CN111061714A - 一种时间戳修复方法及装置 - Google Patents
一种时间戳修复方法及装置 Download PDFInfo
- Publication number
- CN111061714A CN111061714A CN201911275484.XA CN201911275484A CN111061714A CN 111061714 A CN111061714 A CN 111061714A CN 201911275484 A CN201911275484 A CN 201911275484A CN 111061714 A CN111061714 A CN 111061714A
- Authority
- CN
- China
- Prior art keywords
- timestamp
- data point
- abnormal data
- information
- point set
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例提供一种时间戳修复方法及装置,该方法包括:基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;根据目标时间戳修改信息对异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息。通过密度异常检测算法对数据点进行异常数据点标记,并得到异常数据点集合,针对于异常数据点进行最小时间戳修复,从而实现对于异常数据点的修复,并将修复的异常数据点从异常数据点集合信息中删除,并将其添加到正常数据点中,从而实现对于数据点的分布以及密度的改变,避免了修复后的数据和原始数据之间差距过大而导致的信息丢失的问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种时间戳修复方法及装置。
背景技术
近些年来,随着信息技术的发展,各类数量不断增长。如何合理利用如此海量的数据已经成为学术界以及工业界研究的重点问题,由于各式各样的数据在其生命周期中会由于各种原因而产生偏差,导致最后获得的数据出现不一致、不完整、不准确等异常情况,而这些异常数据的存在将会不可避免地影响相关算法以及数据分析软件工具最后得到的分析结果。而在实际中,由于数据质量问题造成的损失也不容小视。
数据质量已经成为了一个重要的研究方向,将数据进行清洗从而得到高质量的数据是在进行数据分析前必不可少的流程,而现有技术中对于时序数据的异常数据修复主要是通过异常检测,再对异常数据进行平滑处理,但是这样会导致修复后数据和初始数据之间差距过大,发生信息丢失。
因此如何更有效的进行时序数据的修复已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种时间戳修复方法及装置,用以解决上述背景技术中提出的技术问题,或至少部分解决上述背景技术中提出的技术问题。
第一方面,本发明实施例提供一种时间戳修复方法,包括:
基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;
基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;
根据所述目标时间戳修改信息对所述异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息。
更具体的,所述密度异常检测算法包括:具有噪声的基于密度的聚类算法或局部异常因子算法。
更具体的,所述通过密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息的步骤,具体包括:
通过所述局部异常因子算法的异常度计算指标方法对数据点进行异常度计算,得到各个数据点的异常度指数;
将异常度指数大于预设阈值的数据点标记为异常数据点,将所述异常数据点存入异常数据点集合,得到异常数据点集合信息。
更具体的,所述基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息的步骤,具体包括:
获取异常数据点集合信息中各异常数据点的时间戳属性信息;
获取修改后的异常数据点时间戳属性信息,通过任意最优求解方法对异常数据点的时间戳属性信息和修改后的异常数据点时间戳属性信息之间的差值进行分析,得到目标时间戳修改信息。
更具体的,所述根据所述修复后的时间戳属性信息进行异常数据修复的步骤,具体包括:
获取修复后的异常数据点信息;
将修复后的异常数据点信息从异常数据点中移除,并将修复后的异常数据点信息加入到正常数据点集合中,得到数据修复结果。
更具体的,所述通过所述局部异常因子算法的异常度计算指标方法对数据点进行异常度计算的步骤,具体为:
其中,ρ(pi)表示数据点pi的局部可达密度,Nk(pi)表示到数据点pi的距离小于等于数据点pi的第k距离的集合,p′为Nk(pi)中的数据点。
更具体的,所述通过任意最优求解方法对异常数据点的时间戳属性信息和修改后的异常数据点时间戳属性信息之间的差值进行分析的步骤,具体为:
argmin(Δti)={ti ′|Δti=|ti ′-ti|,LOFk(p′i)≤1}
其中,Δti=|t′i-ti|为时间戳修改信息,其中t′i是修改后的异常数据店p′i的时间戳属性,ti为异常数据点pi的时间戳属性值。
第二方面,本发明实施例提供一种时间戳修复装置,包括:
异常检测模块,用于基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;
分析模块,用于基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;
修复模块,用于根据所述目标时间戳修改信息对所述异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述时间戳修复方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述时间戳修复方法的步骤。
本发明实施例提供的一种时间戳修复方法及装置,通过密度异常检测算法对数据点进行异常数据点标记,并得到异常数据点集合,针对于异常数据点进行最小时间戳修复,从而实现对于异常数据点的修复,并将修复的异常数据点从异常数据点集合信息中删除,并将其添加到正常数据点中,从而实现对于数据点的分布以及密度的改变,避免了修复后的数据和原始数据之间差距过大而导致的信息丢失的问题。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明一实施例中所描述的时间戳修复方法流程示意图;
图2为本发明一实施例所描述的数据修复结果示意图;
图3为本发明一实施例所描述的时间戳修复装置结构示意图;
图4为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做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。
图1为本发明一实施例中所描述的时间戳修复方法流程示意图,如图1所示,包括:
步骤S1,基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;
步骤S2,基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;
步骤S3,根据所述目标时间戳修改信息对所述异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息,以根据所述修复后的时间戳属性信息进行异常数据修复。
具体的,本发明实施例中所描述的密度异常检测算法可以是指具有噪声的基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)或局部异常因子算法(Local Outlier Factor,LOF)。
本发明实施例中所描述的异常数据点集合信息是指被判断的异常数据的数据点的集合。
具体的,通过密度异常检测算法中的异常度指标计算方法,确定每个数据点的异常度指标,将每个数据的异常度指标与异常度预设阈值进行比较,将异常度指标大于异常度预设阈值的数据点标记为异常数据点,将所有标记为异常点的异常数据点集中存贮在异常数据点集合中,得到异常数据点集合信息。
在得到异常数据点集合信息的基础上,获取异常数据点集合信息中各个异常数据点的时间戳属性信息,通过任意最优求解方法对异常数据点的时间戳属性信息和修改后的异常数据点时间戳属性信息之间的差值进行分析,得到目标时间戳修改信息。
此处所描述的目标时间戳修改信息是指通过目标时间戳修改信息对异常数据点集合信息的所有异常数据点的时间戳属性进行修改,可以使得所有异常数据的异常度符合异常度预设阈值的要求。
在得到目标时间戳修改信息后,通过其对异常数据点集合中各个异常数据点的时间戳属性信息进行修复,得到修复后的时间戳属性信息,将修复后的数据点作为正常数据点保存,作为最后的数据修复结果。
本发明实施例通过密度异常检测算法对数据点进行异常数据点标记,并得到异常数据点集合,针对于异常数据点进行最小时间戳修复,从而实现对于异常数据点的修复,并将修复的异常数据点从异常数据点集合信息中删除,并将其添加到正常数据点中,从而实现对于数据点的分布以及密度的改变,避免了修复后的数据和原始数据之间差距过大而导致的信息丢失的问题。
在上述实施例的基础上,所述密度异常检测算法包括:具有噪声的基于密度的聚类算法或局部异常因子算法。
具体的,本发明实施例中所描述的密度异常检测算法不限于以上两种算法,本发明实施例不对此作为限制。
此处所描述的具有噪声的基于密度的聚类算法具有噪声的基于密度的聚类算法的步骤具体为:
给定数据点pi的∈领域N∈(pi)定义为所有数据点中与数据点pi距离小于等于∈的数据点集合,若|N∈(pi)|大于等于给定阈值MinPts,则数据点pi为核心点;给定直接密度可达定义为若数据点pj∈N∈(pi),且数据点pi为核心点,则数据点pj、pi直接密度可达,若存在序列pj、pv、…、pu、pi有相邻两个数据点均直接密度可达,则数据点pj、pi为密度可达。给定密度相连定义为若存在数据点pt有pj、pi均与其密度可达,则pj、pi密度相连。通过密度相连定义,求出整个数据点集合中存在的最大数据点聚类,并把不在其中的数据点标记为异常数据点。
所述通过密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息的步骤,具体包括:
通过所述局部异常因子算法的异常度计算指标方法对数据点进行异常度计算,得到各个数据点的异常度指数;
将异常度指数大于预设阈值的数据点标记为异常数据点,将所述异常数据点存入异常数据点集合,得到异常数据点集合信息。
具体的,本发明实施例中所描述的预设阈值是指预先设定的异常度预设阈值,其可以根据实际情况来具体设定。
本发明实施例中所描述的局部异常因子算法的异常度计算指标方法具体是指:
其中,ρ(pi)表示数据点pi的局部可达密度,Nk(pi)表示到数据点pi的距离小于等于数据点pi的第k距离的集合,p′为Nk(pi)中的数据点。
通过该局部异常因子算法的异常度计算指标方法分别对各个数据点进行异常度计算,得到各个数据点的异常度指数,将异常度指数大于预设阈值的数据点标记为异常数据点,将所述异常数据点存入异常数据点集合,得到异常数据点集合信息。
本发明实施例通过局部异常因子算法的异常度计算指标方法对数据点进行异常度计算,有效筛选出了异常数据点,有利于后续步骤的进行。
在上述实施例的基础上,所述基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息的步骤,具体包括:
获取异常数据点集合信息中各异常数据点的时间戳属性信息;
获取修改后的异常数据点时间戳属性信息,通过任意最优求解方法对异常数据点的时间戳属性信息和修改后的异常数据点时间戳属性信息之间的差值进行分析,得到目标时间戳修改信息。
具体的,本发明实施例中所描述的修改后的异常数据点时间戳属性信息是指预先设立的参数,其不是一个定值,t′i是修改后的异常数据店p′i的时间戳属性,在假定修改后的异常数据点时间戳属性信息t′i之后,则异常数据点的时间戳属性信息和修改后的异常数据点时间戳属性信息之间的差值,即时间戳修改信息的绝对值为Δti=|t′i-ti|,ti为异常数据点pi的时间戳属性值,通过任意最优求解方法求解时间戳修改信息的最小值:
argmin(Δti)={ti ′|Δti=|ti ′-ti|,LOFk(p′ i)≤1}
其中,Δti=|t′i-ti|为时间戳修改信息,其中t′i是修改后的异常数据店p′i的时间戳属性,ti为异常数据点pi的时间戳属性值。
此时的时间戳修改信息的最小值即为目标时间戳修改信息。
在上述实施例的基础上,所述根据所述修复后的时间戳属性信息进行异常数据修复的步骤,具体包括:
获取修复后的异常数据点信息;
将修复后的异常数据点信息从异常数据点中移除,并将修复后的异常数据点信息加入到正常数据点集合中,得到数据修复结果。
本发明实施例通过密度异常检测算法对数据点进行异常数据点标记,并得到异常数据点集合,针对于异常数据点进行最小时间戳修复,从而实现对于异常数据点的修复,并将修复的异常数据点从异常数据点集合信息中删除,并将其添加到正常数据点中,从而实现对于数据点的分布以及密度的改变,避免了修复后的数据和原始数据之间差距过大而导致的信息丢失的问题。
图2为本发明一实施例所描述的数据修复结果示意图,如图2所示,当完成所有异常数据点的修复,即异常点集合为空时,则将修复后的数据点以及正常数据点保存,作为最后的数据修复结果,
图3为本发明一实施例所描述的时间戳修复装置结构示意图,如图3所示,包括:异常检测模块310、分析模块320、修复模块330和信息获取模块340;其中,异常检测模块310用于基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;其中,分析模块320用于基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;其中,修复模块330用于根据所述目标时间戳修改信息对所述异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息。本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
本发明实施例通过密度异常检测算法对数据点进行异常数据点标记,并得到异常数据点集合,针对于异常数据点进行最小时间戳修复,从而实现对于异常数据点的修复,并将修复的异常数据点从异常数据点集合信息中删除,并将其添加到正常数据点中,从而实现对于数据点的分布以及密度的改变,避免了修复后的数据和原始数据之间差距过大而导致的信息丢失的问题。
图4为本发明一实施例所描述的电子设备结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(CommunicationsInterface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行如下方法:基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;根据所述目标时间戳修改信息对所述异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息,以根据所述修复后的时间戳属性信息进行异常数据修复。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;根据所述目标时间戳修改信息对所述异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息,以根据所述修复后的时间戳属性信息进行异常数据修复。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;根据所述目标时间戳修改信息对所述异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息,以根据所述修复后的时间戳属性信息进行异常数据修复。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种时间戳修复方法,其特征在于,包括:
基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;
基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;
根据所述目标时间戳修改信息对所述异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息,以根据所述修复后的时间戳属性信息进行异常数据修复。
2.根据权利要求1所述时间戳修复方法,其特征在于,所述密度异常检测算法包括:具有噪声的基于密度的聚类算法或局部异常因子算法。
3.根据权利要求2所述时间戳修复方法,其特征在于,所述通过密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息的步骤,具体包括:
通过所述局部异常因子算法的异常度计算指标方法对数据点进行异常度计算,得到各个数据点的异常度指数;
将异常度指数大于预设阈值的数据点标记为异常数据点,将所述异常数据点存入异常数据点集合,得到异常数据点集合信息。
4.根据权利要求1所述时间戳修复方法,其特征在于,所述基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息的步骤,具体包括:
获取异常数据点集合信息中各异常数据点的时间戳属性信息;
获取修改后的异常数据点时间戳属性信息,通过任意最优求解方法对异常数据点的时间戳属性信息和修改后的异常数据点时间戳属性信息之间的差值进行分析,得到目标时间戳修改信息。
5.根据权利要求1所述时间戳修复方法,其特征在于,所述根据所述修复后的时间戳属性信息进行异常数据修复的步骤,具体包括:
获取修复后的异常数据点信息;
将修复后的异常数据点信息从异常数据点中移除,并将修复后的异常数据点信息加入到正常数据点集合中,得到数据修复结果。
7.根据权利要求4所述时间戳修复方法,其特征在于,所述通过任意最优求解方法对异常数据点的时间戳属性信息和修改后的异常数据点时间戳属性信息之间的差值进行分析的步骤,具体为:
argmin(Δti)={t′i|Δti=|t′i-ti|,LOFk(p′i)≤1}
其中,Δti=|t′i-ti|为时间戳修改信息,其中t′i是修改后的异常数据店p′i的时间戳属性,ti为异常数据点pi的时间戳属性值。
8.一种时间戳修复装置,其特征在于,包括:
异常检测模块,用于基于密度异常检测算法对数据点进行异常检测,得到异常数据点集合信息;
分析模块,用于基于任意最优求解方法对异常数据点集合信息进行分析,得到目标时间戳修改信息;
修复模块,用于根据所述目标时间戳修改信息对所述异常数据点集合信息进行时间戳修复,得到修复后的时间戳属性信息。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述时间戳修复方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述时间戳修复方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275484.XA CN111061714A (zh) | 2019-12-12 | 2019-12-12 | 一种时间戳修复方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275484.XA CN111061714A (zh) | 2019-12-12 | 2019-12-12 | 一种时间戳修复方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111061714A true CN111061714A (zh) | 2020-04-24 |
Family
ID=70298888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911275484.XA Pending CN111061714A (zh) | 2019-12-12 | 2019-12-12 | 一种时间戳修复方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111061714A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108141790A (zh) * | 2015-09-24 | 2018-06-08 | 高通股份有限公司 | 在解压缩失败的情况下的时间戳修复机制 |
CN108197254A (zh) * | 2017-12-29 | 2018-06-22 | 清华大学 | 一种基于近邻的数据修复方法 |
CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
CN108460118A (zh) * | 2018-02-13 | 2018-08-28 | 清华大学 | 基于近邻的时间序列数据修复方法及装置 |
US20190244843A1 (en) * | 2018-02-08 | 2019-08-08 | SCREEN Holdings Co., Ltd. | Data processing method, data processing apparatus, data processing system, and recording medium having recorded therein data processing program |
CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
-
2019
- 2019-12-12 CN CN201911275484.XA patent/CN111061714A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108141790A (zh) * | 2015-09-24 | 2018-06-08 | 高通股份有限公司 | 在解压缩失败的情况下的时间戳修复机制 |
CN108197254A (zh) * | 2017-12-29 | 2018-06-22 | 清华大学 | 一种基于近邻的数据修复方法 |
CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
US20190244843A1 (en) * | 2018-02-08 | 2019-08-08 | SCREEN Holdings Co., Ltd. | Data processing method, data processing apparatus, data processing system, and recording medium having recorded therein data processing program |
CN108460118A (zh) * | 2018-02-13 | 2018-08-28 | 清华大学 | 基于近邻的时间序列数据修复方法及装置 |
CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193876B (zh) | 一种基于最近邻knn算法的缺失数据填补方法 | |
CN109598095B (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
WO2019238109A1 (zh) | 一种故障根因分析的方法及装置 | |
US10726332B2 (en) | Generating a training model based on feedback | |
CN109800220B (zh) | 一种大数据清洗方法、系统及相关装置 | |
CN111144548A (zh) | 抽油机井工况的识别方法及装置 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN112685324A (zh) | 一种生成测试方案的方法及系统 | |
CN113220902A (zh) | 知识图谱的信息处理方法、装置、电子设备及存储介质 | |
CN112949914A (zh) | 一种产业集群的识别方法、装置、存储介质及电子设备 | |
CN112182056A (zh) | 一种数据检测方法、装置、设备及存储介质 | |
CN113112126A (zh) | 基于人工智能的供水管漏损预警方法及系统 | |
CN111061714A (zh) | 一种时间戳修复方法及装置 | |
CN111507850A (zh) | 核保方法及相关装置、设备 | |
CN113486086A (zh) | 一种基于特征工程的数据挖掘方法及系统 | |
CN115080286A (zh) | 一种网络设备日志异常的发现方法及装置 | |
CN113837527A (zh) | 企业评级方法、装置、设备以及存储介质 | |
CN113313615A (zh) | 一种对企业司法风险进行量化评分定级的方法及装置 | |
CN110874465B (zh) | 基于半监督学习算法的移动设备实体识别方法及装置 | |
CN113239381A (zh) | 一种数据安全加密方法 | |
CN111651652A (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN108260148B (zh) | 一种故障检测方法及装置 | |
CN114648527B (zh) | 尿路上皮细胞玻片图像分类方法、装置、设备和介质 | |
CN115001997B (zh) | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 | |
CN117873828A (zh) | 一种服务器的告警处理方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |