[发明专利]一种时间序列分类方法、装置及计算机设备

说明书

本发明公开了一种时间序列分类方法、装置及计算机设备。该方法包括：获取时间序列，得到所述时间序列的带有位置信息的输入向量矩阵S；将S输入到训练好的线性Transformer模型中，得到所述时间序列的特征向量矩阵F，其中，所述线性Transformer模型将Transformer模型中的非线性计算转化为线性计算；将F经过多层感知机分类器，进行归一化，得到所述时间序列的分类结果。该方法减小了模型的计算量，降低了时间复杂度产生更具可解释性的模型，实现了并行计算。

技术领域

本发明实施例涉及面向时序数据领域，尤其涉及一种时间序列分类方法、装置及计算机设备。

背景技术

时间序列是将某种现象或统计指标在不同时间节点上的各个数值，按照时间顺序排列形成的有序序列。时间序列分类作为序列分类问题的分支，在时间序列挖掘领域引起了广泛关注。该问题广泛存在与现实生活中的诸多领域，如气象天气情况预测、股票数据的分类预测、心电图或脑电图分类、根据用电量区分不同的家用电器等。

在时间序列的分类问题上，传统方法采用动态时间规划（Dynamic Time Warping，DTW）和K最近邻（K-NearestNeighbor，KNN）的结合，用DTW来获得一种度量结果，然后通过KNN进行聚类，操作简单，但需要手工设计建模。随着深度神经网络的兴起，深度神经网络不仅在人类认知任务（如语言和图像理解）中发挥着重要作用，在预测复杂的时间序列数据方面也体现出高效的性能。特殊类型的循环神经网络（Recurrent Neural Network，RNN），长短期记忆网络（Long Short-Term Memory，LSTM）和门循环单元（Gated Recurrent Unit，GRU）网络等已经成为各种序列数据分类的最新技术，例如基于LSTM的RNN网络已成为预测不同地理区域的未来降雨强度、商品消费或识别临床时间序列中的模式。深度神经网络的优点在于允许端到端的训练，这种训练直接作用与原始数据，而不是手工制作特征。这些方法虽然在性能上得到了提升，但与此同时增加了模型的复杂度，计算参数量的增加，也增加在时间和空间上的复杂度。

发明内容

本发明提供一种时间序列分类方法、装置及计算机设备，以解决现有技术中存在的上述问题。

第一方面，本发明实施例提供了一种时间序列分类方法。该方法包括：

S10：获取时间序列，其中，所述时间序列中包括n个时序数据{χ₁,χ₂,...χ_n}， n为整数，n≥1；基于所述n个时序数据和所述n个时序数据在所述时间序列中的位置信息，获取每个时序数据χ_i的带有位置信息的输入向量s_i，其中，i为整数，1≤i≤n，s_i的维度为d，d为整数，d1；从而得到所述时间序列的带有位置信息的输入向量矩阵S={s₁,s₂,...s_n}，其中，s_i为S的第i列向量；

S20：将S输入到训练好的线性Transformer模型中，得到所述时间序列的特征向量矩阵F={f₁,f₂,...f_n}，其中，χ_i与f_i一一对应，f_i为包含了χ_i的位置信息的特征向量，f_i的维度为d，所述线性Transformer模型将Transformer模型中的非线性计算转化为线性计算；

S30：将所述特征向量矩阵F经过多层感知机分类器，并将所述多层感知分类器的输出进行归一化，得到所述时间序列的分类结果。

在一实施例中，所述线性Transformer模型包括顺序连接的N个编码器层，其中，N为整数，N≥1；每个编码器层包括顺序连接的多头自注意力机制、第一残差连接和层标准化、前馈神经网络、以及第二残差连接和层标准化；所述多头自注意力机制包括h个并行的线性自注意力机制，其中，h为整数，h≥1；