卷积神经网络具有与传统神经网络相似的结构，包括输入输出层和多个隐层。CNN的主要特征是其隐藏层通常由执行上述操作的卷积层组成。图18描述了用于时间序列分析的CNNs的一般架构。我们使用一个一维卷积层，而不是通常的二维卷积层典型的图像处理任务。然后用轮询层对第一层进行归一化，然后将其展平，以便输出层可以在每个步骤t处处理整个时间序列。在这种情况下，许多一维卷积层可以组合在深度学习网络中。

对于CNN的实现，我们使用Keras框架[7]进行深入学习。我们的模型由两个或多个堆叠的一维CNN层组成，一个密接层有N个神经元用于轮询，一个密接层有N个神经元用于平坦化，最后一个密接输出层有一个神经元。

3.5 超参数调整

超参数调整是对给定算法的超参数进行优化的一种方法。它用于确定超参数的最佳配置，以使算法获得最佳性能，并根据特定的预测误差进行评估。对于每个算法，选择要优化的超参数，并为每个超参数定义适当的搜索间隔，包括所有要测试的值。然后将该算法与第一个选定的超参数配置匹配到数据集的特定部分。拟合模型在训练阶段以前没有使用过的部分数据上进行测试。此测试程序返回所选预测误差的特定值。

通过网格搜索程序[19]的优化程序在测试了所有可能的超参数值组合后结束。因此，选择在所选预测误差方面产生最佳性能的超参数配置作为优化配置。表19显示了每个实现算法的超参数搜索间隔。由于MALSTM-FCN是一种特定于深层神经网络的体系结构，层的数量、每层的神经元数以及每层的激活函数已经预先指定（如第3.3节所述）。

为了确保超参数优化过程的鲁棒性，我们使用模型验证技术来评估给定模型所获得的性能如何推广到一个独立的数据集。此验证技术涉及将数据样本划分为训练集（用于拟合模型）、验证集（用于验证拟合模型）和测试集（用于评估模型的最终优化泛化能力）。在我们的分析中，我们使用37.8%的袋外样本和10000次迭代来实现Boostrap方法[9]，以验证最终的超参数。

4 实验证据

在本节中，我们报告并讨论分析的主要结果。特别地，我们讨论了限制模型和非限制模型的结果。这些结果是根据标准的分类错误度量来评估的：准确度、f1分数、准确度和召回率。

4.1 受限模型的超参数

我们在这里简要讨论了3.5节中提到的四种深度学习算法的超参数的微调，考虑到每小时的频率。表20显示了在分类误差度量方面使用网格搜索技术对不同神经网络模型获得的最佳结果。表20列出了MALSTM-FNC和MLP模型的最佳识别参数和相关结果。 (责任编辑：admin)