[发明专利]一种时间序列概念漂移检测方法、系统、介质及设备

说明书

本公开提供了一种时间序列概念漂移检测方法、系统、介质及设备，对获取的原始时间序列信号，采用基于极值对称延拓的经验模态分解方法进行分解，得到包含原始信号不同时间尺度特征信息的固有模态分量；通过模糊熵对得到的固有模态分量进行粗粒化处理，得到利用模糊熵转换后的固有模态分量；采用基于广义似然比检验的非参数统计过程控制模型监测模糊熵转换后的固有模态分量，计算广义似然比检验的最大自由度，将所述最大自由度与预设控制阈值进行比较来确定是否有均值、方差或者两者的漂移出现；从不同频率的时域特征角度实现了对概念漂移的检测。

技术领域

本公开涉及时间序列概念漂移检测技术领域，特别涉及一种时间序列概念漂移检测方法、系统、介质及设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

时间序列的研究在实际生活中具有很强的理论意义和应用价值，由于它的实际重要性，对于时间序列的研究广泛存在于金融、工程、医学等领域。从时间序列中进行学习时，可能会由于一些外界的干涉，目标概念会随着时间的推移而发生改变，如一个癫痫病患者在发病前与发病时的心电图数据的模式就不相同，所以就会导致对于之前时间序列的模式与当前的模式出现差异，进而基于之前数据学习得到的算法或者模型就无法适应当前的状况，所以对于概念漂移的检测是极为重要的。因此，概念漂移日渐成为机器学习中一个备受关注的领域。

正是由于概念漂移检测的重要性，近年来对于概念漂移检测的研究有很多实际应用和理论成果。概念漂移检测方法可以分为两种，一类是显式检测方法 (explicitdetection methods)或者叫监督式检测方法，另一类是隐式检测方法 (Implicitdetection methods)或者叫非监督式检测方法。从概率的角度来看，显示检测方法将概念漂移看作是样本数据X和它对应的标签Y的联合概率分布 P(X，Y)的变化，而隐式检测方法则是跟踪样本数据概率分布P(X)的变化。从另一个角度来看，对于显示检测方法来说，这类方法通常需要基学习器用于处理分类问题，通过监测基学习器分类的性能指标(如分类错误率)是否达到某个阈值来间接检测漂移是否发生。这类方法在应对概念漂移时，它们通常是丢弃之前的基学习器，然后用一个新的基学习器取而代之，或者对于一些集成学习的方法，则会根据每个基学习器的性能指标的表现来决定是否增加新的基学习器，或者调整它们对应的权重。隐式的检测方法不需要数据的标注，这类方法通过对数据的特征进行提取和转换，从新的角度进行监测数据特征的变化从而达到概念漂移检测的目的。这类方法通常会监测数据的统计学特性的变化，数据分布变化，或者以某种度量指标来检测数据的变化。

本公开发明人在研究中发现，虽然概念漂移得到了很多关注，但是多数研究都是基于分类问题的，只有少部分专门研究时间序列的概念漂移，主要原因如下：(1)多数概念漂移检测的算法都是基于检测分类器的性能指标，而时间序列数据在真实的环境中很难去进行标注，所以ground truth(训练集对监督学习技术的分类的准确性)也是一个无法避免的问题；(2)时间序列数据具有时间上的依赖性，而很多概念漂移检测方法都需要对数据的分布提出假设，或者是要求数据是独立同分布的，所以由于时间序列数据的特殊性，就无法直接应用其他现有模型；(3)真实环境中，时间序列中由于存在噪声或者异常的影响，得到的数据也很难直接用来学习。

发明内容

为了解决现有技术的不足，本公开提供了一种时间序列概念漂移检测方法、系统、介质及设备，从不同频率的时域特征角度实现了对概念漂移的检测。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种时间序列概念漂移检测方法。

一种时间序列概念漂移检测方法，步骤如下：

对获取的原始时间序列信号，采用基于极值对称延拓的经验模态分解方法 (EMD)对原始时间序列信号进行分解，得到包含原始信号不同时间尺度特征信息的固有模态分量(IMF)；