[发明专利]基于生成对抗网络的多维电气量连续时间序列生成方法

说明书

本发明公开了一种基于生成对抗网络的多维电气量连续时间序列生成方法，具体为：建立真实多维电气量连续时间序列数据集；构建生成对抗网络，生成对抗网络包括生成网络G和判别网络D；使用生成网络G首次生成虚假的多维电气连续时间序列数据；采用判别网络D对首次生成的虚假数据和真实多维电气连续时间序列数据进行判别，在判别过程中对生成的虚假数据进行约束处理；将真实的多维电气连续时间序列数据和经过约束处理后的生成数据视为不同类样本，得到判别网络D的训练参数，然后对生成网络模型G进行训练，得到更新的生成网络G；使用更新的生成网络模型G，生成更新的虚假数据。本发明解决了现有技术中存在的样本质量差和收敛速度慢的问题。

技术领域

本发明属于电气数据测量方法技术领域，涉及一种基于生成对抗网络的多维电气量连续时间序列生成方法。

背景技术

生成对抗网络的概念于2014年被首次提出，该方法框架主要由一个生成网络(生成器)和一个判别网络(判别器)构成，其目标主要是通过判别网络来辅助训练一个能够准确学习原始数据分布特性的生成网络。各种类型的生成对抗模型的变体也逐渐被提出，主要用于图像数据生成领域，同时也逐渐应用到文本生成、语音生成等领域。但是，目前生成对抗网络架构还未被应用到多维电气量连续时间序列生成领域。

卷积神经网络(convolutional neural network，CNN)通过稀疏连接和权值共享等方法有效地减少网络参数，并在一定程度上降低过拟合的可能性。通常，卷积神经网络既可以处理一维时间序列，也可以处理二维图像数据。循环神经网络(recurrent neuralnetwork，RNN)是专门用于处理序列化数据的神经网络模型，在其基础上发展的长短期记忆(long short term memory，LSTM)网络是一种能够有效处理长期依赖问题的特殊RNN模型，适合用于处理和预测时间序列数据，在机器翻译、图像分析等众多领域都有广泛应用。长短期记忆网络(LSTM)与循环神经网络(RNN)最大的不同是添加了判断信息是否有用的单元，每个单元中含有三个门限，分别为输入门、遗忘门和输出门。

现有技术生成多维电气量连续时间序列数据通常采用变分近似法和马尔科夫链蒙特卡洛法(Markov Chain Monte Carlo，MCMC)。

变分近似的目的是找到一个最大化的值，确保能够获得与真实数据尽可能一样的似然值。但由于寻找的是一个近似表达，当近似后验分布太弱或者先验分布太弱，即使有优化算法和充足的训练样本，这个最大化的值和真实的似然之间的间隔会导致模型学到与真实数据不同的信息。因此，它产生的样本质量较差，且算法不易优化。

马尔科夫链在所采样的有用样本被快速重复采样且这些样本方差不大的情形下，这种基于采样的近似模型能够表现出很好的性能。基于MCMC的方法可以保证样本最终会收敛到一个来自模型的样本。但是这种收敛的速度慢，比较耗时；而且判断马尔科夫链是否达到平衡是不易的，所以无法知道要运行多少步才能达到均衡分布。

发明内容

本发明的目的是提供一种基于生成对抗网络的多维电气量连续时间序列生成方法，解决了现有技术中存在的样本质量差和收敛速度慢的问题。

本发明所采用的技术方案是，基于生成对抗网络的多维电气量连续时间序列生成方法，具体按照如下步骤实施：

步骤1，首先获取实测的多维电气量连续时间序列数据，建立真实多维电气量连续时间序列数据集；

步骤2，构建生成对抗网络，生成对抗网络包括生成网络G和判别网络D；

步骤3，使用生成网络G首次生成虚假的多维电气连续时间序列数据；

步骤4，采用判别网络D对步骤3首次生成的虚假数据和步骤1的真实多维电气连续时间序列数据进行判别，在判别过程中对生成的虚假数据进行约束处理，生成经约束处理之后的生成数据；