[发明专利]一种基于深度学习的因果关系挖掘方法在审
| 申请号： | 201910242406.3 | 申请日： | 2019-03-28 |
| 公开（公告）号： | CN109993281A | 公开（公告）日： | 2019-07-09 |
| 发明（设计）人： | 刘博;贺玺 | 申请（专利权）人： | 北京工业大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 北京思海天达知识产权代理有限公司 11203 | 代理人： | 沈波 |
| 地址： | 100124 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的因果关系挖掘方法，首先利用缺失数据补充、数据归一化、独热编码等技术对数据进行预处理，然后基于Keras深度学习框架利用LSTM进行目标特征的单变量时序预测，调整模型结构和一系列超参数得到最优模型，记录该模型在测试集上的R2分数，然后利用该模型对于所有备选特征进行预测，得到其在测试集上的R2分数，用这两个分数相减即为备选特征和目标特征的格兰杰因果关系分数，至此则得出一个定量化的数字用于描述备选特征和目标特征之间的格兰杰因果关系。这种方法适用于其他时间序列的影响因素分析问题上。综上所述，本发明提出的基于深度学习的格兰杰因果关系挖掘方法具有面向海量数据、更深度地挖掘、应用领域广泛地优势。 | ||
| 搜索关键词： | 因果关系 目标特征 备选 挖掘 测试集 学习 预处理 影响因素分析 数据归一化 海量数据 模型结构 缺失数据 时间序列 时序预测 最优模型 单变量 定量化 热编码 相减 预测 补充 记录 | ||
【主权项】：
1.一种基于深度学习的因果关系挖掘方法，其特征在于：包括以下步骤：步骤1、获取相关时间序列数据，并对这些数据进行清洗；步骤2、针对数据缺失、不平滑情况对清洗后的数据进行预处理；步骤3、针对预处理的数据进行模型搭建，构建训练集和测试集，参数优化得到预测模型的最优解；步骤4、利用训练好的模型分别预测只有目标特征的数据和含有备选特征的数据，利用两次训练结果得到备选特征和目标特征的格兰杰因果关系分数。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京工业大学，未经北京工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910242406.3/，转载请声明来源钻瓜专利网。
- 上一篇：一种基于深度学习的水下声源定位方法
- 下一篇：一种台风波及范围的预测方法
