面向时间序列相似性检测的深度哈希网络.pdfVIP

第４２卷第４期计算机应用与软件Ｖｏｌ４２Ｎｏ．４

２０２５年４月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＡｐｒ．２０２５

面向时间序列相似性检测的深度哈希网络

１２１

李轩徐洋周向东

１（复旦大学计算机科学技术学院上海２００４３３）

２（华东建筑集团股份有限公司上海２０００４１）

摘要时间序列相似检测在金融数据、电力数据挖掘等场景都有很重要的作用。为了解决时间序列深度哈

希网络存在哈希量化损失的问题，提出一种端到端的深度对比学习时间序列哈希网络（ＤｅｅｐＣｏｎｔｒａｓｔｉｖｅＴｉｍｅ

ＳｅｒｉｅｓＨａｓｈ，ＤＣＴＳＨ）。通过引入自适应二值化网络与哈希损失，消除二值化哈希时的量化误差，使得模型端到端

训练生成的时间序列哈希编码，具有更好的表达效果与泛化能力。针对无标签时间序列数据，通过聚类改进对比

学习网络的负样本选择来增强时间序列表示学习能力。在多个时间序列数据集上实验结果表明，ＤＣＴＳＨ相较于

之前的方法检测精度显著提升。

关键词深度哈希相似检测时间序列对比学习

中图分类号ＴＰ３文献标志码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０２５．０４．０４２

ＤＥＥＰＨＡＳＨＮＥＴＷＯＲＫＦＯＲＴＩＭＥＳＥＲＩＥＳＳＩＭＩＬＡＲＩＴＹＤＥＴＥＣＴＩＯＮ

１２１

ＬｉＸｕａｎＸｕＭｉｎｙａｎｇＺｈｏｕＸｉａｎｇｄｏｎｇ

１（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＦｕｄａｎＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００４３３，Ｃｈｉｎａ）

２（ＡｒｃｐｌｕｓＧｒｏｕｐＰＬＣ，Ｓｈａｎｇｈａｉ２０００４１，Ｃｈｉｎａ）

ＡｂｓｔｒａｃｔＴｉｍｅｓｅｒｉｅｓｓｉｍｉｌａｒｉｔｙｄｅｔｅｃｔｉｏｎｐｌａｙｓａｃｒｉｔｉｃａｌｒｏｌｅｉｎｓｃｅｎａｒｉｏｓｓｕｃｈａｓｆｉｎａｎｃｉａｌｄａｔａａｎａｌｙｓｉｓａｎｄｐｏｗｅｒ

ｄａｔａｍｉｎｉｎｇ．Ｔｏａｄｄｒｅｓｓｔｈｅｑｕａｎｔｉｚａｔｉｏｎｌｏｓｓｉｓｓｕｅｉｎｅｘｉｓｔｉｎｇｄｅｅｐｈａｓｈｉｎｇｎｅｔｗｏｒｋｓｆｏｒｔｉｍｅｓｅｒｉｅｓ，ｗｅｐｒｏｐｏｓｅａｎｅｎｄ

ｔｏｅｎｄＤｅｅｐＣｏｎｔｒａｓｔｉｖｅＴｉｍｅＳｅｒｉｅｓＨａｓｈ（ＤＣＴＳＨ）ｎｅｔｗｏｒｋ．Ｂｙｉｎｔｒｏｄｕｃｉｎｇａｎａｄａｐｔｉｖｅｂｉｎａｒｉｚａｔｉｏｎｎｅｔｗｏｒｋａｎｄｈａｓｈ

ｌｏｓｓ，ｔｈｅｍｅｔｈｏｄｅｌｉｍｉｎａｔｅｓｑｕａｎｔｉｚａｔｉｏｎｅｒｒｏｒｓｄｕｒｉｎｇｂｉｎａｒｙｈａｓｈｉｎｇ，ｅｎａｂｌｉｎｇｔｈｅｍｏｄｅｌｔｏｇｅｎｅｒａｔｅｔｉｍｅｓｅｒｉｅｓｈａｓｈ

ｃｏｄｅｓｗｉｔｈｅｎｈａｎｃｅｄｅｘｐｒｅｓｓｉｖｅｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｇｅｎｅｒａｌｉｚａｔｉｏｎｃａｐａｂｉｌｉｔｙｔｈｒｏｕｇｈｅｎｄｔｏｅｎｄｔｒａｉｎｉｎｇ．Ｆｏｒｕｎｌａｂｅｌｅｄ

ｔｉｍｅｓｅｒｉｅｓｄａｔａ，ｔｈｅｎｅｇａｔｉｖｅｓａｍｐｌｅｓｅｌｅｃｔｉｏｎｉｎｔｈｅｃｏｎｔｒａｓｔｉｖｅｌｅａｒｎｉｎｇｎｅｔｗｏｒｋｉｓｉｍｐｒｏｖｅｄｖｉａｃｌｕｓｔｅｒｉｎｇｔｏｓｔｒｅｎｇｔｈｅｎ

ｔｉｍｅｓｅｒｉｅｓｒｅｐｒｅｓｅｎｔａｔｉｏｎｌｅａｒｎｉｎｇ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｍｕｌｔｉｐｌｅｔｉｍｅｓｅｒｉｅｓｄａｔａｓｅｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔＤＣＴＳＨ

ａｃｈｉｅｖｅｓｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｄｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｃｏｍｐａｒｅｄｔｏｐｒｅｖｉｏｕｓｍｅｔｈｏｄｓ．

ＫｅｙｗｏｒｄｓＤｅｅｐＨａｓｈＳｉｍｉｌａｒｉｔｙｄｅｔｅｃｔｉｏｎＴｉｍｅｓｅｒｉｅｓＤｅｅｐｌｅａｒｎｉｎｇＣｏｎｔｒａｓｔｉｖｅｌｅａｒｎｉｎｇ