[发明专利]一种面向时空序列数据建模的多阶段深度学习方法及应用

说明书

本发明公开了一种面向时空序列数据建模的多阶段深度学习方法及应用。所述方法包括预处理时空序列数据；利用分类深度学习模型C‑CNN和回归深度学习模型R‑CNN进行时空序列数据中空间维度特征提取及模型训练；利用seq2seq模型进行时空序列数据中时间维度特征提取及模型训练。本发明还公开了一种面向时空序列数据建模的多阶段深度学习设备，包括数据准备模块、空间特征提取模块和时间特征提取模块，适用于解决时空序列数据中的格栅数据问题，结合时间及空间特性完成预测结果生成，能有效减少异常值，可以自动化完成时空数据时间及空间特征提取、模型训练及测试，无需人工干预。

技术领域

本发明涉及人工智能领域，具体涉及一种面向时空序列数据建模的多阶段深度学习方法及应用。

背景技术

时空数据是指同时具有时间及空间维度信息的数据，具有增量大、时效性高等特点。时空数据是智能时代的基础数据资源，在物流配送、互联网出行、GPS、工业制造等领域具有极高的应用价值。随着大型时空数据集的可用性及重要性日益提高，时空数据挖掘技术变得愈发重要。

深度学习技术是人工智能领域的重要组成部分，其中CNN (ConvolutionalNeural Networks，卷积神经网络)是深度学习的代表算法之一，通过卷积层、池化层、全连接层等多种组成单元相互连接，能够完成监督学习及无监督学习任务，具有良好的效果及免于额外特征工程要求，已经成功应用于自动驾驶、人脸识别等领域；RNN (RecurrentNeural Networks，循环神经网络)为深度学习技术另一分支，相比于CNN，RNN在不同时间位置共享参数，从而能够更有效处理时序数据，被广泛应用于语音识别、机器翻译等实际场景。

现有的时空数据挖掘技术主要采用传统机器学习方法。在传统时空数据建模方法(如支持向量机、逻辑回归、随机森林等)中，主要依赖于特征工程技术，但该技术在处理具有时空特性的数据时存在众多限制。例如，要从fMRI(Functional Magnetic ResonanceImaging，功能性磁共振成像)数据分析人的大脑活动，通常需要大量的特征工程及众多的专业领域知识来设计特征提取器，以将原始数据转换为合适的表示形式。而时空数据繁杂多样，现有的基于传统机器学习方法的时空数据建模技术在不同场景下数据进行建模均需人工首先进行模型调整，复制性低，迁移性差；对于时空数据中频繁模式挖掘等任务，学习高质量特征对于此类任务作用较小，如何将深度学习与频繁模式挖掘等模型进行结合，仍是较为棘手的问题。

发明内容

为了解决上述技术问题，本发明提出了一种面向时空序列数据建模的多阶段深度学习方法及应用，针对于时空序列数据中的格栅数据问题，结合时间及空间特性完成预测结果生成，能有效减少异常值。

为实现上述目的，本发明采用以下技术方案：

一种面向时空序列数据建模的多阶段深度学习方法，包括：

预处理时空序列数据；

利用分类深度学习模型C-CNN和回归深度学习模型R-CNN进行时空序列数据中空间维度特征提取及模型训练；

利用seq2seq模型进行时空序列数据中时间维度特征提取及模型训练。

进一步地，所述预处理时空序列数据具体为：

将栅格数据中固定空间位置的时空数据向量等分为若干候选窗口，每个候选窗口及其相邻的两个窗口组合为样本，样本的标签为其是否包含真实时间标签值。

进一步地，所述利用分类深度学习模型C-CNN和回归深度学习模型R-CNN进行时空序列数据中空间维度特征提取及模型训练具体为：

利用分类深度学习模型C-CNN获得候选窗口是否存在真实标签的分类概率；提取最大预测概率所对应的候选窗口作为回归任务样本数据，利用回归深度学习模型R-CNN完成候选窗口中真实标签的拟合，生成每个固定位置的预测时间结果。