CN110555413A - 时序信号的处理方法及装置、设备及可读介质 - Google Patents

Abstract

本发明提供一种时序信号的处理方法及装置、设备及可读介质。其中，根据多个传感器实时采集的时序信号，生成预测样本数据；对所述预测样本数据进行特征提取处理，得到预测样本特征；将所述预测样本特征输入至已训练得到的信号处理模型，获取所述信号处理模型的输出结果。本发明的技术方案中，不仅考虑每个传感器的时序性，同时还考虑多个传感器的空间关系，有效地保留了多个传感器的空间关系，进而能够有效地提高时序信号处理的准确性和处理效率。

Description

时序信号的处理方法及装置、设备及可读介质

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种时序信号的处理方法及装置、设备及可读介质。

背景技术

现有技术中，在很多场景下产生的信号为时序信号。时序信号处理如异常检测、分类或者数值预测等等均为这一类信号的研究中的非常重要的工作。

现有技术中，通常是一个系统中会分布很多的传感器，每个传感器的信号可视为一个时序信号。现有技术的方法主要是基于单个传感器信号的时间轴上的信号进行处理，以进行一些相关预测判断，但是单个传感器信号随时间波动具有一定的随机性，因此会判断不准确的问题。

发明内容

本发明提供一种时序信号的处理方法及装置、设备及可读介质，用于提高时序信号处理的准确性。

本发明提供一种时序信号的处理方法，包括：

根据多个传感器实时采集的时序信号，生成预测样本数据；

对所述预测样本数据进行特征提取处理，得到预测样本特征；

将所述预测样本特征输入至已训练得到的信号处理模型，获取所述信号处理模型的输出结果。

本发明还提供一种信号处理模型的训练方法，包括：

根据目标环境中的多个传感器历史采集的时序信号以及所述目标环境中相应的历史状态信息，生成训练样本数据集；

对所述训练样本数据集进行特征提取处理，得到训练样本特征集；

基于所述训练样本特征集、采集的所述历史状态信息和机器学习算法，训练信号处理模型。

本发明还提供一种时序信号的处理装置，包括：

生成模块，用于根据多个传感器实时采集的时序信号，生成预测样本数据；

提取模块，用于对所述预测样本数据进行特征提取处理，得到预测样本特征；

处理模块，用于将所述预测样本特征输入至已训练得到的信号处理模型，获取所述信号处理模型的输出结果。

本发明还提供一种信号处理模型的训练装置，包括：

生成模块，用于根据目标环境中的多个传感器历史采集的时序信号以及所述目标环境中相应的历史状态信息，生成训练样本数据集；

提取模块，用于对所述训练样本数据集进行特征提取处理，得到训练样本特征集；

训练模块，用于基于所述训练样本特征集、采集的所述历史状态信息和机器学习算法，训练信号处理模型。

本发明还提供一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上任何一项所述的方法。

本发明还提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上任一项所述的方法。

本发明的时序信号的处理方法及装置、设备及可读介质，通过上述方案，可以采用预先训练好的信号处理模型，来实现对实时多个传感器的时序信号进行处理，与现有技术相比，本发明的技术方案中，不仅考虑每个传感器的时序性，同时还考虑多个传感器的空间关系，有效地保留了多个传感器的空间关系，进而能够有效地提高时序信号处理的准确性和处理效率。

附图说明

通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。

图1为本发明的时序信号的处理方法实施例的流程图。

图2为本发明的信号处理模型的训练方法实施例的流程图。

图3为本发明所采用的CNN模型框架结构示意图。

图4为本发明提供的两种函数Sigmoid和Tanh的图形示意图。

图5为本发明的CNN模型中批量归一化层的代码逻辑示意图。

图6为本发明的CNN模型中池化层的操作示意图。

图7为本发明的CNN模型中DropOut层与之前的全连接层的对比图。

图8为本发明的时序信号的处理装置实施例的结构图。

图9为本发明的信号处理模型的训练装置实施例的结构图。

图10示出了根据本发明一实施例可用于实现上述方法的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本申请的发明人发现现有的时序信号分析分类方法通常是利用传统的统计回归模型(如ARIMA)或自定义抽取的时间窗口聚合特征来解决。这些方法可以从单个时序信号的角度分析其历史分布从而对未来做预测，但现实中通常是一个系统中会分布很多的时序信号传感器，并且单个传感器信号随时间波动有随机性，目前的方法不能很好的利用相邻传感器信号这种空间关系，会失去一个维度的信息，往往造成判断不准确的问题。

图1为本发明的时序信号的处理方法实施例的流程图。如图1所示，本实施例的时序信号的处理方法，具体可以包括如下步骤：

S100、根据多个传感器实时采集的时序信号，生成预测样本数据；

本实施例的时序信号的处理方法的执行主体为时序信号的处理装置，该时序信号的装置采用已训练得到的信号处理模型，来对多个传感器采集到的时序信号进行处理。

例如，本实施例的对时序信号的处理可以包括时序信号的异常检测、时序信号的分类或者时序信号的数值预测等等处理。其中时序信号的分类可以为二分类，也可以为多分类。

无论对时序信号进行哪一种处理，采用本实施例的时序信号的处理方法的原理都可以实现。本实施例的多个传感器中每个传感器的信号具有时序关系，且不同传感器之间也可以预设有空间的相对关系。

具体地，在实际应用中，为了对时序信号进行处理，可以在检测环境中设置多个传感器来实时采集时序信号。例如，在检测未来是否会下雨的场景中，可以设置多个环境传感器，如湿度传感器、温度传感器、风速传感器以及气压传感器等中的至少两个，并采用预先训练好的信号处理模型根据多个传感器的时序信号可以预测未来是否要下雨，此时对应地信号处理模型的输出结果是环境检测结果。

在检测某个指定机器是否存在运行过热的问题，可以为在该指定机器的各个零件上设置温度传感器，然后采用预先训练好的信号处理模型根据各个零件的温度传感器的时序信号，判断该指定机器是否有运行过热等危险。此时对应地信号处理模型的输出结果是关于所述指定机器是否运行过热的判断结果。

实际应用中，对于多个传感器中的每个传感器。可以设置其为500采样率的传感器，每秒可以得到500个数值，来作为这一秒的信号。在实际采样过程中，可以按照预设的采样周期，选取采样周期内的信号，作为该传感器实时采集的信号。本实施例的采样周期可以根据实际需求取5秒、3秒或者其他预设时间长度，在此不再一一举例赘述。每个传感器采集的当前的预设时间长度内的信号便是实时采集的时序信号。对于多个传感器每预设时间长度内的时序信号，都作为一条实时的预测样本数据。例如，预设时间长度为5秒时，500的采样率对应的预测样本数据中每个传感器包括2500个采样数据。

上述为每个传感器的信号表示，但是在本实施例中，涉及到至少两个甚至多个传感器，可以预先为这些传感器配置空间顺序，这样，对于多个传感器实时采集的每预设时间长度内的信号，可以按照为多个传感器预先配置的空间顺序排列，生成对应时间和空间的二维信号数组，作为一条预测样本数据。例如，若本实施例中，n个传感器中的每个传感器在预设时间长度内共采集到m个时序信号值，此时对应的二维信号数组为n*m。

S101、对预测样本数据进行特征提取处理，得到预测样本特征；

本实施例的预测样本数据中包括多个传感器实时采集的预设时间长度内的所有采样数据，数据较为丰富，可以从所有采样数据中提取一部分特征，然后对抽取的这部分特征进行统计处理，基于处理后的统计量的值，生成预测样本特征。本实施例中，为了丰富预测样本特征，可以获取两种或者多种统计量的值。例如，本实施例中，步骤S101“对预测样本数据进行特征提取处理，得到预测样本特征”，具体可以包括：统计二维信号数组中相邻d1个传感器中每个传感器的相邻d2个时间窗口中每个时间窗口的k个统计量的值，以统计量的值作为像素值得到k张d1*d2的信号图片，作为预测样本特征，其中d1、d2和k均为大于1的正整数。

本实施例中预设时间长度可以为连续的10s、20s或者其他时间长度，时间窗口可以为小于预设时间长度的时间单元，例如，本实施例中可以取每秒为一个时间窗口。

本实施例中的二维信号为n*m时，此时d1为大于1小于n的正整数，本实施例的d2的范围为大于1、小于预设时间长度内包括的最多的时间窗口的数量。例如，实际应用中可以以每秒作为一个时间窗口。

本实施例的k个统计量可以包括信号极差、信号方差、信号均值、信号最大差分等中的部分。

根据每一条预测样本数据，可以统计对应的二维信号数组中相邻d1个传感器中的每个传感器的相邻d2个时间窗口中每个时间窗口的k个统计量的值，以各统计量的值作为像素值得到k张d1*d2的信号图片，这样，可以构造同一时间空间的k张d1*d2的图片，作为预测样本特征。

例如，在某个场景中，对于预测样本数据为n*m的信号图，选取k＝3，分别取信号极差、信号方差和信号均值，此时可以得到三张d1*d2的信号图片，在其中一张d1*d2的信号图片中，每个位置的像素值为对应位置的横坐标对应的传感器在对应位置的纵坐标对应的时间窗口内的信号极差的值；在另一张d1*d2的信号图片中，每个位置的像素值为对应位置的横坐标对应的传感器在对应位置的纵坐标对应的时间窗口内的信号方差的值；在最后一张d1*d2的信号图片中，每个位置的像素值为对应位置的横坐标对应的传感器在对应位置的纵坐标对应的时间窗口内的信号均值。

S102、将预测样本特征输入至已训练得到的信号处理模型，获取信号处理模型的输出结果。

上述得到的k张d1*d2的信号图片，可以作为k个通道的d1*d2的信号输入至信号处理模型，即向信号处理模型输入的是一个d1*d2*k的三维信号图片。本实施例中，对于每一个预测样本特征还对应一个标签，可以采用该预测样本特征对应的时间段来标识。如预测t时刻某位置附近的机器零件是否有过热危险，此时需要先采集标签为t时刻某位置附近的多个传感器的时序信号，作为预测样本数据，进行处理得到t时刻的预测样本特征，按照本实施例的上述方式，得到一个k个通道的d1*d2的预测样本特征。最后将k个通道的d1*d2的预测样本特征输入至预先训练好的信号处理模型，该信号处理模型可以输入t时刻某位置附近的机器零件是否有过热危险，如输出的值可以为0-1之间的一个概率值，例如，可以设置为越接近1，越危险，越接近0，越安全，反之亦然。此时本实施例的信号处理模型预先训练的是一个过热危险的检测模型。本实施例的信号处理模型可以基于卷积神经网络(Convolutional Neural Networks；CNN)模型进行机器学习，训练而成。

本实施例中，在不同的使用场景下，所采用的k个通道的数量以及具体的统计量可以不相同，预先根据场景的需求，配置好即可。

本实施例的时序信号的处理方法，通过上述方案，可以采用预先训练好的信号处理模型，来实现对实时多个传感器的时序信号进行处理，与现有技术相比，本实施例的技术方案中，不仅考虑每个传感器的时序性，同时还考虑多个传感器的空间关系，有效地保留了多个传感器的空间关系，进而能够有效地提高时序信号处理的准确性和处理效率。

图2为本发明的信号处理模型的训练方法实施例的流程图。如图2所示，本实施例的信号处理模型的训练方法，具体可以包括如下步骤：

S200、根据目标环境中的多个传感器历史采集的时序信号以及目标环境中相应的历史状态信息，生成训练样本数据集；

本实施例的信号处理模型的训练方法的执行主体为信号处理模型的训练装置，该信号处理模型的训练装置用于训练上述图1所示实施例的信号处理模型。

首先，该步骤S200中的训练样本数据集的生成过程，具体可以包括如下步骤：将多个传感器历史采集的时序信号按预设时间长度切分成多个信号片段；对于每个信号片段，将信号片段中多个传感器的时序信号，按照为多个传感器预先配置的空间顺序排列，生成对应时间和空间的二维信号数组，作为样本，并将信号片段的对应时间内的历史状态作为标记，得到一条训练样本数据放入训练样本数据集中。

本实施例的训练样本数据集中的每条训练样本数据与上述图1所示实施例的预测样本数据不同的是，还包括对应的历史状态，以便于基于每条训练样本数据中的二维信号数组和对应的历史状态对信号处理模型进行训练。

本实施例的历史状态可以基于要训练的信号处理模型的不同而不同。例如若本实施例的信号处理模型为一个时序信号的异常检测模型，此时对应的历史状态可以为对应时刻的状态是否异常。若信号处理模型为一个时序信号的分类模型，此时对应的历史状态可以为对应时刻所属的分类。若信号处理模型为一个时序信号的数值预测模型，此时对应的历史状态为对应时刻的历史数值。实际应用中，本实施例的信号处理模型还可以为其他时序信号的处理模型，对应的历史状态还可以为其他参数，在此不再一一举例赘述。

另外，本实施例的训练样本数据中的二维信号数组与上述图1所示实施例的预测样本数据中的二维信号数组的生成方式是一样的，详细可以参考上述图1所示实施例的相关记载，在此不再赘述。

S201、对训练样本数据集进行特征提取处理，得到训练样本特征集；

例如，该步骤S201在实现时，具体可以包括：对训练样本数据集中的每条训练样本数据，统计二维信号数组中相邻d1个传感器中每个传感器的相邻d2个时间窗口中每个时间窗口的k个统计量的值，以统计量的值作为像素值得到k张d1*d2的信号图片，作为训练样本特征，其中d1、d2和k均为大于1的正整数。

本实施例中，基于每条训练样本数据，抽取到对应的训练样本特征，与上述图1所示实施例的步骤S101对预测样本数据进行特征提取处理，得到预测样本特征的过程完全相同，详细可以参考上述图1所示实施例的相关记载，在此不再赘述。

同理，本实施例的统计量可以包括信号极差、信号方差、信号均值或者信号最大差分。

同理，若本实施例训练一个预测未来是否要下雨的信号处理模型时，此时对应的目标环境中的多个传感器可以包括湿度传感器、温度传感器、风速传感器和气压传感器中的至少两个，信号处理模型的输出结果是环境检测结果。

或者，若本实施例训练一个预测某指定机器是否运行过热的信号处理模型时，此时对应的目标环境中的多个传感器可以包括该指定机器的各零部件的温度的多个温度传感器。此时，信号处理模型的输出结果是关于指定机器是否运行过热的判断结果。

同理，本实施例的信号处理模型还可以为其他的进行时序信号处理的模型，在此不再一一举例赘述。

S202、基于训练样本特征集、采集的历史状态信息和机器学习算法，训练信号处理模型。

经过上述步骤的处理，可以得到训练样本特征集，该训练样本特征集中可以包括多条训练样本特征。另外，由于每一条训练样本特征对应目标环境中多个传感器对应的一段信号片段，而每一段信号分段又对应一个历史状态信息，因此每一条训练样本特征可以对应一个历史状态信息。训练之前，将每一条训练样本特征和其对应一个历史状态信息作为一条训练数据。训练前，可以先获取一个未经训练的信号处理模型，如可以为一个CNN模型，然后为该模型的参数赋予初始值。训练时，取一条训练数据，将其中的训练样本特征输入至该信号处理模型中，该信号处理模型输出一个预测的状态。然后判断预测的状态与已采集的历史状态是否一致，若不一致，调整信号处理模型的参数，使得预测的状态与已采集的历史状态一致。采用采集的训练样本特征集中的所有训练样本特征及对应的历史状态信息，按照上述训练方式，不断地对信号处理模型进行训练，直至预测的状态与采集的历史状态一致，训练结束，确定信号处理模型的参数，从而确定信号处理模型。

本实施例中采集的训练样本数据集中的训练样本数据的数量越多，训练的信号处理模型就越准确。例如实际应用中采集的训练样本数据集中的训练样本数据的数量可以达到百万量级以上。

本实施例的信号处理模型的训练过程，与上述图1所示实施例中的时序信号的处理过程的原理相类似，详细亦可以参考上述图1所示实施例的相关步骤的记载，在此不再赘述。

本实施例的信号处理模型所采用的CNN模型将二维时序信号作为输入后可以根据问题定义的不同，制定不同的学习目标，从而达到解决二分类、多分类、回归等问题。对于分类问题，对应模型输出的结果即为每一类的概率；对于回归问题，模型结果即为预测值。由于CNN模型结构对图片类型的数据有着良好的学习与抗过拟合的能力，本发明中采用CNN模型为原型，来训练相应的信号处理模型。

具体训练时，在构造好图片样本即训练样本特征后，将多个通道的信号图片输入给CNN模型进行训练。

例如，以输入样本维度为16，通道数为2，解决三分类问题时，对应的CNN模型框架结构可以如图3所示。

根据图3所示的模型结构可看出，此时该模型的主要组件包括2维卷积层(conv2D)、激活层(Activation)、批量归一化层(BatchNormalization)、池化层(MaxPooling)和DropOut层。每种组件的计算逻辑与功能如下：

2维卷积层：将输入的图片样本中的数值分割成小窗口，进行卷积运算，卷积公式如下：

卷积运算通过参数共享与小窗口运算能够抽出图像中的局部信息，增强局部感知能力。

激活层：激活层的作用是将网络计算的输出结果映射到另一个函数上，使得其更有利于模型学习，常见的有Sigmoid、Tanh、ReLU等函数。图4为本实施例提供的两种函数Sigmoid和Tanh的图形示意图。

批量归一化层：批量归一化的计算逻辑是将每一个批次进入模型训练的样本进行一次标准正态分布的归一化，目的是抗过拟合的同时，提升训练速度，对初始化数据的要求降低。对应的批量归一化层的代码逻辑可以如图5所示。

池化层：和卷积一样,池化也有一个滑动的核,可以称之为滑动窗口,图6中以滑动窗口的大小为2×2,步幅为2，每滑动到一个区域,则取最大值作为输出,这样的操作称为Max Pooling。目的是抽象一些全局的特征并减小数据的维度，加速计算。

DropOut层：在训练时，将某些网络神经元舍弃，尝试通过随机的舍弃方法加强模型的鲁棒性，抗过拟合。如图7右边则是做了DropOut的网络与之前的全连接的对比。

本实施例的信号处理模型的训练方法，通过上述方案，可以训练一个应用在具有多个传感器的目标环境中的精准的信号处理模型，进而可以基于该信号处理模型，对目标环境中的多个传感器采集的时序信号进行处理，与现有技术相比，不仅考虑每个传感器的时序性，同时还考虑多个传感器的空间关系，有效地保留了多个传感器的空间关系，可以有效地提高时序信号处理的准确性和处理效率。

图8为本发明的时序信号的处理装置实施例的结构图。如图8所示，本实施例的时序信号的处理装置，具体可以包括：

生成模块10用于根据多个传感器实时采集的时序信号，生成预测样本数据；

提取模块11用于对生成模块10生成的预测样本数据进行特征提取处理，得到预测样本特征；

处理模块12用于将提取模块11提取的预测样本特征输入至已训练得到的信号处理模型，获取信号处理模型的输出结果；

进一步可选地，其中，生成模块10用于：

将多个传感器实时采集的每预设时间长度内的信号，按照为多个传感器预先配置的空间顺序排列，生成对应时间和空间的二维信号数组，作为一条预测样本数据。

进一步可选地，其中，提取模块11用于：

统计二维信号数组中相邻d1个传感器中每个传感器的相邻d2个时间窗口中每个时间窗口的k个统计量的值，以统计量的值作为像素值得到k张d1*d2的信号图片，作为预测样本特征，其中d1、d2和k均为大于1的正整数。

进一步可选地，其中，统计量包括信号极差、信号方差、信号均值或者信号最大差分。

进一步可选地，其中，时序信号的处理包括：时序信号的异常检测、时序信号的分类或者时序信号的数值预测。

进一步可选地，其中，多个传感器包括湿度传感器、温度传感器、风速传感器和气压传感器中的至少两个，信号处理模型的输出结果是环境检测结果；

或者，多个传感器是分别用于检测指定机器的各零部件的温度的多个温度传感器，信号处理模型的输出结果是关于指定机器是否运行过热的判断结果。

本实施例的时序信号的处理装置，通过采用上述模块，实现时序信号的处理，与上述相关方法实施例的实现原理以及技术效果相同，详细可以参考上述方法实施例的相关记载，在此不再赘述。

图9为本发明的信号处理模型的训练装置实施例的结构图。如图9所示，本实施例的信号处理模型的训练装置，具体可以包括：

生成模块20用于根据目标环境中的多个传感器历史采集的时序信号以及目标环境中相应的历史状态信息，生成训练样本数据集；

提取模块21用于对生成模块20生成的训练样本数据集进行特征提取处理，得到训练样本特征集；

训练模块22用于基于提取模块21提取的训练样本特征集、生成模块20生成的训练样本数据集中采集的历史状态信息和机器学习算法，训练信号处理模型。

进一步可选地，其中，生成模块20用于：

将多个传感器历史采集的时序信号按预设时间长度切分成多个信号片段；

对于每个信号片段，将信号片段中多个传感器的时序信号，按照为多个传感器预先配置的空间顺序排列，生成对应时间和空间的二维信号数组，作为样本，并将信号片段的对应时间内的历史状态作为标记，得到一条训练样本数据放入训练样本数据集中。

进一步可选地，其中，提取模块21用于：

对训练样本数据集中的每条训练样本数据，统计二维信号数组中相邻d1个传感器中每个传感器的相邻d2个时间窗口中每个时间窗口的k个统计量的值，以统计量的值作为像素值得到k张d1*d2的信号图片，作为训练样本特征，其中d1、d2和k均为大于1的正整数。

进一步可选地，其中，统计量包括信号极差、信号方差、信号均值或者信号最大差分。

进一步可选地，其中，信号处理模型包括：时序信号的异常检测模型、时序信号的分类模型或者时序信号的数值预测模型。

进一步可选地，其中，多个传感器包括湿度传感器、温度传感器、风速传感器和气压传感器中的至少两个，信号处理模型的输出结果是环境检测结果；

或者，多个传感器是分别用于检测指定机器的各零部件的温度的多个温度传感器，信号处理模型的输出结果是关于指定机器是否运行过热的判断结果。

上述实施例的信号处理模型的训练装置，通过采用上述模块，实现信号处理模型的训练，与上述相关方法实施例的实现原理以及技术效果相同，详细可以参考上述方法实施例的相关记载，在此不再赘述。

图10示出了根据本发明一实施例可用于实现上述方法的计算设备的结构示意图。例如，该计算设备可以用于实现上述时序信号的处理方法或信号处理模型的训练方法。

参见图10，计算设备1000包括存储器1010和处理器1020。

处理器1020可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器1020可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中，处理器1020可以使用定制的电路实现，例如特定用途集成电路(ASIC，Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA，Field Programmable Gate Arrays)。

存储器1010可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1010可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器1010可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器1010上存储有可执行代码，当可执行代码被处理器1020处理时，可以使处理器1020执行上文述及的时序信号的处理方法或信号处理模型的训练方法。

上文中已经参考附图详细描述了根据本发明的时序信号的处理方法或信号处理模型的训练方法。

此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。

或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种时序信号的处理方法，包括：

根据多个传感器实时采集的时序信号，生成预测样本数据；

对所述预测样本数据进行特征提取处理，得到预测样本特征；

将所述预测样本特征输入至已训练得到的信号处理模型，获取所述信号处理模型的输出结果。

2.根据权利要求1所述的方法，其中，所述根据多个传感器实时采集的时序信号，生成预测样本数据包括：

将所述多个传感器实时采集的每预设时间长度内的信号，按照为所述多个传感器预先配置的空间顺序排列，生成对应时间和空间的二维信号数组，作为一条预测样本数据。

3.根据权利要求2所述的方法，其中，对所述预测样本数据进行特征提取处理，得到预测样本特征包括：

统计所述二维信号数组中相邻d1个传感器中每个所述传感器的相邻d2个时间窗口中每个所述时间窗口的k个统计量的值，以统计量的值作为像素值得到k张d1*d2的信号图片，作为所述预测样本特征，其中d1、d2和k均为大于1的正整数。

4.根据权利要求3所述的方法，其特征在于，所述统计量包括信号极差、信号方差、信号均值或者信号最大差分。

5.根据权利要求1所述的方法，其中，所述时序信号的处理包括：时序信号的异常检测、时序信号的分类或者时序信号的数值预测。

6.一种信号处理模型的训练方法，包括：

根据目标环境中的多个传感器历史采集的时序信号以及所述目标环境中相应的历史状态信息，生成训练样本数据集；

对所述训练样本数据集进行特征提取处理，得到训练样本特征集；

基于所述训练样本特征集、采集的所述历史状态信息和机器学习算法，训练信号处理模型。

7.一种时序信号的处理装置，包括：

生成模块，用于根据多个传感器实时采集的时序信号，生成预测样本数据；

提取模块，用于对所述预测样本数据进行特征提取处理，得到预测样本特征；

处理模块，用于将所述预测样本特征输入至已训练得到的信号处理模型，获取所述信号处理模型的输出结果。

8.一种信号处理模型的训练装置，包括：

生成模块，用于根据目标环境中的多个传感器历史采集的时序信号以及所述目标环境中相应的历史状态信息，生成训练样本数据集；

提取模块，用于对所述训练样本数据集进行特征提取处理，得到训练样本特征集；

训练模块，用于基于所述训练样本特征集、采集的所述历史状态信息和机器学习算法，训练信号处理模型。

9.一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-5中任何一项所述的方法；或者执行如权利要求6所述的方法。

10.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法；或者执行如权利要求6所述的方法。