CN120277526A 基于多尺度扩散去噪的高维时间序列数据分类方法与装置 （南京大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120277526A(43)申请公布日2025.07.08

(21)申请号202510343774.2

(22)申请日2025.03.22

(71)申请人南京大学

地址210023江苏省南京市栖霞区仙林大

道163号

(72)发明人李文中杨行陆桑璐

(74)专利代理机构南京泉为知识产权代理事务所(特殊普通合伙)32408

专利代理师陈风平

(51)Int.CI.

GO6F

GO6F

GO6F

GO6F

GO6F

18/2415(2023.01)18/15(2023.01)

18/25(2023.01)

18/214(2023.01)

18/213(2023.01)

权利要求书3页说明书9页附图1页

(54)发明名称

基于多尺度扩散去噪的高维时间序列数据分类方法与装置

(57)摘要

CN120277526A本发明公开了一种基于多尺度扩散去噪的高维时间序列数据分类方法与装置。所述方法引入了一种多尺度条件指导策略来指导时间序列标签的去噪过程，在扩散过程中使用不同尺度的条件先验来调节每个步骤。方法包括：对时间序列数据从变量、时间两个角度进行编码，提取特征，获得时间序列的多尺度特征表示，使用双重注意力机制挖掘序列在时间维度和变量维度上的依赖关系，在不同尺度上生成条件先验；利用标准的去噪扩散概率模型训练过程，利用多尺度编码器获得潜在空间中的融合向量，然后融合向量和时间步嵌入，使用全连接层预测噪声。本发明提高了高维多变量时间序列在分类任务中结果的准确度以及处理含有缺失值的不规则时序数据的鲁棒

CN120277526A

对于一个不规则时间序列数据实例，基于时间点

对于一个不规则时间序列数据实例，基于时间点

和变量进行编码，利用上采样和下采样统一不同

的尺度。

对于不同尺度的时间序列，采用注意力机制提取

时间和变量维度上的特征。

3

融合双重注意力的特征，构造每一个尺度上的条

件先验。根据条件指导模型预测出的标签和真实

标签值计算交叉熵损失，训练条件指导模型。

对训练集的真实标签加噪，融合时间步嵌入和条

件先验，预测去噪后的真实标签，对不同条件先

验上的损失进行加权，训练去噪模型。

利用训练好的条件指导模型获取测试集的多粒度

先验，再使用训练好的去燥模型去除标签中的噪

声。

CN120277526A权利要求书1/3页

2

1.一种基于多尺度扩散去噪的高维时间序列数据分类方法，其特征在于，包括以下步

骤：

对于一个不规则时间序列数据实例，基于时间点和变量进行编码，构造不同尺度的时间序列，利用上采样和下采样将各尺度时间序列统一到相同长度；

对不同尺度的时间序列，采用双重注意力特征提取模块利用注意力机制分别提取时间和变量维度上的特征；

融合双重注意力的特征，利用条件指导模型预测出对应的标签，构造每一个尺度上的条件先验，并计算条件指导模型预测出的标签与真实标签值的交叉熵损失，训练条件指导模型；

对训练集的真实标签添加噪声，融合时间步嵌入和利用条件指导模型构造的条件先验，并基于融合向量预测去噪后的真实标签，对不同条件先验上的损失进行加权，训练去噪模型；

利用训练好的条件指导模型获取测试集的多粒度条件先验，再使用训练好的去噪模型去除标签中的噪声，生成最终预测。

2.根据权利要求1所述的方法，其特征在于，基于时间点和变量进行编码，包括：

针对给定的不规则时间序列数据集,其中x;代表第i条包含缺失值的不规则时间序列的多变量数据，y,代表第i条时间序列的真实标签，P为时间序列的总个数，每一条时间序列的多变量数据表示为{|,其中K代表变量个数，Lk表示第k个变量的观察值个数，即时间点个数，)表示第j个观察值的时间戳和变量值；根据原始数据集构造时间步矩阵T∈R,值矩阵X∈RK×K,变量矩阵E∈R×K,然后进行嵌入，构造输入数据矩阵H∈R×K×D,其中D代表嵌入向量的维度。

3.根据权利要求2所述的方法，其特征在于，采用注意力机制对不同尺度的时间序列提取时间和变量维度上的特征，包括：

在每一个尺度上，使用动态时间规整算法选择与原时间序列L个时间点序列距离最近的L个时间点序列形成新的序列，利用转换矩阵A将输入数据矩阵H转换位隐空间特征表示Z:Zi=A;?H;

利用Transformer架构的注意力机制捕捉Z在时间和变量维度上的