【HKU博士论文】深度学习方法在时间序列正常性建模与生成预测中的应用

文章预览

真实世界中的时间序列数据通常复杂且难以通过传统分析方法处理。深度学习在应对这种复杂性方面展现了很大的潜力，但针对时间序列数据的有效方法仍在不断开发之中。特别是，常用的序列到序列框架未能充分利用时间层次结构，在长序列解码方面表现不佳。本文通过结合时间层次结构，探索了先进的深度学习技术，以实现更有效的时间序列分析。 首先，我们提出了一种具有多分辨率集成解码的递归自编码器。该方法使用粗到细的融合机制，进行多分辨率时间融合，结合多个解码专家。另一方面，一类表示学习通过假设高维隐空间中的一个超球体，避免了序列解码。我们通过引入具有多重时间尺度的时间层次一类表示，扩展了现有的一类方法。这种方法能够在统一的一类学习框架中捕捉丰富的正常模式。此外，我们还探索了一种基于自适应多 ………………………………