其思路是利用条件 GAN,根据时间序列之前的L个值(记为x-Lt+1,也就是xt, x t−1,..., x t−(L−1))对xt+1进行概率预测。与标准点估计相比,它能利用更多信息,并且便于获得不确定性估计。 为利用时间序列结构,生成器和判别器首先会将它们的输入通过一个循环神经网络层。ForGAN 架构根据数据情况包含门...
生成对抗网络的关键创新是一种学习数据生成概率分布的新方法。该算法在两个被称为生成器和判别器的神经网络之间建立了一个竞争性或对抗性的博弈。 生成器的目标是将随机噪声输入转化为特定类别对象的虚假实例,如人脸图像或股票价格时间序列。判别器的目标则是将生成器的欺骗性输出与包含目标对象真实样本的训练数据集进...
生成器网络—给定一个标签和随机数组作为输入，该网络生成与对应于相同标签的训练数据相同结构的数据。 生...
然而,时间序列的异常检测是特别具有挑战性的,原因有二:1)在复杂的时间序列上,数据在时间维度上有着模糊的时间上下文以及复杂的数据分布,现有的异常检测方法并不能很好捕捉这种时间上下文以及对时间序列的真实分布进行建模,因此在异常检测的性能上还存在较大的提升空间;2)大多数的深度学习方法通过预测或者重构损失来衡量...
本发明公开了一种基于对比生成对抗网络的多元时间序列异常检测方法,包括:利用数据增强技术扩展训练数据,这些掩码产生了多变量时间序列数据的两个不同视图;然后将数据增强后的两个视图输入Transformer自动编码器,得到数据增强后两个视图的重构数据;接着,将两个视图和重构数据输入判别器,在生成对抗网络框架内训练基于Transform...
本发明涉及一种异构双向生成对抗网络模型及时间序列异常检测方法,它包括生成器G用于对时间序列的特征学习,从随机噪声中生成与真实数据相似的异常数据并输入到判别器D中进行判断,实现由潜在生成空间到原始数据空间的映射;编码器E用于计算所述生成器G的重构误差;判别器D用于不同模式的识别与区分,判别生成器G生成的数据为...
本发明公开了一种基于深度森林生成对抗网络的金融时间序列预测方法,属于金融时间序列预测领域,包括以下步骤:获取原始金融时间序列数据,对原始金融时间序列数据进行预处理;将得到的目标金融序列的技术指标作为深度森林算法的输入特征序列,选择滑动窗口对输入特征序列进行多粒度扫描,训练级联森林,进行特征序列选择;将离散小波变换...
本文聚焦于利用生成对抗网络(GANs)进行金融时间序列的概率预测。介绍了一种新颖的基于经济学驱动的生成器损失函数,使 GANs 更适用于分类任务并置于监督学习环境中,能给出价格回报的全条件概率分布,突破传统点估计方式,实现不确定性估计。通过股票数据的数值实验验证了所提方法的有效性,相比经典监督学习模型如 LSTMs 和...
本文聚焦于利用生成对抗网络(GANs)进行金融时间序列的概率预测。介绍了一种新颖的基于经济学驱动的生成器损失函数,使 GANs 更适用于分类任务并置于监督学习环境中,能给出价格回报的全条件概率分布,突破传统点估计方式,实现不确定性估计。通过股票数据的数值实验验证了所提方法的有效性,相比经典监督学习模型如 LSTMs 和...
为利用时间序列结构,生成器和判别器首先会将它们的输入通过一个循环神经网络层。ForGAN 架构根据数据情况包含门控循环单元(GRU)或者长短期记忆(LSTM)单元,本文因 LSTM 单元在金融领域应用广泛而选用它。 Fin-GAN损失函数 我们工作的主要贡献在于为生成器引入了一种新颖的经济驱动损失函数,这将生成对抗网络(GANs)置于...