长期时间序列预测利用历史数据对未来较远时段的序列走势进行预测,为长期预警、规划和决策提供支持。现有方法在进行长期预测时,普遍存在分布偏移和长期依赖关系难以捕获的问题。提出一种面向长期时间序列预测的多项式投影与信息交换架构LPPIEA(Legendre polynomial projection and information exchange architecture)。引入可逆实例数据归一化,降低长期时间序列中分布偏移对预测的影响。使用勒让德多项式投影来处理复杂的时间模式,获取数据的高维特征表示以增强模型推理长期时间序列的能力。为了有效捕获长期时间依赖关系,构建轻量化的信息交换架构来高效捕获长期时间依赖关系,从而实现准确高效的长期时间序列预测。在4个常用的公开数据集上的实验结果表明,LPPIEA的预测误差相比于基线方法平均降低11.4%,同时还具有较高的计算效率。
异常检测是模式识别领域的经典研究,然而在极端类别不平衡场景下,异常样本匮乏,训练数据仅包含正常样本,传统异常检测方法难以适用。因此,单分类算法逐渐受到关注,它只使用目标类样本构建决策边界,实现对非目标类样本的识别。目前单分类算法已经取得了显著进展,然而也存在一些局限性:(1)原始特征空间容易受噪声特征干扰;(2)单模型的单分类算法难以从多个特征空间学习更全面的决策边界;(3)缺少对先前模型的欠拟合样本进行针对性学习。为了解决这些问题,本文提出了基于宽度自编码网络的单分类集成算法(Ensemble One-class Classification Based on BLS-Autoencoder,EOC-BLSAE)。首先,本文设计了一种单分类宽度自编码网络模型(One-class BLS-Autoencoder,OC-BLSAE),它能高效学习原始特征空间到重构特征空间的非线性映射关系,利用重构误差构建决策边界;接着,本文设计了单分类Boosting策略,通过最小化全局重构损失,迭代学习欠拟合样本,从而多角度构建OC-BLSAE模型,并自适应评估模型的可靠性;最终,加权集成多个OC-BLSAE模型,有效提升整体算法准确性和鲁棒性。在实验中,本文在16个不同规模的单分类任务上进行参数实验、对比实验和消融实验,结果表明所提算法参数选择较为灵活,算法各模块能够相互协同,有效提升单分类任务的准确性和鲁棒性,整体性能超过前沿单分类方法。
暂无评论