一种基于对角状态空间与多尺度特征融合的轻量化时间序列分类方法及系统

本发明属于信息中的数据分析领域，尤其涉及时间序列数据分类、深度学习等，具体地提供一种基于对角状态空间与多尺度特征融合的轻量化时间序列分类方法及系统。

背景技术：

1、实际场景中时间序列（可穿戴健康、工业物联、日志/网络流、能源与交通、语音/声学与地震监测等）同时存在局部细粒度瞬态与全局长程依赖并存、输入长度与采样率可变、跨设备/跨场景分布漂移显著以及突发/边界事件稀疏等特性；端侧/边缘设备还对时延、算力与显存有严格约束。现有方法难以在紧凑参数预算下统一建模“局部—全局—多尺度”信息，常对长度/采样率变化与域漂移表现出非平稳，对瞬时突变与边界细节响应不足，并在长序列上带来资源开销过大。亟需一种在保证轻量化前提下仍能获得极高准确率、对长度/采样率与域漂移鲁棒、可支撑端侧实时推理的时间序列分类方案。

2、现有主流路线包括①随机卷积/线性读出类（如大规模核库+线性分类）、②多分支/多尺度卷积类、③transformer类自注意力模型、④状态空间模型（ssm/s4等）。其中①②依赖扩大量化核或并行分支覆盖多尺度，易导致参数与计算线性甚至超线性增长、端侧部署成本高；③虽能捕获长依赖，但对序列长度与位置编码敏感，在长序列上显存与时延开销大，且对瞬时突变/边界细节响应偏弱；④在长依赖建模效率上有优势，但与局部细粒度模式协同不足，简单级联/相加式融合易引入冗余与噪声放大。同时，跨设备/跨场景分布漂移使常规归一化难以在样本级稳定对齐，训练—测试不匹配突出；当输入长度变化或采样率调整时，普遍出现性能非平稳。归纳而言，现有方法多依赖“被动补偿”（后验重加权或后处理融合），缺乏在紧凑参数预算下主动统一“局部—全局—多尺度”的结构化机制，难以在精度、时延与鲁棒性之间取得兼顾。综上，本发明的方法在紧凑参数预算下实现对局部—全局—多尺度信息的主动统一建模，兼具极高准确率、低时延与低显存占用，并对输入长度/采样率变化与跨域分布漂移保持稳定鲁棒，适于端侧实时落地与规模化应用。

技术实现思路

1、时间序列数据分类的关键难点，涵盖长时程依赖及细粒度特征的有效建模，以及在资源受限场景下的高效部署需求。针对以上难题，本发明提出了一种基于对角状态空间与多尺度特征融合的轻量化时间序列分类方法及系统，在轻量参数与低时延前提下，融合局部—全局信息并兼顾跨尺度鲁棒性。

2、有鉴于此，本发明提出了一种基于对角状态空间与多尺度特征融合的轻量化时间序列分类方法，包括：

3、步骤1：将原始时间序列整理为张量，并进行归一化处理；

4、步骤2：将归一化处理后的张量，按照时间维度，采用滑动窗口切分为若干重叠的局部片段；

5、步骤3：将局部片段输入预先训练好的轻量化分类模型，得到预测分类；所述轻量化分类模型包括依次连接的卷积层、对角状态空间模型、平均池化层和分类头； 其中，

6、所述卷积层，用于将每个局部片段映射为局部特征向量；

7、所述角状态空间模型，用于根据局部特征向量，得到对应等长的张量，实现对角状态空间的全局建模；

8、所述平均池化层，用于将对角状态空间模型输出的张量进行全局平均池化，得到原始时间序列对应的全局特征向量；

9、所述分类头，用于根据全局特征向量，得到预测分类。

10、作为上述方法的一种改进，所述步骤1的张量为包括批大小 b、时间长度 l 和通道数 c 的三维张量，其中，批大小 b 表示一次输入模型的原始时间序列样本数，时间长度l 表示每个时间序列包含的时间点数，通道数 c 表示每个时间点对应的特征维数或信号通道数量。

11、作为上述方法的一种改进，所述步骤2中，采用滑动窗口切分，具体包括：

12、以设定的连续 x 个时间点作为窗口长度，以 y 个时间点作为滑动步长，且 x>y；

13、从时间轴的起点开始，取连续 x 个时间点作为第一个片段，随后窗口每次移动 y个时间点，重复提取后续片段；直至下一窗口的右端超过序列末尾时，停止分片，仅保留长度为x的完整片段；根据片段数p构成分片后的张量，并将每个片段的时间长度维与通道维合并为特征维 f，其中，分片后的张量为包括批大小 b、特征维f和片段数p的三维数组。

14、作为上述方法的一种改进，所述卷积层采用一维卷积。

15、作为上述方法的一种改进，所述对角状态空间模型的处理过程包括：

16、对输入的局部特征向量和卷积核分别进行快速傅里叶变换（fast fouriertransform，简称fft），在频域逐点相乘，实现卷积，再通过逆快速傅里叶变换回到时间域，得到卷积结果；

17、加入一个逐通道的残差项，在片段维上进行广播，通过非线性激活、dropout、逐点卷积、门控线性单元以及深度可分离卷积，对片段级特征进行轻量增强与通道混合，输出张量，所述张量与输入片段级特征序列在片段数维度和特征维度上保持一致。

18、作为上述方法的一种改进，所述平均池化层的处理过程具体包括：

19、将全部片段的输出张量在片段维度上取平均，得到全局原始时间序列对应的全局特征向量。

20、作为上述方法的一种改进，所述分类头采用线性全连接层。

21、作为上述方法的一种改进，所述方法还包括对轻量化分类模型的训练步骤，训练中将输出的预测分类与真实标签输入交叉熵损失函数进行优化，得到训练好的轻量化分类模型。

22、另一方面，本发明提供了一种基于对角状态空间与多尺度特征融合的轻量化时间序列分类系统，包括：

23、归一化处理模块，用于将原始时间序列整理为张量，并进行归一化处理；

24、窗口切分模块，用于将归一化处理后的张量，按照时间维度，采用滑动窗口切分为若干重叠的局部片段；

25、分类输出模块，用于将局部片段输入预先训练好的轻量化分类模型，得到预测分类；所述轻量化分类模型包括依次连接的卷积层、对角状态空间模型、平均池化层和分类头； 其中，

26、所述卷积层，用于将每个局部片段映射为局部特征向量；

27、所述角状态空间模型，用于根据局部特征向量，得到对应等长的张量，实现对角状态空间的全局建模；

28、所述平均池化层，用于将对角状态空间模型输出的张量进行全局平均池化，得到原始时间序列对应的全局特征向量；

29、所述分类头，用于根据全局特征向量，得到预测分类。

30、与现有技术相比，本发明的优势在于：

31、本发明提出一套面向低延迟与轻量部署的多尺度时间序列分类框架，将“滑窗分片卷积嵌入”的局部细节提取与“对角状态空间（s4d）+低秩修正”的全局长依赖建模在同一流水线内紧耦合，通过时域与频域残差实现信息的低损耗互补；在结构上采用 fft/ifft高效施加一维卷积核，使计算复杂度随序列长度近线性/对数级增长且参数规模与长度解耦；引入可逆实例归一化以抑制设备或场景带来的分布漂移并提升跨长度鲁棒性；通过深度可分离卷积、逐点卷积与 glu 构成轻量信息过滤与通道混合机制，增强对突发与边界模式的响应，从而在不增加显著参数与算力开销的前提下同时提升准确性、稳定性与实时性。

32、在相同实验条件下，本方法在多个公开时间序列分类数据集上均表现出较高的分类准确率，并保持较低的模型参数量和推理时延。实验结果说明，本方法能够在资源受限场景下有效兼顾局部细节建模、长程依赖建模以及实时推理需求，从而在精度与效率之间取得较好的平衡。