[发明专利]用于使用惯性自动编码器来学习和预测时间序列数据的系统和方法

说明书

一种方法包括使用计算网络（100）来学习和预测时间序列数据。计算网络被配置成接收时间序列数据并执行对时间序列数据的变换‑不变编码。计算网络包括一个或多个编码层（102、104、106）。该方法还包括通过变换的惯性调整来反馈对时间序列数据的未来预测。惯性调整维持计算网络中的不变量。计算网络可以进一步包括一个或多个池化层（108、110、112），每个池化层被配置成降低数据的维度，其中所述一个或多个池化层提供该编码的变换不变性。

技术领域

本公开一般地涉及机器学习和数据预测。更具体地，本公开涉及用于使用惯性（inertial）自动编码器来学习和预测时间序列数据的系统和方法。

背景技术

“机器学习”一般指的是被设计成从数据中学习并对数据执行预测分析的计算技术。神经网络是基于生物网络（诸如人脑）的机器学习技术的一个示例类型。在神经网络中，使用人工神经元执行数据处理，所述人工神经元被耦合在一起并通过各种通信链路交换经处理的数据。可以通过更改与通信链路相关联的权重以使得一些数据被视为比其他数据更重要来实现神经网络的“学习”方面。

“时间序列预测”指的是使用时间序列数据、通过机器学习算法所做出的预测，所述时间序列数据诸如是随着时间的过去经由一个或多个感官（sensory）输入所收集的数据值。时间序列预测是智能的重要组分。例如，智能实体预测输入的时间序列的能力可以允许智能实体创建世界（或其一些较小部分）的模型。

发明内容

本公开提供了用于使用惯性自动编码器来学习和预测时间序列数据的系统和方法。

在第一实施例中，一种方法包括使用计算网络来学习和预测时间序列数据。计算网络被配置成接收时间序列数据并执行对时间序列数据的变换-不变编码（transformation-invariant encoding）。计算网络包括一个或多个编码层。该方法还包括通过变换（transformation）的惯性调整来反馈对时间序列数据的未来预测。惯性调整维持计算网络中的不变量（invariant）。

在第二实施例中，一种装置包括至少一个处理设备和存储指令的至少一个存储器。所述指令在被所述至少一个处理设备执行时使得所述至少一个处理设备使用计算网络来学习和预测时间序列数据。计算网络被配置成接收时间序列数据并执行对时间序列数据的变换-不变编码。计算网络包括一个或多个编码层。所述指令在被所述至少一个处理设备执行时还使得所述至少一个处理设备通过变换的惯性调整来反馈对时间序列数据的未来预测。惯性调整维持计算网络中的不变量。

在第三实施例中，一种非暂时性计算机可读介质包含指令，所述指令在被至少一个处理设备执行时使得所述至少一个处理设备使用计算网络来学习和预测时间序列数据。计算网络被配置成接收时间序列数据并执行对时间序列数据的变换-不变编码。计算网络包括一个或多个编码层。该介质还包含在被所述至少一个处理设备执行时使得所述至少一个处理设备通过变换的惯性调整来反馈对时间序列数据的未来预测的指令。惯性调整维持计算网络中的不变量。

从以下各图、说明书和权利要求书，其他技术特征对本领域技术人员而言可能是容易地显而易见的。

附图说明

为了更彻底地理解本公开及其特征，现在参考结合附图采取的以下描述，在附图中：

图1图示了根据本公开的实现用于学习和预测时间序列数据的惯性自动编码器的示例架构；

图2图示了根据本公开的用于在学习和预测时间序列数据时使用的惯性自动编码器的示例功能性；

图3图示了根据本公开的使用已经学会预测时间序列数据的惯性自动编码器的示例预测；

图4图示了根据本公开的用于学习和预测时间序列数据的示例系统；以及

图5图示了根据本公开的用于学习和预测时间序列数据的示例方法。