CN119537816A 一种基于扩散模型的时间序列缺失值填补方法及系统 (西北大学)_第1页
CN119537816A 一种基于扩散模型的时间序列缺失值填补方法及系统 (西北大学)_第2页
CN119537816A 一种基于扩散模型的时间序列缺失值填补方法及系统 (西北大学)_第3页
CN119537816A 一种基于扩散模型的时间序列缺失值填补方法及系统 (西北大学)_第4页
CN119537816A 一种基于扩散模型的时间序列缺失值填补方法及系统 (西北大学)_第5页
已阅读5页,还剩25页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于扩散模型的时间序列缺失值填补本发明属于多元时间序列数据缺失值填补处理的结果输入步骤2得到的训练完成的去噪网增强了模型对不同时序数据集的适用性和通用2补的目标xtareet和可观测到的时间序列数据x0;,其中表示第t步去噪后得到的时间序列数据,-'=R-e。;通过将第t步的噪声预测结果Eg与真实添加的噪声间的损失函数值进行迭代训练,L(e)—损失函数;—时间序列数据符合q(XO)的数据分布;q(x0)—加噪过程中时间序列数据的数据分布;e~N(0,I)—真实添加的噪声e符合的数据分布;步骤3,将测试集对应的前向加噪处理的结果逐步去除前向加噪过程中对应添加的噪得到的时间序列数据、条件信息Cond和当前去噪的步数共同输入步骤2得到的训练完成的2.如权利要求1所述的基于扩散模型的时间3补的目标xtareet和可观测到的时间序列数据xo。采用下面第二个公式设置在第i个epoch时第t个时val_loss;-1(t)—去噪网络在验证集的第i_1个epoch的第t个时间步的损失函数值;val_loss;-2(t)—去噪网络在验证集的第i_2个epoch的第t个时间步的损失函数值;W,(t-第i个epoch时第t个时间步的权重,在训练集的训练过程中,每隔k个epoch采Trend;(t)—验证集中连续两个epoch的第t个时间步损失函数值的比值;4填补的目标xtarBet和可观测到的时间序列数据x0;对应添加的噪声,得到每一步去除噪声后的时间序列数据;整个反向去噪的过程表示为xt-1=x-e。;通过将第t步的噪声预测结果Eg与真实添加的噪声间的损失函数值进行迭代训练,L(e)—损失函数;—时间序列数据符合q(XO)的数据分布;q(x0)—加噪过程中时间序列数据的数据分布;e~N(0,I)—真实添加的噪声e符合的数据分布;缺失值填补模块,用于将测试集对应的前向加噪处理的结果逐步去除当前步的去噪得到的时间序列数据、条件信息Cond和当前去噪的步数共同输入步骤2得到算机程序被处理器执行时,实现权利要求1~5任一项所述的基于扩散模型的时间序列缺失56[0003]随着深度学习技术的不断发展,人们使用循环神经网络(RecurrentNeural[0004]本发明的目的在于,提供一种基于扩散模型的时间序列要填补的目标xtareet和可观测到的时间序列数据xo。7和缺失率,在时间序列数据中添加新的缺失值,并记录缺失值所在的位置为01掩码矩阵;到要填补的目标xtarBet和可观测到的时间构造出噪声加噪序列X0→X1→…→xt→xt-1→…→XT,表示为,其中xt为第t,其中表示第t步去噪后得到的时间序列数据,第t步去噪得到的时间序列数据、条件信息Cond和当前去噪的步数t共同输入去噪网络,。[0009]通过将第t步优化噪声预测结果Eg与真实添加的噪声间的损失函数值进行迭L(e)—损失函数。[0013]xX0~q(X)—时间序列数据符合q(XO)的数据分布;—加噪过程中时间序列数据的数据分布;8e~N(0,I)—真实添加的噪声e符合的数据分布;val_loss;-1(t)—去噪网络在验证集的第i_1个epoch的第t个时间步的损失函数val_loss;-2(t)—去噪网络在验证集的第i_2个epoch的第t个时间步的损失函数W,(t)-第i个epoch时第t个时间步的权重,在训练集的训练过程中,每隔k个[0019]将测试集对应的前向加噪处理的结果逐步去除前向加噪9的时间序列数据、条件信息Cond和当前去噪的步数共同输入步骤2得到的训练完成的去噪及要填补的目标xtarBet和可观测到的时间序列数据x0;构造出噪声加噪序列X0→X1→…→xt→xt-1→…→XT,表示为,其中xt为第t为,其中表示第t步去噪后得到的时间序列数将第t步去噪得到的时间序列数据、条件信息Cond和当前去噪的步数t共同输入去噪网;通过将第t步的噪声预测结果Eg与真实添加的噪声间的损失函数值进行迭代L(e)—损失函数;—加噪过程中时间序列数据的数据分布;—时间序列数据符合q(XO)的数据分布;e~N(0,I)—真实添加的噪声e符合N(0,)的数据分布;下面的详细说明一起包含在本说明书中并且形图2为本发明和基准模型CSDI方法在AQ[0029]在下文中将结合附图对本申请的示例性实施例进行描述[0031]应理解的是,本申请并不会由于如下参照附图的描述而只限于所描述的实施形入数据的每一个通道中根据缺失模式的不同随机的将一些位置的值人为置为缺失。具体到要填补的目标xtarBet和人工添加缺失值后可观测到的时间给定时间序列数据X0时X1,X2.,XT的联合概率分布;q(xt)—加噪过程中时间序列数据的数据分布;Br—人为设置的噪声强度表,0<pr<1。模块包括1x1卷积和ReLu模块以及后续连接的1x1卷积;每个残差层包括时间注意力模块、经当前的残差层中的1x1卷积后与第二模块的输出相加,然后进入当前的残差层中的时间征信息的筛选得到输出特征,输出特征通过一个1x1卷积后与第二模块的输出做残差连接[0049]通过优化噪声等级预测结果Eg与真实添加的噪声间的MSE损失进行模型的训pg(·)—具有可学习参数的逆过程的分布。.,—加噪过程中时间序列数据的数据分布;—时间序列数据符合q(XO)的数据分布;e~N(0,I)—真实添加的噪声e符合N(0,)的数据分布;[0055]得到第t步的噪声预测结果Eg后,减去当前步的噪声后得到前一步的结果。即。val_loss;-1(t)—去噪网络在验证集的第i_1个epoch的第t个时间步的损失函数val_loss;-2(t)—去噪网络在验证集的第i_2个epoch的第t个时间步的损失函数W,(t)-第i个epoch时第t个时间步的权重,在训练集的训练过程中,每隔k个Trend,(t)—验证集中连续两个epoch的第t个时间步损失函数值的比值;[0059]可以通过调整第二个公式中的K来调节不同噪声等级间的区别,当K足够大的时步的去噪得到的时间序列数据、条件信息Cond和当前去噪的步数共同输入步骤2得到的训不同缺失模式下的填补效果进行验证。分别采用了三个不同领域的时序数据集进行验证,法在上述三个数据集在不同缺失模式下的填补实验结果。图2是本发明的方法与基准模型及要填补的目标xtarBet和可观测到的时间序列数据x0;构造出噪声加噪序列X0→X1→…→xt→xt-1→…→XT,表示为,其中xt为第t为,其中表示第t步去噪后得到的时间序列数将第t步去噪得到的时间序列数据、条件信息Cond和当前去噪的步数t共同输入去噪网络,得到第t步的噪声预测结果eg(x',cond,t)(简写为Eg其中

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论