基于时间序列生成式对抗网络的时间序列数据处理方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115688881A(43)申请公布日2023.02.03(21)申请号202211329758.0G06N3/094(2023.01)(22)申请日2022.10.27(71)申请人江西科骏实业有限公司地址330100江西省南昌市新建区长堎镇子实路1589号2栋(72)发明人邓仰东肖罡卫宗正万可谦黄凡玲刘小兰杨钦文(74)专利代理机构湖南兆弘专利事务所(普通合伙)43008专利代理师刘畅舟(51)Int.Cl.G06N3/0464(2023.01)G06N3/048(2023.01)G06N3/088(2023.01)G06N3/0895(2023.01)权利要求书2页说明书7页附图4页(54)发明名称基于时间序列生成式对抗网络的时间序列数据处理方法及系统(57)摘要本发明公开了一种基于时间序列生成式对抗网络的时间序列数据处理方法及系统，方法包括以下步骤：构建时间序列生成式对抗网络，然后对时间序列生成式对抗网络进行训练；运行训练好的时间序列生成式对抗网络的生成器，得到时间序列数据；将未知数据输入训练好的时间序列生成式对抗网络的判别器，得到未知数据的分类结果。本发明将生成式对抗网络应用于时间序列数据处理，有效实现时间序列数据生成及分类。CN115688881ACN115688881A权利要求书1/2页1.一种基于时间序列生成式对抗网络的时间序列数据处理方法，其特征在于，包括以下步骤：构建时间序列生成式对抗网络，然后对时间序列生成式对抗网络进行训练；运行训练好的时间序列生成式对抗网络的生成器，得到时间序列数据；将未知数据输入训练好的时间序列生成式对抗网络的判别器，得到未知数据的分类结果。2.根据权利要求1所述的基于时间序列生成式对抗网络的时间序列数据处理方法，其特征在于，构建时间序列生成式对抗网络包括构建生成器的步骤，具体包括：生成第一卷积神经网络，所述第一卷积神经网络获取长度为0.7*n的一维噪音向量后，通过变形或映射操作将其转成3维矩阵，然后经过4层小数跨步卷积运算，输出长度为n的样本。3.根据权利要求2所述的基于时间序列生成式对抗网络的时间序列数据处理方法，其特征在于，所述第一卷积神经网络中卷积核统一为1*5规模，步长统一为2。4.根据权利要求1所述的基于时间序列生成式对抗网络的时间序列数据处理方法，其特征在于，构建时间序列生成式对抗网络包括构建判别器的步骤，具体包括：生成第二卷积神经网络，所述第二卷积神经网络获取长度为n样本后，经过4层卷积运算，通过压平操作得到‑维特征向量，最后使用Sigmoid作为输出层，输出样本为真的概率。5.根据权利要求4所述的基于时间序列生成式对抗网络的时间序列数据处理方法，其特征在于，所述第二卷积神经网络中卷积核统一为1*5规模，步长统一为2。6.根据权利要求1所述的基于时间序列生成式对抗网络的时间序列数据处理方法，其特征在于，对时间序列生成式对抗网络进行训练的步骤具体包括：将训练数据输入时间序列生成式对抗网络的生成器，生成器基于梯度下降算法更新参数，重复本步骤直到重复次数达到第一值；将训练数据输入时间序列生成式对抗网络的判别器，判别器基于梯度下降算法更新参数，重复本步骤直到重复次数达到第二值；返回将训练数据输入时间序列生成式对抗网络的生成器的步骤，直到时间序列生成式对抗网络训练效果满足要求，或者迭代次数达到第三值。7.根据权利要求6所述的基于时间序列生成式对抗网络的时间序列数据处理方法，其特征在于，生成器和判别器的初始学习率都是0.0002，第一值、第二值和第三值均为200，判别器和生成器的更新频率是1∶1。8.一种基于时间序列生成式对抗网络的时间序列数据处理系统，其特征在于，包括：构建模块，用于构建时间序列生成式对抗网络，然后对时间序列生成式对抗网络进行训练；执行模块，用于运行训练好的时间序列生成式对抗网络的生成器，得到时间序列数据；还用于将未知数据输入训练好的时间序列生成式对抗网络的判别器，得到未知数据的分类结果。9.根据权利要求8所述的基于时间序列生成式对抗网络的时间序列数据处理系统，其特征在于，所述构建模块包括生成器构建单元，所述生成器构建单元用于生成第一卷积神经网络，所述第一卷积神经网络获取长度为0.7*n的一维噪音向量后，通过变形或映射操作将其转成3维矩阵，然后经过4层小数跨步卷积运算，输出长度为n的样本。2CN115688881A权利要求书2/2页10.根据权利要求8所述的基于时间序列生成式对抗网络的时间序列数据处理系统，其特征在于，所述构建模块包括判别器构建单元，所述判别器构建单元用于生成第二卷积神经网络，所述第二卷积神经网络获取长度为n样本后，经过4层卷积运算，通过压平操作得到一维特征向量，最后使用Sigmoi