle ermöglichen die Generierung von Zeitreihendaten, die den nächsten Schritt in jeder Eingabe von Zeitreihendaten vorhersagen -Voraussagen von Markttrends usw.
In einer Ausführungsform umfasst ein geschultes W-GAN geweitete Faltungsschichten - die geweiteten Schichten vergrößern das Sampleset, das den Generatoreingaben entnommen wurde, wobei Lücken in dem ausgewählten Sample hinterlassen werden. In dieser Ausführungsform ermöglicht die Verwendung von geweiteten Faltungsschichten in dem Generatornetzwerk des Wellenform-Generative Adversarial Network (W-GAN) dem Generatornetzwerk, die Frequenzkomponenten der Zieldaten genauer zu reproduzieren. Der W-GAN-Generator erlernt die eingegebenen Wellenformdatenmerkmale durch die Verwendung der geweiteten Faltungsschichten des Generators und des W-GAN-Diskriminatornetzwerks, das beim Schulen des Generators verwendet wird.
1 stellt einen Ablaufplan 100 bereit, der ein Verfahren zum Schulen eines W-GANs gemäß einer Ausführungsform der Erfindung darstellt. Wie in der Figur an einem Block 110 gezeigt, konfiguriert das Verfahren den W-GAN-Generator durch Verwenden eines latenten Vektors Z, der z Dimensionen aufweist und aus Rauschen besteht, sowie realen variablen Eingabe-Zeitreihendaten C mit einer Länge von n Dimensionen (C besteht aus Dimensionswerten x₀ - x_n-1, wobei jeder Wert x_t multivariate Zeitreihendaten zu einem Zeitpunkt t sind). Der Generator umfasst ein neuronales Faltungsnetzwerk mit geweiteten Faltungsschichten, wie oben beschrieben. Der Generator stellt einen vorgetäuschten (generierten) Vektor P mit einer Länge von m-n, (x'_n,..._x'_m-1) als den nächsten Datenschritt in der Reihe bereit, die den realen Eingabevektor C umfasst. Der generierte Vektor P besteht aus multivariaten Zeitreihendaten, ähnlich den Daten des realen Eingabevektors C. In einer Ausführungsform speichern die geweiteten Schichten des Generators globale und lokale Merkmale der eingegebenen Daten ab. In dieser Ausführungsform verweisen globale Merkmale auf Merkmale einer Datenreihe, wie zum Beispiel das Leistungsspektrum einer Person, das aus ihren Zeitreihendaten bestimmt wurde, lokale Merkmale verweisen auf Merkmale, die Abschnitten von Zeitreihendaten zugehörig sind, z.B. 10 Sekunden oder 20 Sekunden von Daten statt des gesamten Datensatzes. Die Auslegung der abschließenden dichten Schicht des Generators gibt die Prognose-Zeitreihendaten aus, die den eingegebenen Zeitreihen-Datensatz erweitern. In einer Ausführungsform weist die verkettete Eingabe für eine erste dichte Schicht das Format (?, 64) einer eingegebenen Länge von 64 Bit auf, die erste dichte Schicht weist eine Ausgabe von (?, 40) einer ausgegebenen Länge von 40 Bit auf, und eine zweite dichte Schicht empfängt die (?, 40) Ausgabe von der ersten dichten Schicht und weist eine Ausgabe von (?, 128) auf. In jeder Instanz gibt das „?“ an, dass die Anzahl von Samples, auf die in der Eingabe oder Ausgabe verwiesen wird, ein Platzhalterwert ist.
In einer Ausführungsform umfassen die W-GAN-Generator- und Diskriminator-Netzwerke sechs geweitete Schichten. In dieser Ausführungsform haben die geweiteten Faltungsschichten eine Dehnungsrate von 1, 2, 4, 8, 16 und 32. Die Anzahl von geweiteten Schichten und ihre jeweiligen Dehnungsraten können gemäß den für das W-GAN ausgewählten Hyperparametern und dem Abstimmen dieser Hyperparameter variieren.
In einer Ausführungsform umfassen W-GAN-Hyperparameter die Größe eines Eingangsrauschvektors Z, z.B. 32; die Größe eines Eingabevektors C, z.B. 384; die Größe von P und R, z.B. 64; die Dimension von Z, z.B. 2; die Anzahl von Erweiterungsfiltern, z.B. 32; die Ausgabegröße der ersten dichten (nicht geweiteten) Schicht des Generatornetzwerks, z.B. 64; die Ausgabegröße der zweiten dichten Schicht des Generatornetzwerks, z.B. 128; die Ausgabegröße der ersten dichten Schicht des Diskriminatornetzwerks, z.B. 1; die Aktivierungsfunktionen der dichten Schicht von Generator und Diskriminator, z.B. linear, tanh; und die Verlustfunktionen von Generator und Diskriminator, z.B. binäre Kreuzentropie. Die bereitgestellten Beispiele beziehen sich auf eine Ausführungsform der Erfindung und sollen den Schutzumfang der offenbarten Erfindungen nicht einschränken; andere Werte sind möglich.
An einem Block 120 erstellt das Verfahren den W-GAN-Diskriminator. Der Diskriminator umfasst ein neuronales Faltungsnetzwerk, das ebenfalls geweitete Faltungsschichten umfasst, wie oben beschrieben. Die Auslegung des Diskriminators empfängt entweder den vorgetäuschten Vektor P oder einen realen Vektor R in Kombination mit dem realen Eingabevektor C. Die Diskriminator-Schulung ergibt ein Netzwerk, das zwischen den Vektoren P und R unterscheidet. Die geweiteten Diskriminatorschichten empfangen die Vektoren von kombinierten Zeitreihendaten als einen einzelnen verketteten Eingabevektor. Die geweiteten Schichten speichern sowohl globale als auch lokale Merkmale der verketteten Vektoreingaben ab.
An einem Block 130 kombiniert das Verfahren die Generator- und Diskriminator-Netzwerke zu einem einzelnen W-GAN und fügt eine Verlustfunktion hinzu, die während des W-GAN-Schulungsprozesses optimiert werden soll.
In einer Ausführungsform definiert das Verfahren eine Verlust- bzw. Wertfunktion eines W-GAN-Diskriminators (1) als: $m i n_{G} m a x_{D} V (D, G) = E_{R^{~} p d a t a (R)} [l o g D (R / C)] + E_{z^{~} p n o i s e (z)} [l o g (1 - D (G (Z / C)))]$
wobei das Netzwerk versucht, gleichzeitig die Generator-Verlustfunktion zu minimieren - die Fähigkeit der Generatorausgabe, den Diskriminator zu täuschen, hier dargestellt durch den Logarithmus des Kehrwerts der Wahrscheinlichkeit einer vorgetäuschten Vorhersage durch den Diskriminator für den vorgetäuschten Eingabevektor, wobei die Diskriminator-Verlustfunktion maximiert wird - die Fähigkeit des Diskriminators, reale und vorgetäuschte Eingaben genau zu erkennen, die durch die logarithmische Wahrscheinlichkeit von realen Eingabevektoren R [log (D(RIC))] und den Logarithmus des Kehrwerts der Wahrscheinlichkeit von vorgetäuschten Eingabevektoren P [log(1-D(G(Z.IC)))] dargestellt werden.
An einem Block 140 wertet das Verfahren aus, ob alle Schulungsepochen verarbeitet worden sind. Jede Schulungsepoche umfasst die Schrittabfolge: 150, Ausführen einer Vorwärts-Propagierung durch den Generator und Diskriminator, Berechnen des W-GAN-Verlustfunktionswerts; 160, Ausführen einer Rückwärts-Propagierung zum Schulen des Diskriminators - wobei die Generator-Knotengewichtung konstant gehalten wird; und 170, Festlegen der Diskriminator-Gewichtungen und Anpassen der Generator-Knotengewichtungen zum Schulen des W-GAN-Generators.
Nach dem Ausgleich zwischen einem Minimieren des Generator-Verlustterms bei gleichzeitigem Maximieren des Diskriminator-Verlustterms werden alle Epochen an einem Block 140 als verarbeitet betrachtet, und die Schulung endet. Nach der Beendigung der Schulung stellt das Verfahren einen geschulten W-GAN-Generator für den Zweck eines Generierens von Zeitreihendaten bereit, um eingegebene Zeitreihendaten zu prognostizieren oder erweitern.
Ein geschultes Modell eines Generative Adversarial Network (GAN) zum Veranlassen, dass ein Computer so arbeitet, dass er multivariate mehrstufige prognostizierte Zeitreihendaten ausgibt, umfasst einen Generator, der geweitete Faltungsschichten zum Empfangen von multivariaten mehrstufigen realen Zeitreihendaten als eine Eingabe aufweist (Hinweis: ein Diskriminator ist eine optionale Komponente für das geschulte Modell), wobei in einer Schulungsphase, die einen Diskriminator verwendet, der zweite geweitete Faltungsschichten aufweist, der Generator einen ersten Vektor empfängt, der multivariate mehrstufige reale Zeitreihendaten eines ersten Zeitraums als Eingabe darstellt, und einen zweiten Vektor ausgibt, der multivariate mehrstufige prognostizierte Zeitreihendaten eines zweiten Zeitraums darstellt, der auf den ersten Zeitraum folgt; der Diskriminator empfängt den ersten Vektor und entweder i) die zweite Vektorausgabe von dem Generator oder ii) den dritten Vektor, der multivariate mehrstufige reale Zeitreihendaten des zweiten Zeitraums darstellt, als Eingaben und unterscheidet, ob die Eingabedaten der zweite Vektor (prognostizierte Daten) oder der dritte Vektor (reale Daten) sind; Gewichtungen des Diskriminator werden so geschult, dass die Genauigkeit des Unterscheidungsergebnisses verbessert wird; und anschließend werden Gewichtungen des Generators geschult, und wobei das Modell in einer Betriebs- (Ableitungs-) Phase konfiguriert ist, um den Computer zu veranlassen, multivariate mehrstufige prognostizierte Zeitreihendaten auszugeben, die zeitlich auf die multivariate mehrstufige reale Zeitreihendaten-Eingabe in die geweiteten Faltungsschichten des Generators folgen.
Das geschulte Modell der vorliegenden Erfindung ist als ein Computerprogrammmodul verkörpert, das einen Teil einer Software von künstlicher Intelligenz bildet. Die Software der künstlichen Intelligenz umfasst ein Generative Adversarial Network (GAN) zum Veranlassen, dass ein Computer so arbeitet, dass er multivariate mehrstufige prognostizierte Zeitreihendaten ausgibt, und einen Generator umfasst, der geweitete Faltungsschichten zum Empfangen von multivariaten mehrstufigen realen Zeitreihendaten als eine Eingabe aufweist (Hinweis: ein Diskriminator ist eine optionale Komponente für das geschulte Modell), wobei in einer Schulungsphase, die einen Diskriminator verwendet, der zweite geweitete Faltungsschichten aufweist, der Generator einen ersten Vektor empfängt, der multivariate mehrstufige reale Zeitreihendaten eines ersten Zeitraums als Eingabe darstellt, und einen zweiten Vektor ausgibt, der multivariate mehrstufige prognostizierte Zeitreihendaten eines zweiten Zeitraums darstellt, der auf den ersten Zeitraum folgt; der Diskriminator empfängt den ersten Vektor und entweder i) die zweite Vektorausgabe von dem Generator oder ii) einen dritten Vektor, der multivariate mehrstufige reale Zeitreihendaten des zweiten Zeitraums darstellt, als Eingaben und unterscheidet, ob die Eingabedaten der zweite Vektor (prognostizierte Daten) oder der dritte Vektor (reale Daten) sind; Gewichtungen des Diskriminator werden so geschult, dass die Genauigkeit des Unterscheidungsergebnisses verbessert wird; und anschließend werden Gewichtungen des Generators geschult, und wobei das Modell in einer Betriebs-(Ableitungs-) Phase konfiguriert ist, um den Computer zu veranlassen, multivariate mehrstufige prognostizierte Zeitreihendaten auszugeben, die zeitlich auf die multivariate mehrstufige reale Zeitreihendaten-Eingabe in die geweiteten Faltungsschichten des Generators folgen.
Das geschulte Modell der vorliegenden Erfindung wird in einem Computer genutzt, der mit einer CPU und einem Arbeitsspeicher ausgestattet ist. Insbesondere arbeitet die CPU des Computers gemäß Anweisungen von dem geschulten Modell, das im Arbeitsspeicher gespeichert ist, auf eine Weise, dass ein Generative Adversarial Network (GAN) durchgeführt wird, das einen Computer veranlasst, so zu funktionieren, dass multivariate mehrstufige prognostizierte Zeitreihendaten ausgeben werden, mit einem Generator, der geweitete Faltungsschichten zum Empfangen von multivariaten mehrstufigen realen Zeitreihendaten als eine Eingabe aufweist (Hinweis: ein Diskriminator ist eine optionale Komponente für das geschulte Modell), wobei der Generator in einer Schulungsphase, in der ein Diskriminator verwendet wird, der einen zweiten Satz von geweiteten Faltungsschichten aufweist, einen ersten Vektor empfängt, der multivariate, mehrstufige Zeitreihendaten eines ersten Zeitraums als Eingabe umfasst, und einen zweiten Vektor ausgibt, der multivariate, mehrstufige prognostizierte Zeitreihendaten eines zweiten Zeitraums darstellt, der auf den ersten Zeitraum folgt. Der Diskriminator empfängt den ersten Vektor und entweder i) die zweite Vektorausgabe von dem Generator oder ii) dem dritten Vektor, der multivariate mehrstufige reale Zeitreihendaten des zweiten Zeitraums darstellt, als Eingaben und unterscheidet, ob die Eingabedaten der zweite Vektor (prognostizierte Daten) oder der dritte Vektor (reale Daten) sind; Gewichtungen des Diskriminators werden so geschult, dass die Genauigkeit des Unterscheidungsergebnisses verbessert wird; und wobei anschließend das Modell in einer Betriebs- (Ableitungs-) Phase konfiguriert ist, um den Computer zu veranlassen, multivariate mehrstufige prognostizierte Zeitreihendaten auszugeben, die zeitlich auf die multivariate mehrstufige reale Zeitreihendaten-Eingabe in die geweiteten Faltungsschichten des Generators folgen.
In einer Ausführungsform überwacht das Verfahren ein EEG eines Fahrers und gibt die multivariaten EEG-Daten, einschließlich Daten für jede Gehirnhälfte, in das geschulte W-GAN-Generatornetzwerk ein. Der Generator generiert Prognose-EEG-Daten gemäß den EEG-Eingabedaten. Ein Analysemodell prüft die Generatorausgabe in Kombination mit der realen EEG-Eingabe und sagt motorische Skelettmuskulaturaktivitäten eines Fahrers gemäß der generierten EEG-Ausgabe vorher. In dieser Ausführungsform berechnet das Analysemodul einen Leistungswert für die generierten Daten jeder Gehirnhälfte. Das Analysemodul vergleicht die jeweiligen Leistungswerte der Gehirnhälftendaten. In dieser Ausführungsform stellt das Analysemodul eine Ausgabe bereit, die eine wahrscheinliche motorische Skelettmuskulaturaktivität eines Fahrers gemäß dem Vergleich von Leistungswerten der Gehirnhälftendaten angibt. Ähnliche Leistungswerte geben keine motorische Skelettmuskulaturaktivität für die generierten EEG-Daten an. In einer Ausführungsform gibt ein rechter Gehirnhälften-Leistungswert an, der niedriger als der entsprechende linke Gehirnhälften-Leistungswert ist, dass der Fahrer beabsichtigt, nach rechts abzubiegen. In dieser Ausführungsform gibt ein linker Gehirnhälften-Leistungswert an, der niedriger als der entsprechende rechte Gehirnhälften-Leistungswert ist, dass der Fahrer beabsichtigt, nach links abzubiegen.
In einer Ausführungsform stellte das Verfahren Ausgaben eines Analysemoduls für ein Modul zur Vermeidung von Fahrzeugkollisionen bereit. Das Modul zur Vermeidung von Fahrzeugkollisionen verfolgt den aktuellen Standort und die Geschwindigkeit des Fahrzeugs sowie die relativen Standorte und Geschwindigkeiten von Fahrzeugen in der Nähe. In dieser Ausführungsform sagt das Modul zur Vermeidung von Fahrzeugkollisionen Kollisionsereignisse als diejenigen Fälle vorher, in denen das betreffende Fahrzeug und ein Fahrzeug in der Nähe demnächst denselben Raum belegen werden. Das Fahrzeugkollisions-Modul nutzt die Ausgabe des Analysemoduls zum Vorhersagen des zukünftigen Standorts des Fahrzeugs durch Auswerten der zukünftigen Position des Fahrzeugs gemäß dem aktuellen Standort, der Geschwindigkeit und vorhergesagten motorischen Skelettmuskulaturaktivität des betreffenden Fahrers; z.B. biegt der betreffende Fahrer gemäß der Ausgabe des Analysemoduls nach rechts ab, das Abbiegen nach rechts initiiert eine Kollision mit einem Fahrzeug in der Nähe, das Modul zur Vermeidung von Kollisionen kann das betreffende Fahrzeug abbremsen, um das Rechtsabbiegen zu verzögern, oder die Reaktion des Fahrzeuglenkungs-Steuersystems auf die Eingabe durch den betreffenden Fahrer unterbinden, wodurch das Rechtsabbiegen und die andernfalls bevorstehende Kollision verhindert wird.
In einer Ausführungsform stellt das Analysemodul eine Ausgabe bereit, die einem medizinischen Zustand der Person zugehörig ist, z.B. Epilepsie. In dieser Ausführungsform wertet das Verfahren generierte EEG-Daten aus, um eine Gehirnaktivität im Zusammenhang mit einem bevorstehenden epileptischen Anfall zu identifizieren. In dieser Ausführungsform löst das Analysemodul einen Alarm aus, der die Person vor dem bevorstehenden Anfall warnt, oder löst die Freisetzung einer krampflösenden Medikation in den Blutkreislauf der Person aus, oder löst einen unterschwelligen kortikalen Reiz aus, um den Anfall zu verhindern.
2 stellt eine schematische Veranschaulichung von beispielhaften Netzwerkressourcen bereit, die einem Ausüben der offenbarten Erfindungen zugehörig sind. Die Erfindungen können in den Prozessoren von jedem der offenbarten Elemente ausgeübt werden, die einen Anweisungsstrom verarbeiten. Wie in der Figur gezeigt, wird eine vernetzte Client-Einheit 210 drahtlos mit einem Server-Subsystem 202 verbunden. Eine Client-Einheit 204 wird drahtlos mit dem Server-Subsystem 202 über ein Netzwerk 214 verbunden. Die Client-Einheiten 204 und 210 weisen ein W-GAN-Programm (nicht gezeigt) zusammen mit einer ausreichender Datenverarbeitungsressource (Prozessor, Arbeitsspeicher, Netzwerkkommunikations-Hardware) auf, um das Programm auszuführen. In einer Ausführungsform sammeln die Client-Einheiten 204 und 210 Zeitreihendaten und stellen die gesammelten Daten dem Server-Subsystem 202 für die Verarbeitung durch das geschulte W-GAN-Modell bereit. In dieser Ausführungsform empfängt mindestens eine der Client-Einheiten 204 und 210 eine Prognosenanalyse des W-GAN-Modells von dem Server-Subsystem 202. Wie in 2 gezeigt, weist das Server-Subsystem 202 einen Servercomputer 250 auf. 2 stellt ein Blockschaubild von Komponenten des Servercomputers 250 in einem vernetzten Computersystem 2000 gemäß einer Ausführungsform der vorliegenden Erfindung dar. Es sollte klar sein, dass 2 nur eine Veranschaulichung einer Umsetzung bereitstellt und keine Einschränkungen hinsichtlich der Umgebungen impliziert, in denen verschiedene Ausführungsformen umgesetzt werden können. An der dargestellten Umgebung können viele Modifizierungen vorgenommen werden.
Der Servercomputer 250 kann einen bzw. mehrere Prozessoren 254, einen Arbeitsspeicher 258, einen permanenten Speicher 270, eine Datenübertragungseinheit 252, eine oder mehrere Eingabe/Ausgabe- (E/A) Schnittstellen 256 und eine Datenübertragungsstruktur 240 umfassen. Die Datenübertragungsstruktur 240 stellt Datenübertragungen zwischen dem Cachespeicher 262, dem Arbeitsspeicher 258, dem permanenten Speicher 270, der Datenübertragungseinheit 252 und einer oder mehreren Eingabe/Ausgabe- (E/A) Schnittstellen 256 bereit. Die Datenübertragungsstruktur 240 kann mit jeder Architektur umgesetzt werden, die für ein Übergeben von Daten und/oder ein Steuern von Informationen zwischen Prozessoren (wie Mikroprozessoren, Datenübertragungs- und Netzwerkprozessoren usw.), Systemarbeitsspeicher, Peripherie-Einheiten und allen anderen Hardware-Komponenten in einem System ausgelegt ist. Zum Beispiel kann die Datenübertragungsstruktur 240 mit einem oder mehreren Bussen umgesetzt werden.
Der Arbeitsspeicher 258 und der permanente Speicher 270 sind durch einen Computer lesbare Speichermedien. In dieser Ausführungsform umfasst der Arbeitsspeicher 258 einen Direktzugriffsspeicher (RAM) 260. Im Allgemeinen kann der Arbeitsspeicher 258 jedes geeignete flüchtige oder nicht flüchtige durch einen Computer lesbare Speichermedium enthalten. Der Cachespeicher 262 ist ein schneller Arbeitsspeicher, der die Leistung des Prozessors bzw. der Prozessoren 254 verbessert, indem kürzlich genutzte Daten und Daten in der Nähe der kürzlich genutzten Daten aus dem Arbeitsspeicher 258 beibehalten werden.
Die Programmanweisungen und Daten, die zum Ausüben der Ausführungsformen der vorliegenden Erfindung verwendet werden, z.B. das W-GAN-Modell und Programm 275, sind in dem permanenten Speicher 270 zur Ausführung und/oder den Zugriff durch einen oder mehrere der jeweiligen Prozessoren 254 des Servercomputers 250 über den Cachespeicher 262 gespeichert. In dieser Ausführungsform umfasst der permanente Speicher 270 eine Magnetfestplatte. Alternativ oder zusätzlich zu einer Magnetfestplatte kann der permanente Speicher 270 einen Solid-State-Festplattenspeicher, eine Halbleiter-Speichereinheit, einen Nur-Lese-Speicher (ROM), einen löschbaren programmierbaren Nur-Lese-Speicher (EPROM), einen Flash-Speicher oder jedes andere durch einen Computer lesbare Speichermedium umfassen, das fähig ist, Programmanweisungen oder digitale Informationen zu speichern.
Die von dem permanenten Speicher 270 verwendeten Medien können auch entfernbar sein. Zum Beispiel kann eine entfernbare Festplatte für den permanenten Speicher 270 verwendet werden. Weitere Beispiele umfassen optische und magnetische Platten, USB-Sticks und Smart-Cards, die für einen Datentransfer auf ein anderes durch einen Computer lesbares Speichermedium, das ebenfalls Teil des permanenten Speichers 270 ist, in ein Laufwerk eingesetzt werden.
Die Datenübertragungseinheit 252 stellt in diesen Beispielen Datenübertragungen mit anderen Datenverarbeitungssystemen oder-einheiten bereit, einschließlich Ressourcen von Client-Datenverarbeitungseinheiten 204 und 210. In diesen Beispielen enthält die Datenübertragungseinheit 252 eine oder mehrere Netzwerk-Schnittstellenkarten. Die Datenübertragungseinheit 252 kann Datenübertragungen durch die Verwendung von physischen und/oder drahtlosen Kommunikationsverbindungen bereitstellen. Software-Verteilungsprogramme und andere Programme und Daten, die zum Umsetzen der vorliegenden Erfindung verwendet werden, können in den permanenten Speicher 270 des Servercomputers 250 über die Datenübertragungseinheiten 252 heruntergeladen werden.
Die E/A-Schnittstelle(n) 256 ermöglicht bzw. ermöglichen die Eingabe und Ausgabe von Daten mit anderen Einheiten, die mit dem Servercomputer 250 verbunden sein können. Zum Beispiel kann bzw. können die E/A-Schnittstelle(n) 256 eine Verbindung zu externen Einheiten 290 bereitstellen, wie zum Beispiel eine Tastatur, ein Tastenfeld, ein Berührungsbildschirm, ein Mikrofon, eine Digitalkamera, EEG-Datenerfassungssysteme, Umgebungssensoren des Internet of Things und/oder eine andere geeignete Eingabeeinheit. Die externe Einheit bzw. Einheiten 290 kann bzw. können auch tragbare, durch einen Computer lesbare Speichermedien umfassen, wie zum Beispiel USB-Sticks, tragbare optische oder Magnetplatten und Speicherkarten. Die Software und Daten, die zum Ausüben von Ausführungsformen der vorliegenden Erfindung verwendet werden, z.B. das W-GAN-Programm 275 auf dem Servercomputer 250, können auf derartigen durch einen tragbaren Computer lesbaren Speichermedien gespeichert werden und können auf den permanenten Speicher 270 über die E/A-Schnittstelle bzw. E/A-Schnittstellen 256 geladen werden. Die E/A-Schnittstelle(n) 256 ist bzw. sind auch mit einer Anzeige 280 verbunden.
Die Anzeige 280 stellt einen Mechanismus zum Anzeigen von Daten für einen Benutzer bereit und kann zum Beispiel ein Computermonitor sein. Die Anzeige 280 kann auch als Berührungsbildschirm arbeiten, wie zum Beispiel eine Anzeige eines Tablet-Computers.
3 stellt einen Ablaufplan 300 bereit, der beispielhafte Aktivitäten veranschaulicht, die der Ausübung der Offenbarung zugehörig sind. Nach dem Programmstart stellt das Verfahren des W-GAN-Programms 275 an einem Block 310 ein geschultes W-GAN-Generatornetzwerk bereit. Das geschulte Generatornetzwerk umfasst eine oder mehrere geweitete Faltungsschichten und ist konfiguriert, um verkettete Vektoren von Zeitreihendaten und Eingangsrauschvektoren zu empfangen.
An einem Block 320 empfängt das W-GAN-Programm Echtzeit-Zeitreihendaten, einschließlich Echtzeitdaten wie betreffende EEG- und andere Zeitreihen-Biometriedaten. Die empfangenen Daten betreffen einen ersten Zeitraum T1. Das Verfahren verkettet die Echtzeit-Daten mit Rauschvektordaten und leitet die verketteten Daten als Eingabe an das Generatornetzwerk weiter.
An einem Block 330 generiert das Verfahren des W-GAN-Programms Zeitreihendaten für den Zeitraum T₁₊. Die generierten Daten prognostizieren den nächsten Schritt in den Zeitreihendaten, die als die Eingabe für den Generator bereitgestellt werden. Die generierten Daten haben dasselbe Format und denselben Inhalt wie der Echtzeitdaten-Vektor, der als Eingabe bereitstellt wird.
An einem Block 340 wertet ein Analysemodul die generierte Ausgabe aus und bestimmt ein Resultat, das der generierten Ausgabe zugehörig ist. In einer Ausführungsform betrifft das Resultat eine oder mehrere motorische Skelettmuskulaturaktivitäten der betreffenden Person.
An einem Block 350 stellt das W-GAN-Analysemodul das bestimmte Resultat als eine Ausgabe bereit, die Ausgabe dient als eine Eingabe in ein Benutzersystem wie zum Beispiel ein Gesundheitsüberwachungssystem oder einen Fahrzeugbetrieb und/oder ein System zur Kollisionsvermeidung. In einer Ausführungsform stellt das Verfahren die generierten Daten als die Ausgabe oder zusätzlich zur Ausgabe des Analysemoduls bereit.
Obwohl diese Offenbarung eine ausführliche Beschreibung von Cloud Computing enthält, sollte klar sein, dass die Umsetzung der hierin angeführten Lehren nicht auf eine Cloud-Computing-Umgebung beschränkt ist. Stattdessen können Ausführungsformen der vorliegenden Erfindung gemeinsam mit jedem beliebigen Typ von jetzt bekannter oder später entwickelter Datenverarbeitungsumgebung umgesetzt werden.
Cloud Computing ist ein Dienstbereitstellungsmodell zum Ermöglichen eines problemlosen bedarfsgesteuerten Netzwerkzugriffs auf einen gemeinsam genutzten Pool von konfigurierbaren Datenverarbeitungsressourcen (z.B. Netzwerke, Netzwerkbandbreite, Server, Verarbeitung, Arbeitsspeicher, Speicher, Anwendungen, virtuelle Maschinen und Dienste), die mit minimalem Verwaltungsaufwand bzw. minimaler Interaktion mit einem Anbieter des Dienstes schnell bereitgestellt und freigegeben werden können. Dieses Cloud-Modell kann mindestens fünf Eigenschaften, mindestens drei Dienstmodelle und mindestens vier Nutzungsmodelle umfassen.
Die Eigenschaften sind wie folgt:

On-Demand Self-Service: Ein Cloud-Nutzer kann einseitig automatisch nach Bedarf für Datenverarbeitungsfunktionen wie Serverzeit und Netzwerkspeicher sorgen, ohne dass eine menschliche Interaktion mit dem Anbieter des Dienstes erforderlich ist.
Broad Network Access: Es sind Funktionen über ein Netzwerk verfügbar, auf die durch Standardmechanismen zugegriffen wird, welche die Verwendung durch heterogene Thin- oder Thick-Client-Plattformen (z.B. Mobiltelefone, Laptops und PDAs) unterstützen.
Resource-Pooling: Die Datenverarbeitungsressourcen des Anbieters werden zusammengeschlossen, um mehreren Nutzern unter Verwendung eines Multi-Tenant-Modells zu dienen, wobei verschiedene physische und virtuelle Ressourcen dynamisch nach Bedarf zugewiesen und neu zugewiesen werden. Es gibt eine gefühlte Standortunabhängigkeit, da der Nutzer allgemein keine Kontrolle bzw. Kenntnis über den genauen Standort der bereitgestellten Ressourcen hat, aber in der Lage sein kann, einen Standort auf einer höheren Abstraktionsebene festzulegen (z.B. Land, Staat oder Rechenzentrum).
Rapid Elasticity: Funktionen können für eine schnelle horizontale Skalierung (scale out) schnell und elastisch bereitgestellt werden, in einigen Fällen auch automatisch, und für ein schnelles Scale-in schnell freigegeben werden. Für den Nutzer erscheinen die für das Bereitstellen verfügbaren Funktionen häufig unbegrenzt, und sie können jederzeit in jeder beliebigen Menge gekauft werden.
Measured Service: Cloud-Systeme steuern und optimieren die Verwendung von Ressourcen automatisch, indem sie eine Messfunktion auf einer gewissen Abstraktionsebene nutzen, die für die Art von Dienst geeignet ist (z.B. Speicher, Verarbeitung, Bandbreite sowie aktive Benutzerkonten). Der Ressourcen-Verbrauch kann überwacht, gesteuert und gemeldet werden, wodurch sowohl für den Anbieter als auch für den Nutzer des verwendeten Dienstes Transparenz geschaffen wird.

Die Dienstmodelle sind wie folgt:

Software as a Service (SaaS): Die dem Nutzer bereitgestellte Funktion besteht darin, die in einer Cloud-Infrastruktur laufenden Anwendungen des Anbieters zu verwenden. Die Anwendungen sind über eine Thin-Client-Schnittstelle wie einen Web-Browser (z.B. eine auf dem Web beruhende eMail) von verschiedenen Client-Einheiten her zugänglich. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, darunter das Netzwerk, Server, Betriebssysteme, Speicher bzw. sogar einzelne Anwendungsfunktionen, mit der möglichen Ausnahme von eingeschränkten benutzerspezifischen Anwendungskonfigurationseinstellungen.
Platform as a Service (PaaS): Die dem Nutzer bereitgestellte Funktion besteht darin, durch einen Nutzer erstellte bzw. erhaltene Anwendungen, die unter Verwendung von durch den Anbieter unterstützten Programmiersprachen und Tools erstellt wurden, in der Cloud-Infrastruktur einzusetzen. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, darunter Netzwerke, Server, Betriebssysteme bzw. Speicher, hat aber die Kontrolle über die eingesetzten Anwendungen und möglicherweise über Konfigurationen des Application Hosting Environment.
Infrastructure as a Service (laaS): Die dem Nutzer bereitgestellte Funktion besteht darin, Verarbeitung, Speicher, Netzwerke und andere grundlegende Datenverarbeitungsressourcen bereitzustellen, wobei der Nutzer in der Lage ist, beliebige Software einzusetzen und auszuführen, zu der Betriebssysteme und Anwendungen gehören können. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, hat aber die Kontrolle über Betriebssysteme, Speicher, eingesetzte Anwendungen und möglicherweise eingeschränkte Kontrolle über ausgewählte Netzwerkkomponenten (z.B. Host-Firewalls).

Die Nutzungsmodelle sind wie folgt:

Private Cloud: Die Cloud-Infrastruktur wird ausschließlich für eine Organisation betrieben. Sie kann von der Organisation oder einer Drittpartei verwaltet werden und kann innerhalb oder außerhalb von Geschäftsräumen vorhanden sein.
Community Cloud: Die Cloud-Infrastruktur wird von mehreren Organisationen gemeinsam genutzt und unterstützt eine bestimmte Community, die gemeinsame Problemstellungen hat (z.B. Berücksichtigung von Zielsetzung, Sicherheitsanforderungen, Richtlinien und Konformität). Sie kann von den Organisationen oder einer Drittpartei verwaltet werden und kann innerhalb oder außerhalb der Geschäftsräume vorhanden sein.
Public Cloud: Die Cloud-Infrastruktur wird der allgemeinen Öffentlichkeit oder einer großen Industriegruppe zur Verfügung gestellt und gehört einer Organisation, die Cloud-Dienste verkauft.
Hybrid Cloud: Die Cloud-Infrastruktur ist eine Zusammensetzung aus zwei oder mehreren Clouds (privat, Benutzergemeinschaft oder öffentlich), die zwar einzelne Einheiten bleiben, aber durch eine standardisierte oder proprietäre Technologie miteinander verbunden sind, die eine Daten- und Anwendungsportierbarkeit ermöglicht (z.B. Cloud-Zielgruppenverteilung für den Lastausgleich zwischen Clouds).
Eine Cloud-Computing-Umgebung ist dienstorientiert, wobei der Schwerpunkt auf Statusunabhängigkeit, geringer Kopplung, Modularität und semantischer Interoperabilität liegt. Im Mittelpunkt von Cloud Computing steht eine Infrastruktur, die ein Netzwerk von miteinander verbundenen Knoten enthält.

Unter folgender Bezugnahme auf 4 wird eine veranschaulichende Cloud-Computing-Umgebung 50 dargestellt. Wie gezeigt, enthält die Cloud-Computing-Umgebung 50 einen oder mehrere Cloud-Computing-Knoten 10, mit denen lokale Datenverarbeitungseinheiten, die von Nutzern der Cloud verwendet werden, wie beispielsweise ein Personal Digital Assistant (PDA) oder Mobiltelefon 54A, ein Desktop-Computer 54B, ein Laptop-Computer 54C und/oder ein Fahrzeug-Computersystem 54N Daten austauschen können. Die Knoten 10 können untereinander Daten austauschen. Sie können physisch oder virtuell in einem oder mehreren Netzwerken gruppiert sein (nicht gezeigt), wie beispielsweise Private, Community, Public oder Hybrid Cloud, wie hierin oben beschrieben, oder in einer Kombination davon. Damit hat die Cloud-Computing-Umgebung 50 die Möglichkeit, eine Infrastruktur, Plattformen und/oder Software als Dienste anzubieten, für die ein Cloud-Nutzer keinerlei Ressourcen auf einer lokalen Datenverarbeitungseinheit vorhalten muss. Es sollte klar sein, dass die in 4 gezeigten Typen von Datenverarbeitungseinheiten 54A bis N nur zur Veranschaulichung dienen sollen, und dass die Cloud-Computing-Knoten 10 und die Cloud-Computing-Umgebung 50 mit jedem Typ einer computerisierten Einheit über jeden Typ von Netzwerk und/oder eine über ein Netzwerk adressierbare Verbindung (z.B. unter Verwendung eines Web-Browsers) Daten austauschen können.
Unter folgender Bezugnahme auf 5 wird eine Gruppe von funktionalen Abstraktionsschichten gezeigt, die durch die Cloud-Computing-Umgebung 50 (4) bereitgestellt werden. Dabei sollte von Anfang an klar sein, dass die in 5 gezeigten Komponenten, Schichten und Funktionen lediglich zur Veranschaulichung dienen sollen und Ausführungsformen der Erfindung nicht darauf beschränkt sind. Wie dargestellt, werden die folgenden Schichten und entsprechenden Funktionen bereitgestellt:

Eine Hardware- und Software-Schicht 60 enthält Hardware- und Software-Komponenten. Zu Beispielen für Hardware-Komponenten zählen: Mainframes 61; Server auf Grundlage einer RISC- (Reduced Instruction Set Computer) Architektur 62; Server 63; Blade-Server 64; Speichereinheiten 65; und Netzwerke und vernetzte Komponenten 66. In einigen Ausführungsformen enthalten Software-Komponenten Software für Netzwerkanwendungsserver 67 und Datenbank-Software 68.

Eine Virtualisierungsschicht 70 stellt eine Abstraktionsschicht bereit, von der aus die folgenden beispielhaften virtuellen Entitäten bereitgestellt werden können: virtuelle Server 71; virtueller Speicher 72; virtuelle Netzwerke 73, einschließlich virtuelle private Netzwerke; virtuelle Anwendungen und Betriebssysteme 74; und virtuelle Clients 75.
In einem Beispiel kann eine Verwaltungsschicht 80 die im Folgenden beschriebenen Funktionen bereitstellen. Eine Ressourcenbereitstellung 81 sorgt für eine dynamische Beschaffung von Datenverarbeitungsressourcen und weiteren Ressourcen, die zum Ausführen von Aufgaben innerhalb der Cloud-Computing-Umgebung eingesetzt werden. Messung und Preisbestimmung 82 ermöglichen beim Einsatz von Ressourcen innerhalb der Cloud-Computing-Umgebung eine Kostenverfolgung und eine Abrechnung oder Rechnungsstellung für die Inanspruchnahme dieser Ressourcen. In einem Beispiel können diese Ressourcen Lizenzen für Anwendungssoftware umfassen. Eine Sicherheitsfunktion stellt eine Identitätsprüfung für Cloud-Nutzer und -Aufgaben sowie einen Schutz für Daten und andere Ressourcen bereit. Ein Benutzerportal 83 stellt den Zugang zur Cloud-Computing-Umgebung für Nutzer und Systemadministratoren bereit. Eine Service-Level- (Dienstgüte) Verwaltung 84 sorgt für Zuweisung und Verwaltung von Cloud-Computing-Ressourcen, sodass erforderliche Service-Levels eingehalten werden. Planung und Vertragserfüllung des Service Level Agreement (SLA) (Dienstgütevereinbarung) 85 stellen eine Vorab-Vereinbarung für und Beschaffung von Cloud-Computing-Ressourcen bereit, für die gemäß eines SLA eine zukünftige Anforderung erwartet wird.
Eine Arbeitslastenschicht 90 stellt Beispiele für eine Funktionalität bereit, für welche die Cloud-Computing-Umgebung genutzt werden kann. Zu Beispielen von Arbeitslasten und Funktionen, die von dieser Schicht aus bereitgestellt werden können, zählen: Zuordnung und Navigation 91; Software-Entwicklung und Lifecycle-Management 92; Bereitstellung von virtuellen Schulungen 93; Datenanalyseverarbeitung 94; Transaktionsverarbeitung 95; und W-GAN-Programm 275.
Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt auf jeder möglichen technischen Detailintegrationsebene handeln. Die Erfindung kann vorteilhafterweise in jedem System einzeln oder parallel ausgeübt werden, das einen Anweisungsstrom verarbeitet. Das Computerprogrammprodukt kann ein durch einen Computer lesbares Speichermedium (oder -medien) mit durch einen Computer lesbaren Programmanweisungen enthalten, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch eine Einheit zum Ausführen von Anweisungen beibehalten und speichern kann. Das durch einen Computer lesbare Speichermedium kann zum Beispiel eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiter-Speichereinheit oder jede geeignete Kombination aus dem Vorgenannten sein, es ist aber nicht darauf beschränkt. Zu einer nicht erschöpfenden Liste von spezifischeren Beispielen des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein tragbarer CD-ROM, eine DVD, ein Arbeitsspeicher-Stick, eine Diskette, eine mechanisch codierte Einheit wie zum Beispiel Lochkarten oder erhabene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination des Vorgenannten. Ein durch einen Computer lesbares Speichermedium soll, wie hierin verwendet, nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder andere Übertragungsmedien ausbreiten (z.B. durch ein Lichtwellenleiterkabel geleitete Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
Hierin beschriebene durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetzwerk und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Leitwegrechner, Firewalls, Vermittlungseinheiten, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs-/Verarbeitungseinheit weiter.
Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten, Konfigurationsdaten für integrierte Schaltungen oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben sind, darunter objektorientierte Programmiersprachen wie Smalltalk, C++ o.ä. sowie prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem entfernt angeordneten Computer oder vollständig auf dem entfernt angeordneten Computer oder Server ausgeführt werden. In dem letzteren Szenario kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch jeden Typ von Netzwerk verbunden werden, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetzwerk (WAN), oder die Verbindung kann zu einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwendung eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, feldprogrammierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die computerlesbaren Programmanweisungen ausführen, indem sie Zustandsinformationen der computerlesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
Aspekte der vorliegenden Erfindung werden hierin unter Bezugnahme auf Veranschaulichungen von Ablaufplänen und/oder Blockschaubildern von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es sollte klar sein, dass jeder Block der Ablaufplanveranschaulichungen und/oder der Blockschaubilder und Kombinationen von Blöcken in den Ablaufplanveranschaulichungen und/oder den Blockschaubildern mittels durch einen Computer lesbare Programmanweisungen umgesetzt werden können.
Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, sodass die über den Prozessor des Computers bzw. eine andere programmierbare Datenverarbeitungsvorrichtung ausgeführten Anweisungen ein Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaubilder angegebenen Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, sodass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt aufweist, darunter Anweisungen, die Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaubilder angegebenen Funktion/Schritts umsetzen.
Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Arbeitsschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen durch einen Computer umgesetzten Prozess zu erzeugen, sodass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaubilder angegebenen Funktionen/Schritte umsetzen.
Die Ablaufpläne und Blockschaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder den Blockschaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zum Umsetzen der bestimmten logischen Funktion(en) aufweisen. In einigen alternativen Umsetzungen können die in dem Block angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt auftreten. Zum Beispiel können zwei nacheinander gezeigte Blöcke tatsächlich im Wesentlichen parallel ausgeführt werden, oder die Blöcke können manchmal in der umgekehrten Reihenfolge ausgeführt werden, was von der beteiligten Funktionalität abhängt. Es ist ferner anzumerken, dass jeder Block der Blockschaubilder und/oder der Ablaufplandarstellungen sowie Kombinationen von Blöcken in den Blockschaubildern und/oder der Ablaufplandarstellung durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die angegebenen Funktionen oder Handlungen durchführen oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
Verweise in der Patentschrift auf „eine bestimmte Ausführungsform“, „eine Ausführungsform“, „eine beispielhafte Ausführungsform“ usw. geben an, dass die beschriebene Ausführungsform ein besonderes Merkmal, eine besondere Struktur oder Eigenschaft umfassen kann, aber nicht notwendigerweise jede Ausführungsform das besondere Merkmal, die besondere Struktur oder Eigenschaft umfassen muss. Des Weiteren verweisen derartige Ausdrücke nicht notwendigerweise auf dieselbe Umgebung, Wenn ferner ein bestimmtes Merkmal, eine Struktur oder Eigenschaft in Verbindung mit einer Ausführungsform beschrieben wird, wird geltend gemacht, dass es innerhalb der Kenntnisse eines Fachmanns liegt, auf ein derartiges Merkmal, eine derartige Struktur oder Eigenschaft in Verbindung mit anderen Ausführungsformen Einfluss zu nehmen, gleichgültig, ob dies explizit beschrieben wurde.
Die hierin verwendete Terminologie dient nur zum Zweck der Beschreibung von bestimmten Ausführungsformen und soll die Erfindung keinesfalls einschränken. Die hierin verwendeten Singularformen „ein“, „eine“ und „der/die/das“ sollen auch die Pluralformen mit einschließen, es sei denn, der Kontext gibt eindeutig anderes vor. Es versteht sich des Weiteren, dass die Begriffe „weist auf“ und/oder „aufweisend“ bei Verwendung in dieser Patentschrift das Vorhandensein ausgewiesener Merkmale, Ganzzahlen, Schritte, Vorgänge, Elemente und/oder Komponenten angeben, das Vorhandensein oder die Hinzufügung von einem oder mehreren anderen Merkmalen, Ganzzahlen, Schritten, Vorgängen, Elementen, Komponenten und/oder Gruppen davon aber nicht ausschließen.
Die Beschreibungen der verschiedenen Ausführungsformen der vorliegenden Erfindung wurden zum Zweck der Veranschaulichung erstellt, sie sollen aber keineswegs erschöpfend oder auf die offenbarten Ausführungsformen eingeschränkt sein. Für Fachleute sind viele Modifizierungen und Variationen offenkundig, die nicht von dem Schutzumfang und Erfindungsgedanken der Erfindung abweichen. Die hierin verwendete Terminologie wurde gewählt, um die Grundgedanken der Ausführungsform, die praktische Anwendung oder technische Verbesserung gegenüber auf dem Markt gefundenen Technologien bestmöglich zu erklären oder anderen Fachleuten das Verständnis der hierin offenbarten Ausführungsformen zu ermöglichen.

Claims

Durch einen Computer umgesetztes Verfahren zum Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, wobei das Verfahren aufweist: Bereitstellen eines geschulten GAN-Modells, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten aufweist; Empfangen von multivariaten Zeitreihen-Biometriedaten; Generieren, durch das GAN-Modell, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten; Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten; und Bereitstellen einer dem Resultat zugehörigen Ausgabe.
Durch einen Computer umgesetztes Verfahren nach Anspruch 1, das ferner ein Bereitstellen der aufeinander folgenden multivariaten Zeitreihen-Biometriedaten als die Ausgabe aufweist.
Durch einen Computer umgesetztes Verfahren nach Anspruch 1, wobei sich das Resultat auf eine motorische Skelettmuskulaturaktivität einer Person bezieht, die den multivariaten Zeitreihen-Biometriedaten zugehörig ist.
Verfahren nach Anspruch 1, das aufweist: Schulen des GAN-Modells durch: Bereitstellen eines ersten Vektors, der multivariate Zeitreihendaten aufweist, die einem ersten Zeitraum zugehörig sind, für einen GAN-Generator des GAN-Modells; Generieren, durch Verwenden des GAN-Generators, eines zweiten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind; Bereitstellen des ersten Vektors und des zweiten Vektors für einen GAN-Diskriminator des GAN-Modells; Bestimmen, durch Verwenden des GAN-Diskriminators, eines Unterscheidungsergebnisses, das dem zweiten Vektor zugehörig ist; und Anpassen einer Knotengewichtung des Diskriminators gemäß dem Unterscheidungsergebnis.
Durch einen Computer umgesetztes Verfahren nach Anspruch 4, wobei der zweite Zeitraum anschließend an den ersten Zeitraum auftritt.
Durch einen Computer umgesetztes Verfahren nach Anspruch 4, das ferner ein Anpassen einer Knotengewichtung des GAN-Generators im Anschluss an das Anpassen der Knotengewichtung des Diskriminators aufweist.
Durch einen Computer umgesetztes Verfahren nach Anspruch 4, das ferner ein Bereitstellen der aufeinander folgenden multivariaten Zeitreihen-Biometriedaten als die Ausgabe aufweist.
Durch einen Computer umgesetztes Verfahren nach Anspruch 4, wobei sich das Resultat auf eine motorische Skelettmuskulaturaktivität einer Person bezieht, die den multivariaten Zeitreihen-Biometriedaten zugehörig ist.
Durch einen Computer umgesetztes Verfahren nach Anspruch 4, 5 oder 6, wobei das Unterscheidungsergebnis ein erstes Unterscheidungsergebnis ist, und wobei das Schulen des GAN-Modells ferner aufweist: Bereitstellen eines dritten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind, für den GAN-Generator; Bestimmen, durch Verwenden des GAN-Diskriminators, eines zweiten Unterscheidungsergebnisses, das dem dritten Vektor zugehörig ist; und Anpassen einer Knotengewichtung des Diskriminators gemäß dem zweiten Unterscheidungsergebnis.
Durch einen Computer umgesetztes Verfahren zum Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, wobei das Verfahren aufweist: Schulen eines GAN-Modells durch: Bereitstellen eines ersten Vektors, der multivariate Zeitreihendaten aufweist, die einem ersten Zeitraum zugehörig sind, für einen GAN-Generator des GAN-Modells; Generieren, durch Verwenden des GAN-Generators, eines zweiten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind; Bereitstellen des ersten Vektors und des zweiten Vektors für einen GAN-Diskriminator des GAN-Modells; Bestimmen, durch Verwenden des GAN-Diskriminators, eines Unterscheidungsergebnisses, das dem zweiten Vektor zugehörig ist; und Anpassen einer Knotengewichtung des Diskriminators gemäß dem Unterscheidungsergebnis.
Durch einen Computer umgesetztes Verfahren nach Anspruch 10, wobei der zweite Zeitraum anschließend an den ersten Zeitraum auftritt.
Durch einen Computer umgesetztes Verfahren nach Anspruch 10, das ferner ein Anpassen einer Knotengewichtung des GAN-Generators im Anschluss an das Anpassen der Knotengewichtung des Diskriminators aufweist.
Durch einen Computer umgesetztes Verfahren nach Anspruch 10, wobei das Unterscheidungsergebnis ein erstes Unterscheidungsergebnis ist, und wobei das Schulen des GAN-Modells ferner aufweist: Bereitstellen eines dritten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind, für den GAN-Generator; Bestimmen, durch Verwenden des GAN-Diskriminators, eines zweiten Unterscheidungsergebnisses, das dem dritten Vektor zugehörig ist; und Anpassen einer Knotengewichtung des Diskriminators gemäß dem zweiten Unterscheidungsergebnis.
Durch einen Computer umgesetztes Verfahren nach Anspruch 13, wobei der zweite Zeitraum anschließend an den ersten Zeitraum auftritt.
Durch einen Computer umgesetztes Verfahren nach Anspruch 13, das ferner ein Anpassen einer Knotengewichtung des GAN-Generators im Anschluss an das Anpassen der Knotengewichtung des Diskriminators aufweist.
Computerprogrammprodukt zum Nutzen eines geschulten Generative-Adversarial-Network- (GAN) Modells, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, wobei das Computerprogrammprodukt eine oder mehrere durch einen Computer lesbare Speichereinheiten und Programmanweisungen aufweist, die gemeinsam auf der einen oder den mehreren durch einen Computer lesbaren Speichereinheiten gespeichert sind, wobei die gespeicherten Programmanweisungen aufweisen: Programmanweisungen zum Bereitstellen eines geschulten GAN-Modells, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten aufweist; Programmanweisungen zum Empfangen von multivariaten Zeitreihen-Biometriedaten; Programmanweisungen zum Generieren, durch Verwenden des GAN-Modells, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten; Programmanweisungen zum Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten; und Programmanweisungen zum Bereitstellen einer dem Resultat zugehörigen Ausgabe.
Computerprogrammprodukt nach Anspruch 16, wobei die gespeicherten Programmanweisungen ferner Programmanweisungen zum Schulen des GAN-Modells aufweisen, einschließlich: Programmanweisungen zum Bereitstellen eines ersten Vektors, der multivariate Zeitreihendaten aufweist, die einem ersten Zeitraum zugehörig sind, für einen GAN-Generator des GAN-Modells; Programmanweisungen zum Generieren, durch Verwenden des GAN-Generators, eines zweiten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind; Programmanweisungen zum Bereitstellen des ersten Vektors und des zweiten Vektors für einen GAN-Diskriminator des GAN-Modells; Programmanweisungen zum Bestimmen, durch Verwenden des GAN-Diskriminators, eines Unterscheidungsergebnisses, das dem zweiten Vektor zugehörig ist; und Programmanweisungen zum Anpassen einer Knotengewichtung des Diskriminators gemäß dem Unterscheidungsergebnis.
Computerprogrammprodukt nach Anspruch 17, wobei der zweite Zeitraum anschließend an den ersten Zeitraum auftritt.
Computerprogrammprodukt nach Anspruch 17, wobei die gespeicherten Programmanweisungen ferner aufweisen: Programmanweisungen zum Bereitstellen eines dritten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind, für den GAN-Generator; Programmanweisungen zum Bestimmen eines Unterscheidungsergebnisses, das dem dritten Vektor zugehörig ist, durch Verwenden des GAN-Diskriminators; und Programmanweisungen zum Anpassen einer Knotengewichtung des Diskriminators gemäß dem Unterscheidungsergebnis.
Computerprogrammprodukt nach Anspruch 17, wobei die gespeicherten Programmanweisungen ferner Programmanweisungen zum Anpassen einer Knotengewichtung des GAN-Generators im Anschluss an ein Anpassen der Knotengewichtung des Diskriminators aufweisen.
Computerprogrammprodukt nach Anspruch 16, wobei die gespeicherten Programmanweisungen ferner Programmanweisungen zum Bereitstellen der aufeinander folgenden multivariaten Zeitreihen-Biometriedaten als die Ausgabe aufweisen.
Computerprogrammprodukt nach Anspruch 16, wobei sich das Resultat auf eine motorische Skelettmuskulaturaktivität einer Person bezieht, die den multivariaten Zeitreihen-Biometriedaten zugehörig ist.
Computersystem zum Nutzen eines geschulten Generative-Adversarial-Network-(GAN) Modells, um einen Computer zu veranlassen, multivariate prognostizierte Zeitreihendaten auszugeben, wobei das Computersystem aufweist: einen oder mehrere Computerprozessoren; eine oder mehrere durch einen Computer lesbare Speichereinheiten; und gespeicherte Programmanweisungen auf dem einen oder den mehreren durch einen Computer lesbaren Speichereinheiten zur Ausführung durch den einen oder die mehreren Computerprozessoren, wobei die gespeicherten Programmanweisungen aufweisen: Programmanweisungen zum Bereitstellen eines geschulten GAN-Modells, wobei das GAN-Modell geweitete Faltungsebenen zum Empfangen von multivariaten Zeitreihendaten aufweist; Programmanweisungen zum Empfangen von multivariaten Zeitreihen-Biometriedaten; Programmanweisungen zum Generieren, durch Verwenden des GAN-Modells, von aufeinander folgenden multivariaten Zeitreihen-Biometriedaten gemäß den multivariaten Zeitreihen-Biometriedaten; Programmanweisungen zum Bestimmen eines Resultats gemäß den aufeinander folgenden multivariaten Zeitreihen-Biometriedaten; und Programmanweisungen zum Bereitstellen einer dem Resultat zugehörigen Ausgabe.
Computersystem nach Anspruch 23, wobei die gespeicherten Programmanweisungen ferner Programmanweisungen zum Schulen des GAN-Modells aufweisen, einschließlich: Programmanweisungen zum Bereitstellen eines ersten Vektors, der multivariate Zeitreihendaten aufweist, die einem ersten Zeitraum zugehörig sind, für einen GAN-Generator des GAN-Modells; Programmanweisungen zum Generieren, durch Verwenden des GAN-Generators, eines zweiten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind; Programmanweisungen zum Bereitstellen des ersten Vektors und des zweiten Vektors für einen GAN-Diskriminator des GAN-Modells; Programmanweisungen zum Bestimmen, durch Verwenden des GAN-Diskriminators, eines Unterscheidungsergebnisses, das dem zweiten Vektor zugehörig ist; und Programmanweisungen zum Anpassen einer Knotengewichtung des Diskriminators gemäß dem Unterscheidungsergebnis.
Computersystem nach Anspruch 24, wobei der zweite Zeitraum anschließend an den ersten Zeitraum auftritt.
Computersystem nach Anspruch 24, wobei die gespeicherten Programmanweisungen ferner aufweisen: Programmanweisungen zum Bereitstellen eines dritten Vektors, der multivariate Zeitreihendaten aufweist, die einem zweiten Zeitraum zugehörig sind, für den GAN-Generator; Programmanweisungen zum Bestimmen, durch Verwenden des GAN-Diskriminators, eines Unterscheidungsergebnisses, das dem dritten Vektor zugehörig ist; und Programmanweisungen zum Anpassen einer Knotengewichtung des Diskriminators gemäß dem Unterscheidungsergebnis.
Computersystem nach Anspruch 24, wobei die gespeicherten Programmanweisungen ferner Programmanweisungen zum Anpassen einer Knotengewichtung des GAN-Generators im Anschluss an ein Anpassen der Knotengewichtung des Diskriminators aufweisen.
Computersystem nach Anspruch 23, das wobei die gespeicherten Programmanweisungen ferner Programmanweisungen zum Bereitstellen der aufeinander folgenden multivariaten Zeitreihen-Biometriedaten als die Ausgabe aufweisen.
Computersystem nach Anspruch 23, wobei sich das Resultat auf eine motorische Skelettmuskulaturaktivität einer Person bezieht, die den multivariaten Zeitreihen-Biometriedaten zugehörig ist.
Computerprogramm, das Programmcodemittel aufweist, die angepasst sind, um das Verfahren nach einem der Ansprüche 1 bis 15 durchzuführen, wenn das Programm auf einem Computer ausgeführt wird.