本申请涉及时间序列分析,例如涉及一种用于分析时间序列数据的方法及装置、电子设备。
背景技术:
1、通过对时间序列数据进行分析,可以预测未来一段时间内的情况。例如,金融市场预测、气象趋势预测和能源消耗预测等。目前,通常通过transformer模型对时间序列数据进行分析,但transformer模型具有一定的局限性,得出的预测输出准确性较低。
2、相关技术中,为了提高分析时间序列数据得出的预测输出的准确性,将独立通道(independent channel,ic)方法应用在了transformer模型中,这种方法可以对时间序列数据中的各个通道(如温度、湿度和风速等)进行独立处理,可以通过转置数据,将输入的时间序列数据的维度进行反转,从而使得transformer模型的注意力机制从关注原始变量的维度转向关注序列的维度,这有助于transformer模型有效地学习时间序列数据的局部特征,提高预测输出的准确性。
3、然而,相关技术的方案分析多变量时间序列数据时,可能会忽略不同时间尺度上的关键特征,从而影响transformer模型的预测性能。因此,相关技术的方案在分析多变量时间序列数据时,得出的预测输出的准确性仍然较低。所以,如何提高分析多变量时间序列数据得出的预测输出的准确性,成为了亟需解决的技术问题。
技术实现思路
1、为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
2、本公开实施例提供了一种用于分析时间序列数据的方法及装置、电子设备,可以提高分析多变量时间序列数据得出的预测输出的准确性。
3、在一些实施例中,用于分析时间序列数据的方法,包括:采用可学习掩码矩阵,调整初始时间序列数据每个通道中各点的贡献值,获得第一时间序列数据;其中,初始时间序列数据为局部实例归一化处理后的多变量时间序列数据;采用最大池化层提取第一时间序列数据中不同时间尺度的关键特征,并将关键特征与第一时间序列数据进行拼接,获得第二时间序列数据;投影处理第二时间序列数据获得投影结果,并采用跨尺度注意力计算机制处理投影结果,获得针对初始时间序列数据的初始预测输出;对初始预测输出进行逆归一化处理,获得目标预测输出。
4、可选地,采用可学习掩码矩阵,调整初始时间序列数据每个通道中各点的贡献值,获得第一时间序列数据,包括:将初始时间序列数据翻转处理为第三时间序列数据;将第三时间序列数据与可学习掩码矩阵进行元素级乘法计算,获得第一时间序列数据。
5、可选地,采用最大池化层提取第一时间序列数据中不同时间尺度的关键特征,包括:对第一时间序列数据执行i叉树分区操作,获得i个分支;其中,为正整数的集合;通过最大池化层生成每个叉树分区的全部分支相对极值的集合,作为第一时间序列数据中不同时间尺度的关键特征。
6、可选地,按照如下公式,通过最大池化层生成每个叉树分区的全部分支相对极值的集合:
7、fi=adaptivemaxpoolingi(y,s(i));
8、其中,fi为第i个叉树分区的全部分支相对极值的集合,y为第一时间序列数据,s(i)=i×i,为正整数的集合。
9、可选地,按照如下公式,将关键特征与第一时间序列数据进行拼接,获得第二时间序列数据:
10、y′=concat(f1,f2,…,fi,y);
11、其中,y′为第二时间序列数据,fi为关键特征,y为第一时间序列数据。
12、可选地,投影结果包括第一投影结果和第二投影结果,投影处理第二时间序列数据获得投影结果,包括:计算第二时间序列数据与第一设定投影矩阵的乘积作为第四时间序列数据;计算第四时间序列数据与第二设定投影矩阵的乘积作为第一投影结果;计算第一时间序列数据与第二设定投影矩阵的乘积作为第二投影结果。
13、可选地,采用跨尺度注意力计算机制处理投影结果,获得针对初始时间序列数据的初始预测输出,包括:将第一投影结果赋值给跨尺度注意力计算机制中的查询项和值项,将第二投影结果赋值给跨尺度注意力计算机制中的键值,执行注意力计算获得针对初始时间序列数据的预测结果;将预测结果通过gelu激活函数在线性投影层上进行投影,获得初始预测输出。
14、可选地,按照如下公式,执行注意力计算获得针对初始时间序列数据的预测结果:
15、
16、其中,z为预测结果,q为查询项,k为键值,v值项,dk为k的维度。
17、在一些实施例中,用于分析时间序列数据的装置,包括:调整模块,被配置为采用可学习掩码矩阵,调整初始时间序列数据每个通道中各点的贡献值,获得第一时间序列数据;其中,初始时间序列数据为归一化处理后的多变量时间序列数据;特征提取模块,被配置为采用最大池化层提取第一时间序列数据中不同时间尺度的关键特征,并将关键特征与第一时间序列数据进行拼接,获得第二时间序列数据;跨尺度注意力计算模块,被配置为投影处理第二时间序列数据获得投影结果,并采用跨尺度注意力计算机制处理投影结果,获得针对初始时间序列数据的初始预测输出;数据处理模块,被配置对初始预测输出进行逆归一化处理,获得目标预测输出。
18、在一些实施例中,用于分析时间序列数据的装置,包括处理器和存储有程序指令的存储器,所述处理器被配置为能够执行如上述的用于分析时间序列数据的方法。
19、在一些实施例中,电子设备,包括:设备本体;如上述的用于分析时间序列数据的装置,安装于设备本体。
20、本公开实施例提供的用于分析时间序列数据的方法及装置、电子设备,可以实现以下技术效果:
21、本公开实施例中,初始时间序列数据为局部实例归一化处理后的多变量时间序列数据。具体地,通过采用可学习掩码矩阵,调整初始时间序列数据每个通道中各点的贡献值,可以抑制每个通道中噪声和异常值。通过采用最大池化层提取第一时间序列数据中不同时间尺度的关键特征,并将关键特征与第一时间序列数据进行拼接,可以同时捕捉不同时间尺度上每个通道内的短期波动和长期趋势。通过采用跨尺度注意力计算机制处理投影处理第二时间序列数据获得的投影结果,可以基于跨尺度的关键特征来改进和增强时间序列数据的表现能力,便于理解和利用时间序列数据中的关键信息。因此,本公开实施例可以提高分析多变量时间序列数据得出的预测输出的准确性。
22、以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
1.一种用于分析时间序列数据的方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,采用可学习掩码矩阵,调整初始时间序列数据每个通道中各点的贡献值,获得第一时间序列数据,包括:
3.根据权利要求1所述的方法,其特征在于,采用最大池化层提取第一时间序列数据中不同时间尺度的关键特征,包括:
4.根据权利要求3所述的方法,其特征在于,按照如下公式,通过最大池化层生成每个叉树分区的全部分支相对极值的集合:
5.根据权利要求1至4中任一项所述的方法,其特征在于,按照如下公式,将关键特征与第一时间序列数据进行拼接,获得第二时间序列数据:
6.根据权利要求1至4中任一项所述的方法,其特征在于,投影结果包括第一投影结果和第二投影结果,投影处理第二时间序列数据获得投影结果,包括:
7.根据权利要求6所述的方法,其特征在于,采用跨尺度注意力计算机制处理投影结果,获得针对初始时间序列数据的初始预测输出,包括:
8.根据权利要求7所述的方法,其特征在于,按照如下公式,执行注意力计算获得针对初始时间序列数据的预测结果:
9.一种用于分析时间序列数据的装置,其特征在于,包括:
10.一种用于分析时间序列数据的装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为能够执行如权利要求1至8中任一项所述的用于分析时间序列数据的方法。
11.一种电子设备,其特征在于,包括: