CN105740399B - 时序数据曲线处理方法和装置 - Google Patents
时序数据曲线处理方法和装置 Download PDFInfo
- Publication number
- CN105740399B CN105740399B CN201610058896.8A CN201610058896A CN105740399B CN 105740399 B CN105740399 B CN 105740399B CN 201610058896 A CN201610058896 A CN 201610058896A CN 105740399 B CN105740399 B CN 105740399B
- Authority
- CN
- China
- Prior art keywords
- series data
- time series
- curve
- data curve
- curved section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/048—Indexing scheme relating to G06F3/048
- G06F2203/04806—Zoom, i.e. interaction techniques or interactors for controlling the zooming operation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种时序数据曲线处理方法和装置,该方法包括:根据用户在所述时序数据曲线上选择的目标放大位置,确定所述目标放大位置对应在时间轴上的时间区间;将所述时间区间对应的第一时序数据曲线进行鱼眼放大;其中,所述第一时序数据曲线包括至少一个对象的时序数据曲线。本发明提供的时序数据曲线处理方法和装置,能够提高用户根据时序数据曲线分析时序数据的效率。
Description
技术领域
本发明涉及信息可视化技术,尤其涉及一种时序数据曲线处理方法和装置。
背景技术
时序数据,也称为时间序列数据,是指按时间顺序记录的同一指标的数据列。现有技术中,为了便于对时序数据的分析和研究,通常会先将时序数据进行可视化处理,即将时序数据先转换成图形或图像,进而通过研究和分析该图形或图像随时间的变化,确定该时序数据随时间的变化规律和变化趋势。
常见的可视化方法为基于时间轴的时序数据曲线(也可以称为时序数据曲折线),即将时序数据转换成时序数据曲线。目前,在使用该可视化方法对时间跨度较大的大规模时序数据进行可视化处理时,为了避免根据该时序数据所生成的时序数据曲线的布局过于密集,通常会分别生成一个时序数据总览曲线和多个对应不同时间段的时序数据细节曲线,以便用户可以通过该总览曲线和多个细节曲线分析该时序数据随时间的变化规律和变化趋势。
然而,由于上述细节曲线均割裂了与总览曲线的关联,因此,用户需要多次在总览曲线和细节曲线之间进行视图切换,才能获知该时序数据随时间的变化规律和变化趋势,导致用户分析时序数据的效率较低。
发明内容
本发明提供一种时序数据曲线处理方法和装置,用以解决现有技术中用户在使用时序数据曲线分析时间跨度较大的时序数据时,分析效率较低的问题。
本发明第一方面提供一种时序数据曲线处理方法,包括:
根据用户在所述时序数据曲线上选择的目标放大位置,确定所述目标放大位置对应在时间轴上的时间区间;
将所述时间区间对应的第一时序数据曲线进行鱼眼放大;其中,所述第一时序数据曲线包括至少一个对象的时序数据曲线。
如上所述,当所述时序数据曲线包括多个对象的时序数据曲线时,每个对象的时序数据曲线对应不同的曲线标识;
则所述方法还包括:
根据用户选择的曲线标识和预设的映射关系,确定待查询对象的时序数据曲线;其中,所述预设的映射关系包括不同的曲线标识与不同的对象的时序数据曲线的对应关系;
根据用户输入的目标形状曲线和所述待查询对象的时序数据曲线,确定与所述目标形状曲线匹配的至少一个第一曲线段和每个所述第一曲线段对应的时间区间。
如上所述,所述根据用户输入的目标形状曲线和所述待查询对象的时序数据曲线,确定与所述目标形状曲线匹配的至少一个第一曲线段,具体包括:
根据预设的采样规则,确定所述目标形状曲线的归一化采样序列,并获取所述目标形状曲线的归一化采样序列中的每个第一采样点的特征序列;所述特征序列包括:纵坐标数值、前继距离值、斜率和正弦值;
根据预设的时间区间,将所述待查询对象的时序数据曲线划分成多个曲线段,并根据所述预设的采样规则,确定每个所述曲线段的归一化采样序列,并获取每个所述曲线段的归一化采样序列中的每个第二采样点的特征序列;
根据每个所述第一采样点的特征序列与每个所述曲线段的归一化采样序列中的每个第二采样点的特征序列,确定每个所述曲线段对应的累积动态时间归整距离;
根据各累积动态时间归整距离从小到大的顺序,对各所述曲线段进行排序,将满足预设顺序条件的曲线段作为所述第一曲线段。
如上所述,根据用户在所述时序数据曲线上选择的目标放大位置,确定所述目标放大位置对应在时间轴上的时间区间之前,所述方法还包括:
根据用户输入的至少一个对象的时序数据,生成所述至少一个对象的时序数据曲线。
本发明第二方面提供一种时序数据曲线处理装置,所述装置包括:
第一确定模块,用于根据用户在所述时序数据曲线上选择的目标放大位置,确定所述目标放大位置对应在时间轴上的时间区间;
放大模块,用于根据所述第一确定模块确定的时间区间,将所述时间区间对应的第一时序数据曲线进行鱼眼放大;其中,所述第一时序数据曲线包括至少一个对象的时序数据曲线。
如上所述,当所述时序数据曲线包括多个对象的时序数据曲线时,每个对象的时序数据曲线对应不同的曲线标识;
所述装置还包括:
第二确定模块,用于根据用户选择的曲线标识和预设的映射关系,确定待查询对象的时序数据曲线;其中,所述预设的映射关系包括不同的曲线标识与不同的对象的时序数据曲线的对应关系;
处理模块,用于根据用户输入的目标形状曲线和所述第二确定模块确定的待查询对象的时序数据曲线,确定与所述目标形状曲线匹配的至少一个第一曲线段和每个所述第一曲线段对应的时间区间。
如上所述,所述处理模块,用于根据用户输入的目标形状曲线和所述第二确定模块确定的待查询对象的时序数据曲线,确定与所述目标形状曲线匹配的至少一个第一曲线段,具体为:
根据预设的采样规则,确定所述目标形状曲线的归一化采样序列,并获取所述目标形状曲线的归一化采样序列中的每个第一采样点的特征序列;所述特征序列包括:纵坐标数值、前继距离值、斜率和正弦值;
根据预设的时间区间,将所述待查询对象的时序数据曲线划分成多个曲线段,并根据所述预设的采样规则,确定每个所述曲线段的归一化采样序列,并获取每个所述曲线段的归一化采样序列中的每个第二采样点的特征序列;
根据每个所述第一采样点的特征序列与每个所述曲线段的归一化采样序列中的每个第二采样点的特征序列,确定每个所述曲线段对应的累积动态时间归整距离;
根据各累积动态时间归整距离从小到大的顺序,对各所述曲线段进行排序,将满足预设顺序条件的曲线段作为所述第一曲线段。
如上所述,所述装置还包括:
生成模块,用于在所述第一确定模块根据用户在所述时序数据曲线上选择的目标放大位置,确定所述目标放大位置对应在时间轴上的时间区间之前,根据用户输入的至少一个对象的时序数据,生成所述至少一个对象的时序数据曲线。
本发明提供的时序数据曲线处理方法和装置,在保持时序数据曲线在时间轴上的整个时间跨度不变的情况下,可以根据用户在时序数据曲线上选择的目标放大位置,将时序数据曲线上与目标位置对应的时间区间的曲线段进行放大,以使得一个时序数据曲线图同时包括了时序数据总览曲线和时序数据细节曲线,从而使得用户可以根据这一个时序数据曲线,不仅可以纵观时序数据曲线在整个时间跨度上的变化,还可以仔细查看时序数据曲线在某一时间区间的细节变化,即用户可以仅根据这一个时序数据曲线,就可以分析出该时序数据随时间的变化规律和变化趋势,提高用户根据时序数据曲线分析时序数据的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的时序数据曲线处理方法实施例一的流程示意图;
图2为本发明提供的时序数据曲线的示例图一;
图3为本发明提供的时序数据曲线的示例图二;
图4为本发明提供的时序数据曲线处理方法实施例二的流程示意图;
图5为本发明提供的时序数据曲线处理方法实施例三的流程示意图;
图6为本发明提供的时序数据曲线处理装置实施例一的结构示意图;
图7为本发明提供的时序数据曲线处理装置实施例二的结构示意图;
图8为本发明提供的时序数据曲线处理装置实施例三的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中,对于时间跨度较大的时序数据,用户通常会将此类时序数据先转换成一个时序数据总览曲线(即包含了时序数据的整个时间跨度的时序数据曲线)和多个对应不同时间段的时序数据细节曲线,然后再通过该总览曲线和多个细节曲线分析该时序数据随时间的变化规律和变化趋势。然而,由于上述每个细节曲线均割裂了与总览曲线的关联,使得用户在分析该时序数据的过程中,需要不断的在总览曲线和各个细节曲线之间进行视图切换,导致用户分析时序数据的效率较低。
本发明提供的时序数据曲线处理方法和装置,旨在解决现有技术中用户在使用时序数据曲线分析时间跨度较大的时序数据时,分析效率较低的问题。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明提供的时序数据曲线处理方法实施例一的流程示意图,本实施例的执行主体可以为具有图像处理功能的通信设备,本实施例涉及的是通信设备根据用户在时序数据曲线上选择的目标放大位置,在时序数据曲线上将目标放大位置对应的第一时序数据曲线进行放大的具体过程,本实施例的方法适用于待分析的时序数据曲线,可以提高用户分析时序数据的效率。如图1所示,该方法可以包括:
S101、根据用户在时序数据曲线上选择的目标放大位置,确定目标放大位置对应在时间轴上的时间区间。
具体的,上述时序数据曲线可以为任一待分析的时序数据总览曲线,即该时序数据曲线的时间轴(即横坐标轴)涵盖了时序数据的整个时间跨度,且该时序数据曲线涵盖了所有时序数据,这里所说的时序数据可以为一个对象的时序数据,也可以为多个对象的时序数据,当该时序数据为多个对象的时序数据时,该时序数据曲线包括多个时序数据曲线,每条时序数据曲线对应不同的对象。示例性的,图2为本发明提供的时序数据曲线的示例图一,如图2所示,该示例所示的时序数据曲线为纳克达斯股指时序数据,该时序数据曲线的时间轴涵盖了该时序数据的整个时间跨度,即1985年11月至2009年08月,其中,该时序数据曲线包括多个时序数据曲线,每条时序数据曲线对应不同的股票(即对应不同的对象)。
在本实施例中,上述目标放大位置可以为时序数据曲线上的任意位置,可选的,该目标放大位置可以为时序数据曲线的时间轴上的时间点或时间区间,还可以为时序数据曲线的某一点或某一段。具体实施本实施例时,用户可以在通信设备显示上述时序数据曲线的界面上,通过画圈的方式在时序数据曲线上直接选择目标放大位置,还可以通过手动输入目标放大位置的方式在时序数据曲线上选择目标放大位置。
当通信设备接收到用户在时序数据曲线上选择的目标放大位置之后,就可以根据该目标放大位置竖直投影在时间轴上的位置,确定该目标放大位置对应在时间轴上的时间区间。在本实施例中,上述目标放大位置可以为一个,也可以为多个。
S102、将时间区间对应的第一时序数据曲线进行鱼眼放大;其中,第一时序数据曲线包括至少一个对象的时序数据曲线。
具体的,当上述通信设备确定目标放大位置对应在时间轴上的时间区间之后,就可以在保持时间轴所涵盖的整个时间跨度不变的情况下,在时间轴上将该目标放大位置对应的时间区间拉长,将整个时间跨度的其他时间区间压缩,即将该目标放大位置对应的时间区间的时间刻度细化,将其他时间区间的时间刻度粗化,进而达到将上述时序数据曲线在该目标放大位置对应的时间区间上的曲线段(即第一时序数据曲线)拉长,以实现对该曲线段进行鱼眼放大的目的。
继续参照图2所示的示例,假设用户在时序数据曲线上选择了两个目标放大位置,该两个目标放大位置对应在时间轴上的时间区间分别为T1和T2,其中,T1为1993年10月至1996年12月,T2为1998年7月至2001年09月,则时序数据曲线在该T1和T2上的曲线段均为第一时序数据曲线,因此,通信设备就会将该T1和T2上的第一时序数据曲线同时进行鱼眼放大。图3为本发明提供的时序数据曲线的示例图二,如图3所示,该图即为通信设备将时序数据曲线的第一时序数据曲线进行鱼眼放大后的效果图,对比图2和图3可知,图3所示的时序数据曲线在保持时间轴所涵盖的整个时间跨度不变的情况下(即图3所示的时序数据曲线的时间轴与图2所示的时序数据曲线的时间轴所涵盖的时间跨度相同),将时序数据曲线在T1和T2上的曲线段进行了放大,也就是说,这一个时序数据曲线图既包括了时序数据总览曲线,又包括了时序数据细节曲线,这样,用户根据这一个时序数据曲线,不仅可以纵观时序数据曲线在整个时间跨度上的变化,还可以仔细查看时序数据曲线在某一时间区间的细节变化,即用户根据这一个时序数据曲线,就可以分析出该时序数据随时间的变化规律和变化趋势。与现有技术中,用户需要先将时序数据转换成一个时序数据总览曲线和多个时序数据细节曲线,然后再在时序数据总览曲线和多个时序数据细节曲线之间进行多次视图切换,才能分析出该时序数据随时间的变化规律和变化趋势相比,本实施例提供的时序数据曲线处理方法,可以提高用户分析时序数据的效率。
本发明提供的时序数据曲线处理方法,在保持时序数据曲线在时间轴上的整个时间跨度不变的情况下,可以根据用户在时序数据曲线上选择的目标放大位置,将时序数据曲线上与目标位置对应的时间区间的曲线段进行放大,以使得一个时序数据曲线图同时包括了时序数据总览曲线和时序数据细节曲线,从而使得用户可以根据这一个时序数据曲线,不仅可以纵观时序数据曲线在整个时间跨度上的变化,还可以仔细查看时序数据曲线在某一时间区间的细节变化,即用户可以仅根据这一个时序数据曲线,就可以分析出该时序数据随时间的变化规律和变化趋势,提高用户根据时序数据曲线分析时序数据的效率。
在本发明的一种实现方式中,在上述S101之前,该方法还可以包括:根据用户输入的至少一个对象的时序数据,生成至少一个对象的时序数据曲线。也就是说,在本实施中,上述通信设备可以在接收到用户输入的至少一个对象的时序数据之后,采用绘制曲线图的方式将该至少一个对象的时序数据自动生成至少一个对象的时序数据曲线,而不需要用户再单独手动将时序数据生成时序数据曲线,提高了将时序数据生成时序数据曲线的效率,进而提高了用户分析时序数据的效率。
图4为本发明提供的时序数据曲线处理方法实施例二的流程示意图,本实施例的执行主体可以为具有图像处理功能的通信设备,在本实施例中,时序数据曲线可以包括多个对象的时序数据曲线,其中,每个对象的时序数据曲线对应不同的曲线标识。本实施例涉及的是通信设备根据用户选择的曲线标识和输入的目标形状曲线,确定待查询对象的时序数据曲线上与目标形状曲线匹配的曲线段的具体过程,本实施例的方法适用于待分析的时序数据曲线,可以提高用户分析时序数据的效率。如图4所示,在上述S102之后,该方法可以包括:
S401、根据用户选择的曲线标识和预设的映射关系,确定待查询对象的时序数据曲线;其中,预设的映射关系包括不同的曲线标识与不同的对象的时序数据曲线的对应关系。
具体的,在本实施例中,上述通信设备中存储有预设的映射关系,该预设的映射关系包括了不同对象的时序数据曲线与不同曲线标识的对应关系,其中,这里所说的曲线标识可以为每个对象的时序数据曲线的颜色,也可以为每个对象的时序数据曲线的粗细,还可以为每个对象的时序数据曲线的线型。这样,当用户需要查询某一对象的时序数据曲线的某一种变化趋势时,就可以选择该对象的时序数据曲线的曲线标识,以使得通信设备可以根据该曲线标识和预设的映射关系,将该对象的时序数据曲线作为待查询对象的时序数据曲线。可选的,为了使用户也可以将时序数据曲线中的所有对象的时序数据曲线同时作为待查询对象的数据曲线,上述映射关系中还可以包括所有对象的时序数据曲线与同一曲线标识的对应关系,这样,当上述用户选择该曲线标识时,通信设备会将所有对象的时序数据曲线作为待查询对象的时序数据曲线。
以曲线标识为时序数据曲线的颜色为例,假定时序数据曲线包括3个对象的时序数据曲线,分别为时序数据曲线1、时序数据曲线2和时序数据曲线3,则该时序数据曲线的映射关系例如可以如表1所示:
表1
如表1所示,当用户选择的曲线标识为红色时,通信设备根据该红色以及表1所示的预设的映射关系可以确定,时序数据曲线2即为待查询对象的时序数据曲线。当用户选择的曲线标识为黑色时,通信设备根据该黑色以及表1所示的预设的映射关系可以确定,时序数据曲线1、时序数据曲线2和时序数据曲线3为待查询对象的时序数据曲线。
S402、根据用户输入的目标形状曲线和待查询对象的时序数据曲线,确定与目标形状曲线匹配的至少一个第一曲线段和每个第一曲线段对应的时间区间。
具体实施时,用户可以在通信设备显示上述时序数据曲线的界面上,通过手绘笔迹的方式在时序数据曲线空白处手绘目标形状曲线,还可以在通信设备中预存的多个形状曲线中选择一个形状曲线作为目标形状曲线;其中,上述目标形状曲线可以为代表了某一种变化趋势的曲线。这样,当通信设备接收到用户输入的目标形状曲线之后,就可以以目标形状曲线作为基准来遍历待查询的时序数据曲线,以确定该待查询的时序数据曲线中与目标形状曲线匹配的一个或多个曲线段,即该待查询的时序数据曲线中与目标形状曲线相同或相似的一个或多个曲线段,并将该一个或多个曲线段作为第一曲线段,与时序数据曲线同时显示在通信设备的界面上,或者在时序数据曲线上将该第一曲线段进行标注,以使得用户可以根据第一曲线段以及第一曲线段对应的时间区间,获知待查询对象的时序数据曲线在哪些时间区间上存在与目标形状曲线匹配的曲线段,进而可以更加清楚和详细的了解该时序数据曲线的随时间的变化规律和变化趋势,与现有技术中用户需要自己手动逐一查看待查询对象的时序数据曲线的每一点的变化,才能知晓该待查询对象的时序数据曲线是否存在某一种变化趋势相比,本实施例提供的时序数据曲线处理方法,提高了用户分析时序数据的效率。
其中,上述根据用户输入的目标形状曲线和待查询对象的时序数据曲线,确定与目标形状曲线匹配的至少一个第一曲线段,可以采用现有技术中的图形匹配的方式,例如:尺度不变特征转换算法、区域特征提取算法等。可选的,在本发明的一种实现方式中,上述根据用户输入的目标形状曲线和待查询对象的时序数据曲线,确定与目标形状曲线匹配的至少一个第一曲线段,还可以采用如下步骤来实现,具体地:
S501、根据预设的采样规则,确定目标形状曲线的归一化采样序列,并获取目标形状曲线的归一化采样序列中的每个第一采样点的特征序列;特征序列包括:纵坐标数值、前继距离值、斜率和正弦值。
具体的,上述预设的采样规则可以包括相邻的两个采样点之间的间隔距离、采样点在曲线中的位置等,具体可以根据用户的需求确定。当上述通信设备接收到用户输入的目标形状曲线之后,就可以根据该预设的采样规则,对目标形状曲线进行归一化采样,得到目标形状曲线的归一化采样序列,该归一化采样序列由目标形状曲线的每个采样点(即第一采样点)的坐标组成,即该归一化采样序列可以表示为{(x1,y1),(x2,y2),(x3,y3),(x4,y4)…,(xm,ym)},其中,该归一化采样序列中的每个(xi,yi)中的xi为第i个第一采样点在横坐标轴(即时间轴)的取值,yi为第i个第一采样点在纵坐标轴(即特征值轴)的取值,1≤i≤m,m为大于1的正整数,i为大于等于1的正整数。上述通信设备根据预设的采样规则,确定目标形状曲线的归一化采样序列,可以参见现有技术。
上述通信设备在获取到目标形状曲线的归一化采样序列之后,就可以根据每个第一采样点的(xi,yi),得到每个第一采样点的特征序列Ti={yi,di,ki,sinαi},其中,di为第i个第一采样点的前继距离值,ki为第i个第一采样点的斜率,sinαi为第i个第一采样点的正弦值,该di、ki和sinαi可以依次采用如下公式(1)-(3)确定,具体地:
S502、根据预设的时间区间,将待查询对象的时序数据曲线划分成多个曲线段,并根据预设的采样规则,确定每个曲线段的归一化采样序列,并获取每个曲线段的归一化采样序列中的每个第二采样点的特征序列。
具体的,上述预设的时间区间可以为以月为单位的时间区间,也可以为以固定天数为单位的时间区间,具体可以根据用户确定。在本实施例中,上述预设的时间区间,用于约束所划分的待查询对象的时序数据曲线的曲线段的长度。可选的,可以以预设的时间区间为基准,将待查询对象的时序数据曲线平均划分成多个曲线段,也可以从待查询对象的时序数据曲线的第一曲线点开始,以逐次递增的方式,依次将待查询对象的时序数据曲线的每个曲线点作为起点,分别截取上述预设的时间区间的曲线段。
继续参照图2,以从待查询对象的时序数据曲线的第一曲线点开始,以逐次递增的方式,依次将待查询对象的时序数据曲线的每个曲线点作为起点,分别截取上述预设的时间区间的曲线段为例,假定上述预设的时间区间为以月为单位的时间区间,该时间区间为[1,5],则以待查询对象的时序数据曲线的第一个曲线点作为起点时,即以该第一个曲线点对应的时间为1985年11月为起点时,可以截取的曲线段的数量为5个,其中,曲线段1对应的时间区间为1985年11月至1985年12月,曲线段2对应的时间区间为1985年11月1986年1月,曲线段3对应的时间区间为1985年11月1986年2月,曲线段4对应的时间区间为1985年11月1986年3月,曲线段5对应的时间区间为1985年11月1986年4月,然后再以待查询对象的时序数据曲线的第二个曲线点作为起点,以该时间区间为[1,5]再依次截取5个曲线段,以此类推,直至将待查询对象的时序数据曲线的最后一个曲线点作为起点,至此就将待查询对象的时序数据曲线划分成了多个曲线段。
通信设备在将上述待查询对象的时序数据曲线划分成多个曲线段之后,就可以采用如上述S501所述的同一预设的采样规则,确定待查询对象的时序数据曲线的每个曲线段的归一化采样序列{(a1,b1),(a2,b2),(a3,b3),(a4,b4)…,(an,bn)},其中,该归一化采样序列中的每个(az,bz)中的az为第z个第二采样点在横坐标轴(即时间轴)的取值,bz为第z个第二采样点在纵坐标轴(即特征值轴)的取值,1≤z≤n,n为大于1的正整数(该n的取值可以大于、等于或小于上述目标形状曲线的归一化采样序列的m,其中,不同的曲线段对应的n的取值可以相同,也可以不同,具体可以根据每个曲线段的长度确定),z为大于等于1的正整数,进而根据上述S501所述的方式,获取该每个曲线段的归一化采样序列中的每个采样点(即第二采样点)的特征序列T(j)z={b(j)z,d(j)z,k(j)z,sinα(j)z}。其中,j表示第j个曲线段,z表示第j个曲线段的第z个第二采样点,其中,z和j均为正整数,d(j)z为第j个曲线段的第z个第二采样点的前继距离值,k(j)z为第j个曲线段的第z个第二采样点的斜率,sinα(j)z为第j个曲线段的第z个第二采样点的正弦值。
该d(j)z、k(j)z和sinα(j)z可以依次采用如下公式(4)-(6)确定,具体地:
S503、根据每个第一采样点的特征序列与每个曲线段的归一化采样序列中的每个第二采样点的特征序列,确定每个曲线段对应的累积动态时间归整距离。
具体的,在根据上述S501确定了目标形状曲线的归一化采样序列中的每个第一采样点的特征序列Ti={yi,di,ki,sinαi},根据上述S502确定了每个曲线段的归一化采样序列中的每个第二采样点的特征序列T(j)z={b(j)z,d(j)z,k(j)z,sinα(j)z}之后,就可以通过动态扭曲算法,确定每个曲线段对应的累积动态时间归整距离,具体地:
首先,通过动态扭曲算法,将目标形状曲线的第i个第一采样点的特征序列与每个曲线段的每个第二采样点的特征序列相减,得到第i个第一采样点的特征序列与每个曲线段的每个第二采样点的距离D(j)iz,该D(j)iz具体可以采用如下公式(7)计算,具体地:
D(j)iz=c*|yi-b(j)z|+e*|di-d(j)z|+f*|ki-k(j)z|+h*|sinαi-sinα(j)z| (7)
其中,上述c、e、f、h均为加权系数,在本实施例中,该c、e、f、h总和为1,其中,该c、e、f、h的每个取值具体可以根据用户的需求确定,例如:上述c可以为0.6,e可以为0.2,f可以为0.15,h可以为0.05。
在采用上述公式(7)计算得到第i个第一采样点的特征序列与每个曲线段的每个第二采样点的距离D(j)iz之后,每个曲线段的所有D(j)iz就组成了每个曲线段的距离矩阵D(j),该D(j)具体可以采用如下矩阵(8)表示:
其次,根据动态扭曲算法,对每个曲线段的距离矩阵D(j)再次进行动态扭曲计算,得到每个曲线段对应的累计动态时间规整距离TD(j)。其中,对每个曲线段的距离矩阵D(j)进行动态扭曲计算,得到每个曲线段对应的累计动态时间规整距离TD(j),可以参见现有技术,本实施例不再赘述。
S504、根据各累积动态时间归整距离从小到大的顺序,对各曲线段进行排序,将满足预设顺序条件的曲线段作为第一曲线段。
具体的,上述预设顺序条件可以为预设的某一排序的序号。例如:预设顺序条件可以为将排序顺序前5个的各曲线段作为第一曲线段,还可以为排序顺序最后5个的各曲线段作为第一曲线段,具体可以根据用户的需求确定。
这样,在获取到每个曲线段的累计动态时间规整距离TD(j)之后,就可以按照各累计动态时间规整距离TD(j)从小到大的顺序,对各累计动态时间规整距离TD(j)对应的曲线段进行排序,并根据预设顺序条件,将排序后的各曲线段中满足预设顺序条件的曲线段作为第一曲线段,与时序数据曲线同时显示在通信设备的界面上,或者在时序数据曲线上将该第一曲线段进行标注,以使得用户可以根据第一曲线段以及第一曲线段对应的时间区间,获知待查询对象的时序数据曲线在哪些时间区间上存在与目标形状曲线匹配的曲线段,进而可以更加清楚和详细的了解该时序数据曲线的随时间的变化规律和变化趋势,与现有技术中用户需要自己手动逐一查看时序数据曲线的每一点的变化,才能知晓该时序数据曲线是否存在某一种趋势变化相比,本实施例提供的时序数据曲线处理方法,提高了用户分析时序数据的效率。
本领域技术人员可以理解的是,本实施例所涉及的时序数据曲线处理方法可以在对时序数据曲线进行鱼眼放大后再执行,也可以直接在时序数据曲线上,根据用户选择的曲线标识和输入的目标形状曲线,确定待查询对象的时序数据曲线上与目标形状曲线匹配的曲线段,本实施例对此不再赘述。
本发明提供的时序数据曲线处理方法,通过预设有不同对象的时序数据曲线与不同的曲线标识的映射关系,因此,可以根据用户所输入的目标形状曲线和曲线标识,在该曲线标识对应的待查询对象曲线中查找与目标形状曲线匹配的第一曲线段,以使得用户可以根据所查找到的第一曲线段和第一曲线段对应的时间区间,了解该待查询对象曲线在哪个时间区间发生了与目标形状曲线相同的变化趋势,以便于用户分析该待查询对象的时序数据曲线的随时间的变化规律和变化趋势,提高用户根据时序数据曲线分析时序数据的效率。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图6为本发明提供的时序数据曲线处理装置实施例一的结构示意图,如图6所示,该时序数据曲线处理装置可以包括:第一确定模块11和放大模块12;其中,
上述第一确定模块11,用于根据用户在时序数据曲线上选择的目标放大位置,确定目标放大位置对应在时间轴上的时间区间。
上述放大模块12,用于根据第一确定模块11确定的时间区间,将时间区间对应的第一时序数据曲线进行鱼眼放大;其中,第一时序数据曲线包括至少一个对象的时序数据曲线。
本发明提供的时序数据曲线处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图7为本发明提供的时序数据曲线处理装置实施例二的结构示意图,如图7所示,上述装置还可以包括生成模块13;其中,
上述生成模块13,用于在上述第一确定模块11根据用户在时序数据曲线上选择的目标放大位置,确定目标放大位置对应在时间轴上的时间区间之前,根据用户输入的至少一个对象的时序数据,生成至少一个对象的时序数据曲线。
本发明提供的时序数据曲线处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图8为本发明提供的时序数据曲线处理装置实施例三的结构示意图,如图8所示,当上述时序数据曲线包括多个对象的时序数据曲线时,每个对象的时序数据曲线可以对应不同的曲线标识。上述装置还可以包括:第二确定模块14和处理模块15;其中,
上述第二确定模块14,用于根据用户选择的曲线标识和预设的映射关系,确定待查询对象的时序数据曲线;其中,预设的映射关系包括不同的曲线标识与不同的对象的时序数据曲线的对应关系。
上述处理模块15,用于根据用户输入的目标形状曲线和第二确定模块14确定的待查询对象的时序数据曲线,确定与目标形状曲线匹配的至少一个第一曲线段和每个第一曲线段对应的时间区间。
在本发明的一种实现方式中,上述处理模块15,用于根据用户输入的目标形状曲线和第二确定模块14确定的待查询对象的时序数据曲线,确定与目标形状曲线匹配的至少一个第一曲线段,具体可以为:
根据预设的采样规则,确定目标形状曲线的归一化采样序列,并获取目标形状曲线的归一化采样序列中的每个第一采样点的特征序列;特征序列包括:纵坐标数值、前继距离值、斜率和正弦值;
根据预设的时间区间,将待查询对象的时序数据曲线划分成多个曲线段,并根据预设的采样规则,确定每个曲线段的归一化采样序列,并获取每个曲线段的归一化采样序列中的每个第二采样点的特征序列;
根据每个第一采样点的特征序列与每个曲线段的归一化采样序列中的每个第二采样点的特征序列,确定每个所述曲线段对应的累积动态时间归整距离;
根据各累积动态时间归整距离从小到大的顺序,对各曲线段进行排序,将满足预设顺序条件的曲线段作为第一曲线段。
本发明提供的时序数据曲线处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种时序数据曲线处理方法,其特征在于,包括:
根据用户在所述时序数据曲线上选择的目标放大位置,确定所述目标放大位置对应在时间轴上的时间区间;
将所述时间区间对应的第一时序数据曲线进行鱼眼放大;其中,所述第一时序数据曲线包括至少一个对象的时序数据曲线;
当所述时序数据曲线包括多个对象的时序数据曲线时,所述方法还包括:
根据用户输入的目标形状曲线和待查询对象的时序数据曲线,确定与所述目标形状曲线匹配的至少一个第一曲线段和每个所述第一曲线段对应的时间区间;
其中,所述根据用户输入的目标形状曲线和所述待查询对象的时序数据曲线,确定与所述目标形状曲线匹配的至少一个第一曲线段,具体包括:
根据预设的采样规则,确定所述目标形状曲线的归一化采样序列,并获取所述目标形状曲线的归一化采样序列中的每个第一采样点的特征序列;所述特征序列包括:纵坐标数值、前继距离值、斜率和正弦值;
根据预设的时间区间,将所述待查询对象的时序数据曲线划分成多个曲线段,并根据所述预设的采样规则,确定每个所述曲线段的归一化采样序列,并获取每个所述曲线段的归一化采样序列中的每个第二采样点的特征序列;
根据每个所述第一采样点的特征序列与每个所述曲线段的归一化采样序列中的每个第二采样点的特征序列,确定每个所述曲线段对应的累积动态时间归整距离;
根据各累积动态时间归整距离从小到大的顺序,对各所述曲线段进行排序,将满足预设顺序条件的曲线段作为所述第一曲线段。
2.根据权利要求1所述的方法,其特征在于,每个对象的时序数据曲线对应不同的曲线标识;所述方法还包括:
根据用户选择的曲线标识和预设的映射关系,确定所述待查询对象的时序数据曲线;其中,所述预设的映射关系包括不同的曲线标识与不同的对象的时序数据曲线的对应关系。
3.根据权利要求1所述的方法,其特征在于,根据用户在所述时序数据曲线上选择的目标放大位置,确定所述目标放大位置对应在时间轴上的时间区间之前,所述方法还包括:
根据用户输入的至少一个对象的时序数据,生成所述至少一个对象的时序数据曲线。
4.一种时序数据曲线处理装置,其特征在于,所述装置包括:
第一确定模块,用于根据用户在所述时序数据曲线上选择的目标放大位置,确定所述目标放大位置对应在时间轴上的时间区间;
放大模块,用于根据所述第一确定模块确定的时间区间,将所述时间区间对应的第一时序数据曲线进行鱼眼放大;其中,所述第一时序数据曲线包括至少一个对象的时序数据曲线;
当所述时序数据曲线包括多个对象的时序数据曲线时,所述装置还包括:
处理模块,用于根据用户输入的目标形状曲线和待查询对象的时序数据曲线,确定与所述目标形状曲线匹配的至少一个第一曲线段和每个所述第一曲线段对应的时间区间;
其中,所述处理模块,具体用于:
根据预设的采样规则,确定所述目标形状曲线的归一化采样序列,并获取所述目标形状曲线的归一化采样序列中的每个第一采样点的特征序列;所述特征序列包括:纵坐标数值、前继距离值、斜率和正弦值;
根据预设的时间区间,将所述待查询对象的时序数据曲线划分成多个曲线段,并根据所述预设的采样规则,确定每个所述曲线段的归一化采样序列,并获取每个所述曲线段的归一化采样序列中的每个第二采样点的特征序列;
根据每个所述第一采样点的特征序列与每个所述曲线段的归一化采样序列中的每个第二采样点的特征序列,确定每个所述曲线段对应的累积动态时间归整距离;
根据各累积动态时间归整距离从小到大的顺序,对各所述曲线段进行排序,将满足预设顺序条件的曲线段作为所述第一曲线段。
5.根据权利要求4所述的装置,其特征在于,每个对象的时序数据曲线对应不同的曲线标识;所述装置还包括:
第二确定模块,用于根据用户选择的曲线标识和预设的映射关系,确定所述待查询对象的时序数据曲线;其中,所述预设的映射关系包括不同的曲线标识与不同的对象的时序数据曲线的对应关系。
6.根据权利要求4所述的装置,其特征在于,所述装置还包括:
生成模块,用于在所述第一确定模块根据用户在所述时序数据曲线上选择的目标放大位置,确定所述目标放大位置对应在时间轴上的时间区间之前,根据用户输入的至少一个对象的时序数据,生成所述至少一个对象的时序数据曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058896.8A CN105740399B (zh) | 2016-01-28 | 2016-01-28 | 时序数据曲线处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058896.8A CN105740399B (zh) | 2016-01-28 | 2016-01-28 | 时序数据曲线处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740399A CN105740399A (zh) | 2016-07-06 |
CN105740399B true CN105740399B (zh) | 2019-05-07 |
Family
ID=56247851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610058896.8A Active CN105740399B (zh) | 2016-01-28 | 2016-01-28 | 时序数据曲线处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740399B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503725A (zh) * | 2016-09-12 | 2017-03-15 | 新浪网技术(中国)有限公司 | 一种图形处理方法及装置 |
CN108416022B (zh) * | 2018-03-07 | 2020-06-09 | 电信科学技术第五研究所有限公司 | 一种流式数据实时保真曲线绘制模型实现系统及方法 |
CN108537590A (zh) * | 2018-04-08 | 2018-09-14 | 聂嘉雯 | 一种金融市场用数据参考分析方法 |
CN110018771B (zh) * | 2018-11-20 | 2022-04-22 | 创新先进技术有限公司 | 一种信息展示方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467317A (zh) * | 2010-11-05 | 2012-05-23 | 江苏智发数字医疗科技有限公司 | 可变幅式曲线绘制方法 |
CN103473458A (zh) * | 2013-09-13 | 2013-12-25 | 杭州安恒信息技术有限公司 | 一种折线对比分析相似度的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8890890B2 (en) * | 2010-05-26 | 2014-11-18 | Microsoft Corp. | Pluggable web-based visualizations for applications |
-
2016
- 2016-01-28 CN CN201610058896.8A patent/CN105740399B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467317A (zh) * | 2010-11-05 | 2012-05-23 | 江苏智发数字医疗科技有限公司 | 可变幅式曲线绘制方法 |
CN103473458A (zh) * | 2013-09-13 | 2013-12-25 | 杭州安恒信息技术有限公司 | 一种折线对比分析相似度的方法 |
Non-Patent Citations (2)
Title |
---|
基于内容的Focus+Context可视化技术;吴金亮等;《计算机应用》;20110131;第31卷(第1期);6-10 |
时序数据相似匹配技术的研究;雷继呈等;《宁德师范学院学报(自然科学版)》;20111130;第23卷(第4期);344-347 |
Also Published As
Publication number | Publication date |
---|---|
CN105740399A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740399B (zh) | 时序数据曲线处理方法和装置 | |
Lim et al. | Guidelines for interpreting the results of bibliometric analysis: A sensemaking approach | |
Killick et al. | changepoint: An R package for changepoint analysis | |
Zhang et al. | New measures of clumpiness for incidence data | |
Schliebs et al. | China's public diplomacy operations: understanding engagement and inauthentic amplifications of PRC diplomats on Facebook and Twitter | |
US20190034492A1 (en) | Methods and apparatus to partition data | |
CN107317725A (zh) | 一种区块链的可视化方法及系统 | |
CN104572783A (zh) | 网页点击情况的展示方法及装置 | |
Prosser | Building policy scales from manifesto data: A referential content validity approach | |
Yang et al. | Threshold autoregression analysis for finite-range time series of counts with an application on measles data | |
Yamaguchi et al. | A comparison of multiple imputation methods for incomplete longitudinal binary data | |
CN110263636A (zh) | 一种无损笔迹还原方法及系统 | |
WO2022237117A1 (zh) | 交互式电子白板的触摸控制方法、系统和可读介质 | |
US20190050379A1 (en) | Method for providing data management service having automatic cell merging function and service providing server for performing the method | |
Chen et al. | Image warping using radial basis functions | |
Hu et al. | Semiparametric double balancing score estimation for incomplete data with ignorable missingness | |
Modak | A new interpoint distance-based clustering algorithm using kernel density estimation | |
Cui et al. | The split common fixed point problem with multiple output sets for demicontractive mappings | |
US11068481B2 (en) | Optimized full-spectrum order statistics-based cardinality estimation | |
CN105718471A (zh) | 用户偏好建模方法、系统及用户偏好评估方法、系统 | |
Gomes et al. | Bootstrap and other resampling methodologies in statistics of extremes | |
Liang et al. | A distribution-free multivariate CUSUM control chart using dynamic control limits | |
Larremore | Bayes-optimal estimation of overlap between populations of fixed size | |
Weiß | Fully observed INAR (1) processes | |
Alosh | The impact of missing data in a generalized integer-valued autoregression model for count data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |