时间序列分析 | Python实现Time2Graph时间序列GNN建模

41 篇文章 229 订阅 ¥29.90 ¥99.00

时间序列分析 | Python实现Time2Graph时间序列GNN建模

基本介绍

Time2Graph 是一种用于时间序列建模的新型表示学习算法。它将时间序列转换为带有 shapelet 及其转换的图(graph)。我们从大量候选对象中提取时间感知 shapelet,然后构建 Shapelet 演化图以捕获 shapelet 之间的相关性,最后通过连接(concatenating)由从 Shapelet 演化图获得的 shapelet 嵌入组成的段嵌入(segment embedding)来学习时间序列表示向量。

模型结构

对 shapelets 的动力学进行建模涉及几个挑战。

  • 传统算法生成一组静态时间序列子序列作为候选,然后根据一定的标准选择具有最大辨别力的子序列。然而,动态 shapelets 还没有得到很好的定义,如果添加参数化的时间权重,之前使用的标准通常是不可区分的。据我们所知,如何提取时间感知 shapelets 的问题仍然悬而未决。
  • 一种可能的解决方案是探索 shapelet 序列,该序列由分配给时间序列每个段的有序 shapelet 组成。然而,由于每个段可能由多个具有不同概率的 shapelet 分配,因此枚举所有可能的 shapelet 序列非常耗时,其中时间复杂度为 O(mK)(m 是段数,K 是 shapelet 数)。更可靠的解决方案是构造一个转换矩阵(graph),其中每个元素(edge)代表一个 shapele
  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

前程算法屋

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值