[发明专利]分类方法、装置、计算设备和介质

说明书

本发明公开了一种分类方法、装置、计算设备和介质。该方法，包括：获取待分类时间序列；对待分类时间序列进行图结构化处理，得到第一图结构数据；将第一图结构数据输入训练后的图神经网络模型，得到待分类时间序列对应的表征向量；将待分类时间序列对应的表征向量输入训练后的分类器中，得到待分类时间序列的分类结果。根据本发明实施例，可以提高对时间序列分类的准确性。

技术领域

本发明涉及数据处理领域，尤其涉及一种分类方法、装置、计算设备和介质。

背景技术

时间序列数据是指在时间上顺序排序的数据序列，其经常出现在各种领域，包括物联网、医疗和健康、系统监控以及工业自动化应用。由于其广泛的应用场景和丰富性，从时间序列数据库中提取有用的信息，进行有效的知识发现，这类需求越来越多。时间序列挖掘的主要任务之一是时间序列分类任务。

由于时间序列数据的顺序特征，通用数据上表现良好的分类算法(例如：支持向量机分类算法和随机森林分类算法等)通常不适用于时间序列分类任务。因此，急需提供一种对时间序列进行精确分类的方法。

发明内容

本发明实施例提供一种分类方法、装置、计算设备和介质，能够解决相关技术领域中对时间序列的分类准确度低下的问题。

根据本发明实施例的第一方面，提供一种分类方法，包括：

获取待分类时间序列；

对待分类时间序列进行图结构化处理，得到第一图结构数据；

将第一图结构数据输入训练后的图神经网络模型，得到待分类时间序列对应的表征向量；

将待分类时间序列对应的表征向量输入训练后的分类器中，得到待分类时间序列的分类结果。

根据本发明实施例的第二方面，提供一种分类装置，包括：

时间序列获取模块，用于获取待分类时间序列；

第一图结构数据确定模块，用于对待分类时间序列进行图结构化处理，得到第一图结构数据；

表征向量确定模块，用于将第一图结构数据输入训练后的图神经网络模型，得到待分类时间序列对应的表征向量；

分类结果确定模块，用于将待分类时间序列对应的表征向量输入训练后的分类器中，得到待分类时间序列的分类结果。

根据本发明实施例的第三方面，提供了一种计算设备，包括：处理器以及存储有计算机程序指令的存储器；

处理器执行计算机程序指令时实现如上述第一方面提供的分类方法。

根据本发明实施例的第四方面，提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如上述第一方面提供的分类方法。

根据本发明实施例，图结构数据包括与该图结构数据对应的图结构中节点的节点特征和图结构中边的边特征。从节点的节点特征以及与该节点关联的边的边特征，可以体现出时间序列数据的局部特征以及时间序列中不同数据之间的依赖关系。从图结构数据的整体分布特性可以体现出时间序列数据的全局特性。因此，对待分类时间序列进行图结构化处理，得到的第一图结构数据，既体现了该时间序列数据的全局特性，又考虑了该时间序列的局部特性。因此，第一图结构数据中包含了待分类时间序列的丰富的特征信息。将包含了待分类时间序列的丰富的特征信息第一图结构数据输入训练后的图神经网络模型后得到的待分类时间序列对应的表征向量，可以体现待分类时间序列的丰富特征信息，因此对该表征向量进行分类，可以提高对该待分类时间序列分类的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。