[发明专利]一种基于语义选择的多变量时间序列分类方法

摘要

本发明公开了一种基于语义选择的多变量时间序列分类方法，时间序列分类作为机器学习热门的一个研究分支拥有广泛的应用前景，例如计算机视觉、金融分析、生物统计学等等。本发明提出的稀疏自适应语义学习网络SA‑SLN采用稀疏卷积核同时提取多变量时间序列空间上的语义概念和时间上的短时依赖关系，并提出一种注意力转移方法用于选择语义概念，最后通过LSTMs对序列的长时间依赖关系进行建模。该稀疏自适应语义学习网络SA‑SLN基于帧内属性具有相关性的事实，实现了自动提取空间特征和时序依赖多步建模，解决了目前方法所存在的缺陷并在三个公开的数据集上达到了目前最好的结果。

主权项

1.一种基于语义选择的多变量时间序列分类方法，其特征在于，所述的多变量时间序列分类方法包括下列步骤：S1、收集时间序列数据集；S2、对数据进行预处理操作，然后按照数据集定义的验证方法划分训练集，验证集和测试集；S3、将一个样本的数据组织成矩阵形式，用稀疏的卷积核来提取语义特征；S4、对卷积后的特征图谱在时间维度上进行局部最大池化，获取时间段特征；S5、将步骤S4产生的特征按照时间段顺序输入LSTMs，每一时刻的隐含层状态输入维度等于滤波器个数的Softmax层，并产生下一时刻选择语义概念的注意力权重；S6、取LSTMs最后时刻的隐含层状态输入维度等于类别个数的Softmax层进行概率归一化；S7、修改交叉熵损失函数，加入卷积核稀疏项约束，最小化损失函数更新参数并自动学习语义概念；S8、使用步骤S2中划分的验证集测试训练后的模型，选取在验证集上表现最好的超参数对步骤S2中划分的测试集进行测试，获得最终准确率。