【摘 要】
：
多元时间序列预测是机器学习领域非常重要的问题,可以应用在多个领域,比如电力消耗、交通拥堵情况以及疾病预测等。随着时间维度的引入,数据的维度和规模会大大增加,因此会带来一系列问题,比如梯度消失、梯度爆炸、以及无法很好地捕捉数据短期和长期间的依赖关系等。在医学领域,急性肾损伤（Acute Kidney Injury,AKI）需要医生根据患者的历史状态进行经验性的诊断,根据患者的真实数据本文发现医生对于
论文部分内容阅读
多元时间序列预测是机器学习领域非常重要的问题,可以应用在多个领域,比如电力消耗、交通拥堵情况以及疾病预测等。随着时间维度的引入,数据的维度和规模会大大增加,因此会带来一系列问题,比如梯度消失、梯度爆炸、以及无法很好地捕捉数据短期和长期间的依赖关系等。在医学领域,急性肾损伤（Acute Kidney Injury,AKI）需要医生根据患者的历史状态进行经验性的诊断,根据患者的真实数据本文发现医生对于诊断AKI的召回率是很低的,漏掉了很多实际发病的患者,本文依托于针对住院患者是否会患AKI的预测任务,进行了一系列的数据挖掘和算法分析,提出一种基于特征融合的多元时间序列预测模型,能够很好的捕获特征在时间维度间的关系,从而提高模型的预测结果。本文的主要工作如下:（1）对住院患者数据进行清洗、预处理和打标签,并对数据的分布进行分析,包括患者的患病比例、发病时间、住院时长等。针对不同的模型研究最合适的特征提取方案,之后基于逻辑回归和随机森林模型对AKI数据特征的重要性进行分析。（2）对深度学习模型,比如多层感知机、循环神经网络进行深入分析。发现常用的模型对多元时间序列的预测结果均达不到最理想的状态,原因是时间维度上的信息利用不充分。针对此问题,本文提出一种基于时序卷积的多元时间序列预测模型,将原始输入的时间序列数据进行二维卷积,得到各个特征在时间维度上的依赖关系,进而与RNN的最终状态进行融合,这样可以增强模型对数据中短期依赖的识别。（3）由于传统注意力机制是对RNN隐藏状态的列向量取加权和,因此不太适用于多元时间序列预测任务。本文设计了一种融合注意力特征的多元时间序列预测模型。在基于时序卷积的多元时间序列预测模型的基础上,将RNN隐藏状态在时间维度上进行一维卷积,得到经过改进的注意力特征,目的是将隐藏状态中的特征在时间维度上进行融合,从而更好地捕获RNN隐藏状态中各变量之间的时间模式。（4）本文提出的基于特征融合的多元时间序列预测模型在AKI预测上的AUC最终达到0.908,召回率为0.869。并将模型结果与本地Baseline模型、AKI预测的主流模型以及医生实际诊断结果进行了深入的对比分析。
其他文献
在室内场景下对人群数量的计算和统计有助于管理者优化配置公共资源,预防区域内人群密度过大带来的踩踏事故,可实现公共场所的智能化管理。基于传统硬件传感器的客流统计虽已得到较为广泛的应用,但存在应用场景限制和需要预先规划部署等局限性。而随着计算机视觉算法领域的快速发展,基于视觉传感器的人数统计方法较之更为灵活、准确,但也存在人体姿态、复杂背景干扰等众多难题。为此,本文基于多模图像信息（可见光图像信息和深
近些年来,随着社会经济水平的提高,各行各业都有了一定程度的发展,相应的物流业也在这个蓬勃发展的社会中慢慢发展起来。目前,中国的物流装备和技术的迅猛发展带动了整个物流业。但即便如此,中国的物流管理与发达国家相比依旧很落后。粗放式的管理模式没有得到改变,这就导致了供应和需求问题严重以及设备落后带来的问题。现在越来越多的人都开始在网上购物,所以物流业是一个很重要的行业,因此需要引进先进的技术来解决目前存
目标跟踪是计算机视觉领域一个重要的研究方向,现如今其应用已经深入到人们生活中的方方面面。随着深度学习的发展,神经网络也逐渐被引入目标跟踪领域并取得了良好的效果。在实际的应用中,算法需要被部署到性能有限的嵌入式处理器上。因此如何优化跟踪算法,平衡其实时性和准确性,并将其移植到嵌入式平台实现具有重要的意义。本文以ECO跟踪算法为基础,做了一系列改进增加其跟踪的准确性。在深度特征的提取方面,对使用的神经
随着我国5G、物联网、工业互联网和数据中心方面建设需求的增加,光纤光缆作为通信网络建设的基础,成为国家经济发展的信息大动脉,为大范围环境感知和检测提供了良好的物理条件。通信光缆自身安全维护变得刻不容缓,而基于相位敏感光时域反射技术（Φ-OTDR）的分布式光纤声波传感系统（DAS）能够满足通信光缆安全监测的需求,可以实现通信光缆长距离、大范围和全天候的智能安防监测。但是,基于DAS的通信光缆安全监测
分布式声传感（Distributed Acoustic Sensing,DAS）系统建立在相敏光时域反射（Phase-sensitive Optical Time-domain Reflectometry,Φ-OTDR）技术的基础上,在长距离的安全监测中由于其独有的优势而得到了快速的应用。除了基本的检测与识别等功能外,目前的研究越来越倾向于挖掘更深层次的如位置等方面的信息来帮助做出更加准确的决策。
分布式声波传感（DAS）可以用来测量传感光纤周围环境中的许多物理量,相位敏感光时域反射仪（Φ-OTDR）作为DAS的一个主流技术,因其传感距离长、灵敏度高和良好的动态检测能力,一直备受学者关注。近年来,以超弱光纤布拉格光栅（UWFBG）阵列为传感介质的Φ-OTDR,也称为准分布式声波传感（Q-DAS）,相比以单模光纤（SMF）为传感介质的普通Φ-OTDR有更高的灵敏度和信噪比,已经成为光纤传感中颇
企业的生产经营过程中会形成大量的档案,这些档案可为企业未来积累丰富的经验,具有重要意义,为此越来越多的企业开始重视档案管理工作。然而档案的保存是一个综合课题,档案的保存周期与库房的各项物理条件息息相关,若保存不当,则档案保存周期非常短,因此需要有一套行之有效的方案来实现自动化管理,基于此,中国移动自贡分公司领导提出构建远程档案库房监控系统。从中国移动自贡分公司综合部实际应用需求出发构建了库房监控系
基于相位敏感型光时域反射仪（phase-sensitive optical time domain reflectometer,Φ-OTDR）的光纤分布式声波传感（distributed acoustic sensing,DAS）技术因其传感点密集、灵敏度高、传感距离长等优势而逐渐成为新一代的声波感知技术。DAS技术利用光纤的后向瑞利散射光的相位信息,可对光纤沿线微小扰动信息进行声波信号的探测,从
基于Φ-OTDR技术的分布式光纤振动传感系统通过检测瑞利散射光信号中所携带的相位信息进行传感,用以实现高密度、长距离的分布式振动传感,目前已广泛用于石油物探、结构健康检测、管线安防等领域。Φ-OTDR系统虽可实现分布式振动探测,但相比于点式光纤地震检波器其灵敏度不高,对微弱振动信号无法有效探测,限制了其在地震勘探中的应用。本文主要研究基于Φ-OTDR系统的矢量光纤地震检波器,通过声波增敏提高系统在
随着用户数量的增加以及用户对服务质量要求的提高,基于软件定义网络（SDN）实现的网络资源管理与控制变得越来越困难。很多中心控制的网络管控问题都可以被建模成NP难的组合优化问题,在当前的设备求解能力下几乎不能在短时间内获得最优解。本文基于训练好的神经网络可快速推断这一优势,设计出了基于深度学习的网络管控问题求解框架,此框架可以学习网络管控问题历史求解经验,使用神经网络直接求解新的网络管控问题。利用此