[发明专利]用于对时空序列数据进行分类/预测的设备和方法

说明书

提供了一种用于对时空序列数据进行分类/预测的设备，包括：接收单元，被配置为接收时空序列数据；建模单元，被配置为基于时空序列数据产生与地理上的异构性有关的权重参数，并基于所产生的权重参数构建用于分类/预测的模型；以及分类/预测单元，被配置为采用所构建的用于分类/预测的模型对时空序列数据进行分类/预测。还提供了一种用于对时空序列数据进行分类/预测的方法。本发明提出的地理加权极限学习机考虑到地理空间的异构性，能够提高对时空序列数据进行分类或预测的精度。

技术领域

本申请涉及数据分析领域，具体涉及一种用于对时空序列数据进行分类/预测的设备和方法。

背景技术

环境、气象、交通、经济等多个领域积累了海量的时空序列数据。时空序列通常描述某一变量在不同空间位置上随时间的变化。例如，北京市35个空气监测站点某天24小时的PM2.5浓度值。时空序列建模旨在描述时空变量间的相关关系，进而通过这种关系对时空序列的某些值进行分类或者对未来值进行预测。

极限学习机(Extreme learning machines，ELM)是一种新型神经网络算法，最早由HuangGuangbin于2004年提出。与传统神经网络相比，ELM的训练速度快，需要人工干扰较少。参考文献1(“Huang G B，Zhu Q Y，Siew C K.Extreme learning machine：A newlearning scheme of feedforward neural networks[J].Proc.int.jointConf.neuralNetw，2006，2：985--990.”)中描述了ELM算法的基本流程。

然而，现有的极限学习机虽然可以对时空序列建模，但是不能反映出数据集中的时空特性，没有考虑地理上的异构性，因此分类或预测的精度不够好。

发明内容

本发明提出了一种利用地理加权极限学习机(Geographically WeightedExtreme Leaning Machine，GWELM)的技术方案，在建模过程中考虑地理上的异构性，将地理位置转化为局部加权系数，从而能够更好地应用于时空序列数据。

根据本发明的一个方面，提供了一种用于对时空序列数据进行分类/预测的设备，包括：接收单元，被配置为接收时空序列数据；建模单元，被配置为基于时空序列数据产生与地理上的异构性有关的权重参数，并基于所产生的权重参数构建用于分类/预测的模型；以及分类/预测单元，被配置为采用所构建的用于分类/预测的模型对时空序列数据进行分类/预测。

在一个实施例中，所述建模单元包括：空间距离矩阵构建子单元，被配置为基于时空序列数据构建空间距离矩阵；空间权重矩阵构建子单元，被配置为针对每个空间位置分别选择至少两个不同的权重参数，以构建相应的空间权重矩阵；模型输出权值计算子单元，被配置为基于相应的空间权重矩阵来计算相应的模型输出权值；以及选择子单元，被配置为选择与产生最小代价值的权重参数相对应的输出权值，作为最终的模型输出权值。

在一个实施例中，所述空间距离矩阵是高斯空间距离矩阵，所述空间权重矩阵是高斯空间权重矩阵。

在一个实施例中，所述至少两个不同的权重参数是从最小空间距离至最大空间距离的范围中选择的。优选地，所述至少两个不同的权重参数可以从最小空间距离至最大空间距离的范围中线性选择。备选地，所述至少两个不同的权重参数可以从最小空间距离至最大空间距离的范围中随机选择。

根据本发明的另一个方面，提供了一种用于对时空序列数据进行分类/预测的方法，包括：接收时空序列数据；基于时空序列数据产生与地理上的异构性有关的权重参数；基于所产生的权重参数构建用于分类/预测的模型；以及采用所构建的用于分类/预测的模型对时空序列数据进行分类/预测。