[发明专利]多源时间序列的分类方法、装置、设备和存储介质

权利要求书

1.一种多源时间序列的分类方法，其特征在于，所述方法包括：

获取目标域中的第一时间序列；

将所述第一时间序列输入预置的多源时间序列分类模型，得到所述第一时间序列的分类结果；

其中，所述多源时间序列分类模型是采用多个源域和所述目标域的时间序列，根据源域和所述目标域的域间成对距离，进行训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述多源时间序列分类模型的训练方法包括：

获取所述源域与所述目标域的域间成对距离；

根据所述域间成对距离获取所述源域与所述目标域之间的域间重要性分数；

根据所述域间重要性分数构建损失函数；

根据所述损失函数采用所述源域对初始神经网络模型进行训练，得到中间神经网络模型；

采用所述目标域对所述中间神经网络模型进行调整，得到所述多源时间序列分类模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述域间成对距离获取所述源域与所述目标域之间的域间重要性分数，包括：

根据所述域间成对距离通过核密度估计构建所述域间成对距离的后验分布；

在所述后验分布中进行采样，得到采样矩阵；

根据所述采样矩阵的矩阵范数得到所述域间重要性分数。

4.根据权利要求2所述的方法，其特征在于，所述根据所述域间重要性分数构建损失函数，包括：

根据迭代参数、学习率以及所述源域的批尺寸构建所述损失函数，其中，所述迭代参数和学习率根据所述域间重要性分数得到。

5.根据权利要求2所述的方法，其特征在于，所述源域和所述目标域的时间序列为单维度时间序列，所述获取所述源域与所述目标域的域间成对距离包括：

对所述源域和所述目标域的单维度时间序列计算距离并拼接。

6.根据权利要求2所述的方法，其特征在于，所述源域和所述目标域的时间序列为K维度时间序列，其中，K为自然数且K≥2，所述获取所述源域与所述目标域的域间成对距离包括：

将所述时间序列分解为K维的单变量时间序列组；

对所述单变量时间序列组按维度计算距离并进行K维拼接。

7.根据权利要求3所述的方法，其特征在于，所述后验分布的内核为多元正态内核。

8.一种多源时间序列的分类装置，其特征在于，所述装置包括：

获取单元，用于获取目标域中的第一时间序列；

分类单元，用于将所述第一时间序列输入预置的多源时间序列分类模型，得到所述第一时间序列的分类结果；

其中，所述多源时间序列分类模型是采用多个源域和所述目标域的时间序列，根据源域和所述目标域的域间成对距离，进行训练得到的。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括训练单元，用于训练所述多源时间序列分类模型，所述训练单元包括：

距离获取子单元，用于获取所述源域与所述目标域的域间成对距离；

重要性获取子单元，用于根据所述域间成对距离获取所述源域与所述目标域之间的域间重要性分数；

构建子单元，用于根据所述域间重要性分数构建损失函数；

第一训练子单元，用于根据所述损失函数采用所述源域对初始神经网络模型进行训练，得到中间神经网络模型；

第二训练子单元，用于采用所述目标域对所述中间神经网络模型进行调整，得到所述多源时间序列分类模型。

10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法的步骤。

11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法的步骤。