[发明专利]一种时序数据相似度度量方法及度量系统

权利要求书

1.一种时序数据相似度度量方法，其特征在于，包括以下步骤：

步骤1，采集预设数量的样本时序数据，考虑每个样本时序数据中各个事件的相对关系以及各个事件与发生时间的相对关系，将高维空间的数据映射到低维空间，构建出每个样本时序数据的表示；

步骤2，将步骤1获得的所有样本时序数据的表示输入预先设定的卷积神经网络模型，对每个样本时序数据的表示进行特征提取，获得各样本时序数据的特征向量；

步骤3，根据步骤2获得的各样本时序数据的特征向量，基于相似度矩阵计算获得各样本时序数据间的相似度；

步骤4，通过步骤2获得的各样本时序数据的特征向量以及步骤3获得的各样本时序数据间的相似度训练预先设定的卷积神经网络模型，训练至预设收敛条件，获得训练好的相似度度量模型；

步骤5，通过步骤1的方法构建出待度量时序数据的表示，并将其输入步骤4获得的训练好的相似度度量模型中，获得待度量时序数据的相似度度量结果。

2.根据权利要求1所述的一种时序数据相似度度量方法，其特征在于，步骤1具体包括：

步骤1.1，将每条样本时序数据矩阵转换为一个事件序列，按照事件的相对时间排列事件，发生在同一时间的事件不计顺序；

步骤1.2，利用word2vec将每个事件映射成定长的向量，获得事件序列中各个事件包含相对关系信息的向量表示；

步骤1.3，利用word2vec将事件序列中每个事件发生的时间映射成与事件向量等维的向量，获得事件发生时间的向量表示；

步骤1.4，将时序数据中各个事件发生时间的向量表示通过向量加法嵌入到相对应的事件表示中，获得样本时序数据的表示。

3.根据权利要求1所述的一种时序数据相似度度量方法，其特征在于，步骤2中，通过卷积神经网络提取各个样本时序数据的等长的特征向量；

所用的卷积神经网络结构包括：

卷积层，用于接收输入数据，并输出特征图；

采样层，用于接收卷积层输出的特征图，并输出时序数据的定长特征向量。

4.根据权利要求3所述的一种时序数据相似度度量方法，其特征在于，所用的卷积神经网络结构中：

卷积层的卷积为单向；

卷积层中，采取最大采样，将每个特征图的特征采样成一个单一数值，最终获得时序数据的定长向量表示。

5.根据权利要求1所述的一种时序数据相似度度量方法，其特征在于，步骤3中采用的相似度矩阵为对称结构。

6.根据权利要求1所述的一种时序数据相似度度量方法，其特征在于，步骤4具体包括：

步骤4.1，将特征向量与计算获得的相似度融合，拼接成一个向量；

步骤4.2，将步骤4.1中获得的向量映射成一个两维向量；第一维表示两条时序数据相似度为1的大小，第二维表示两条时序数据相似度为0的大小；

步骤4.3，通过Softmax计算获得两条时序数据的相似度；

步骤4.4，构建损失函数，并训练预设的卷积神经网络，获得训练好的相似度度量模型。

7.根据权利要求6所述的一种时序数据相似度度量方法，其特征在于，步骤4.4中，首先构建目标函数，根据目标函数计算每一次迭代的损失，目标函数对每个参数求偏导，参数向其导数负方向更新损失，从而不断优化参数；

损失函数形式化表示为：

L(S₁,S₂,y)＝(y-M(S₁,S₂))²；

式中，S₁、S₂表示输入的数据对。

8.根据权利要求1所述的一种时序数据相似度度量方法，其特征在于，步骤3中相似度的计算方法为：随机初始化一个矩阵M，用得到的两个时序数据的特征向量X_a，X_b和M计算获得的二者的相似度S。