多變量時間序列是多個變量在一段時間內(nèi)有序的觀測值記錄,作為一種復(fù)雜的結(jié)構(gòu)化對象,其具有高維、變長、多變量之間相互依賴等特點。典型的用于處理序列數(shù)據(jù)的狀態(tài)空間模型(如循環(huán)神經(jīng)網(wǎng)絡(luò))常常將每個時刻的多個變量視為一個整體學(xué)習(xí)狀態(tài)表示,然而這種策略不能直觀地利用各個變量間的交互關(guān)系。多變量間的依賴關(guān)系可能有助于揭示多變量時間序列的動態(tài)特性,提供更好的數(shù)據(jù)表示,提高分類準確性。針對以上問題,本文基于一種非線性狀態(tài)空間模型——回聲狀態(tài)網(wǎng)絡(luò),結(jié)合格蘭杰因果關(guān)系機制,提出一種利用回聲狀態(tài)網(wǎng)絡(luò)的非線性動態(tài)映射來學(xué)習(xí)多個變量之間的因果關(guān)系的算法。算法為每個多變量時間序列學(xué)習(xí)一個模型,并在分類任務(wù)中采用函數(shù)模型間的距離來評估原始多變量時間序列之間的相似度。為了進一步限制模型參數(shù)的稀疏性,本文定義了焦點序列,即對多變量時間序列全局生成機制影響最大的變量子集構(gòu)成的序列,并設(shè)計算法尋找焦點序列。在標準數(shù)據(jù)集上的實驗驗證了本文所提算法的分類有效性,并直觀地展示了多個變量間的格蘭杰因果關(guān)系。實驗表明學(xué)習(xí)到的模型參數(shù)具有更好的稀疏性和可解釋性。本文的具體工作如下:(1)提出了一種利用回聲狀態(tài)網(wǎng)絡(luò)的非線性動態(tài)映射來學(xué)習(xí)多個變量之間因果關(guān)系的算法。該算法可以顯式地利用多個變量間的關(guān)系,為原始多變量時間序列學(xué)習(xí)可信的表示。(2)設(shè)計了賦予模型更多解釋性的焦點序列和尋找焦點序列的算法,提高了模型參數(shù)的稀疏性。(3)針對分類任務(wù),本文采用模型空間的距離作為多變量時間序列相似性的度量標準,計算原始多變量時間序列間的模型空間距離,使用參數(shù)無關(guān)的模型代替多變量時間序列可以有效地避免不等長多變量時間序列帶來的問題。(4)在標準數(shù)據(jù)集上的實驗結(jié)果表明了本文算法具有較好的分類準確度和魯棒性。
【學(xué)位單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：O211.61
【部分圖文】：

列在任意時刻接收多個觀測變量。時間序列來源廣泛，普遍存在于經(jīng)濟、氣候監(jiān)逡逑控、交通、自然科學(xué)等領(lǐng)域，典型的時間序列有：一段時間內(nèi)太陽黑子活動情況，逡逑一天內(nèi)股票交易情況，某城市一年內(nèi)的房價走勢（如圖２．１所示）等等。逡逑２２５００逡逑２２１６２逡逑２２００Ｑ邐／逡逑２１５７＾逡逑２１５００邐，逡逑２１０３２逡逑２１０００逡逑２０６２２逡逑２０５００邋

本文編號：2818877