[发明专利]多源时间序列的分类方法、装置、设备和存储介质

说明书

本公开提供一种多源时间序列的分类方法、装置、设备和存储介质，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。本公开的技术方案可以对多源时间序列进行较为准确的分类。

技术领域

本公开涉及计算机网络技术领域，尤其涉及一种多源时间序列的分类方法、装置、电子设备和非暂态计算机可读存储介质。

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。

基于深度学习的模型在时间序列分类问题中的效果较传统算法取得了巨大的进步，但在处理工业应用中的时间序列分类问题，尤其是多个数据源的传感器时间序列的分类问题时，由于实际场景的数据特征各不相同，大多数的基于深度学习的时间序列分类模型很难得到较好的分类效果。

发明内容

本公开提供一种多源时间序列的分类方法、装置、电子设备和非暂态计算机可读存储介质，用以解决现有技术中多源时间序列分类不够准确的缺陷，提高多源时间序列分类的准确率。

本公开提供一种多源时间序列的分类方法，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。

根据本公开提供的一种多源时间序列的分类方法，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。

根据本公开提供的一种多源时间序列的分类方法，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。

根据本公开提供的一种多源时间序列的分类方法，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。

根据本公开提供的一种多源时间序列的分类方法，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。

根据本公开提供的一种多源时间序列的分类方法，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。

根据本公开提供的一种多源时间序列的分类方法，所述后验分布的内核为多元正态内核。

本公开还提供一种多源时间序列的分类装置，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。