[发明专利]使用神经网络的时间序列数据依赖的动态发现

说明书

提供了用于确定多变量时间序列数据中的时间依赖性和时间序列间依赖性的技术。例如，本文所述的实施例可包括系统，该系统可包括可存储计算机可执行组件的存储器。该系统还可以包括处理器，该处理器可以执行存储在存储器中的计算机可执行组件。计算机可执行组件可包括：计算组件，该计算组件利用时间序列数据对递归神经网络(RNN)进行编码并且基于时间上下文向量来确定经解码的RNN，以确定时间序列数据中的时间依赖性；组合组件，组合解码的RNN并确定时间序列间依赖上下文向量和RNN依赖解码器；以及分析组件，所述分析组件基于所述时间序列间依赖性上下文向量和所述RNN依赖性解码器来确定所述时间序列数据中的时间序列间依赖性以及所述时间序列数据的预测值。

技术领域

一个或多个实施例涉及神经网络，并且更具体地涉及使用人工智能技术利用深度神经网络动态发现多变量时间序列数据(multivariate time series data)之间的依赖性。

背景技术

多变量时间序列建模和预测可以指机器学习的一个方面。在一些方面中，时间序列建模可以涉及确定适当的模型，然后基于历史数据的集合来训练模型，使得模型能够确定时间序列的结构。

进一步，模型的选择和训练可以通过测量模型针对从时间序列观察到的未来值的预测准确度来验证。在一些方面，通过理解过去的数据来预测未来值的任务可被称为时间序列预测。

在动态(例如，时变)环境中建模和预测多变量时间序列可能比静态环境更具挑战性，在静态环境中可以容易地做出关于时间序列之间的关系的假设，并且这样的假设在时间序列的整个寿命期间可以是稳定的和持久的。在更复杂的动态系统中，时间序列的相互依赖性可以在时间上变化。在这样的领域中，实体不仅可以对具有高预测准确度的模型感兴趣，而且可能想要获得对在给定时间点处的各个时间序列数据集之间的相互影响的更深入的洞察。替代或传统方法可能缺乏捕获时间序列之间的相互交互中的动态变化的能力。

因此，本领域需要解决上述问题。

发明内容

从第一方面来看，本发明提供了一种用于使用神经网络来确定时间序列数据中的时间依赖性的系统，该系统包括：存储器，该存储器存储计算机可执行组件；处理器，可操作地耦合到所述存储器，并且执行存储在所述存储器中的所述计算机可执行组件，其中，所述计算机可执行组件包括：计算组件，所述计算组件用于利用相应的时间序列数据对至少两个递归神经网络(RNN)进行编码并且基于至少两个时间上下文向量来确定至少两个经解码的RNN，确定至少两个时间序列数据中的时间依赖性；组合组件，所述组合组件组合所述至少两个经编码的RNN并确定时间序列间依赖上下文向量和RNN依赖解码器；以及分析组件，所述分析组件基于RNN编码器和所述RNN依赖解码器以基于关注机制的神经网络来确定一个或多个时间序列数据的预测值。

从另一方面来看，本发明提供一种系统，包括：存储器，存储计算机可执行组件；处理器，可操作地耦合到所述存储器，并且执行存储在所述存储器中的所述计算机可执行组件，其中，所述计算机可执行组件包括：计算组件，所述计算组件利用相应的时间序列数据对至少两个递归神经网络(RNN)进行编码并且基于至少两个时间上下文向量来确定至少两个经解码的RNN，确定至少两个时间序列数据中的时间依赖性；组合组件，所述组合组件组合所述至少两个解码的RNN并且确定时间序列间依赖上下文向量和RNN依赖解码器；以及分析组件，所述分析组件基于RNN编码器和所述RNN依赖解码器以基于关注机制的神经网络来确定所述至少两个时间序列数据中的时间序列间依赖性以及一个或多个时间序列数据的预测值。