CN112070154A - 时间序列数据处理方法和装置 - Google Patents

时间序列数据处理方法和装置 Download PDF

Info

Publication number
CN112070154A
CN112070154A CN202010928548.8A CN202010928548A CN112070154A CN 112070154 A CN112070154 A CN 112070154A CN 202010928548 A CN202010928548 A CN 202010928548A CN 112070154 A CN112070154 A CN 112070154A
Authority
CN
China
Prior art keywords
time
feature
time series
series data
contribution degree
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
Application number
CN202010928548.8A
Other languages
English (en)
Inventor
李泽朋
马元巍
顾徐波
宋怡然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Weiyizhi Technology Co Ltd
Original Assignee
Changzhou Weiyizhi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Weiyizhi Technology Co Ltd filed Critical Changzhou Weiyizhi Technology Co Ltd
Priority to CN202010928548.8A priority Critical patent/CN112070154A/zh
Publication of CN112070154A publication Critical patent/CN112070154A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种时间序列数据处理方法和装置，所述方法包括以下步骤：获取多个时间序列数据，并对多个时间序列数据进行预处理；通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息；根据贡献度信息对时间序列特征进行PCA降维。本发明使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。

Description

时间序列数据处理方法和装置
技术领域
本发明涉及特征工程技术领域，具体涉及一种时间序列数据处理方法、一种时间序列数据处理装置、一种计算机设备、一种非临时性计算机可读存储介质和一种计算机程序产品。
背景技术
时间序列数据作为一种典型的数据，常存在于各行各业，比如客流、车流、销量、KPI指标等等。对时间序列数据加以利用，比如做未来预测、交通拥堵分类预测、异常检测等问题，在采用机器学习算法之前，首先需要构建特征。因为大多数时间序列数据都是单变量或维度特别少，所以特征的构建就非常重要。对于构建好的特征，当维度过大时对于继续利用该数据又出现了很大的难度。因此，针对时间序列数据，亟需提出一种高效准确的特征构建和选择策略。
发明内容
本发明为解决上述技术问题，提供了一种时间序列数据处理方法和装置，使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。
本发明采用的技术方案如下：
一种时间序列数据处理方法，包括以下步骤：获取多个时间序列数据，并对所述多个时间序列数据进行预处理；通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息；根据所述贡献度信息对所述时间序列特征进行PCA(Principal Components Analysis，主成分分析)降维。
对所述多个时间序列数据进行预处理，具体包括：判断每个所述时间序列数据是否存在缺失值；如果任一所述时间序列数据存在缺失值，则补齐该时间序列数据。
获取所提取的时间序列特征的贡献度信息，具体包括：通过所述Tsfresh获取所提取的时间序列特征的贡献度排名。
根据所述贡献度信息对所述时间序列特征进行PCA降维，具体包括：建立时间序列特征的相关系数矩阵；计算所述相关系数矩阵的特征值和特征向量；根据所述贡献度排名选择预设数量的特征向量；根据所述预设数量的特征向量进行特征映射以实现特征降维。
一种时间序列数据处理装置，包括：数据获取模块，所述数据获取模块用于获取多个时间序列数据，并对所述多个时间序列数据进行预处理；特征提取模块，所述特征提取模块用于通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息；特征降维模块，所述特征降维模块用于根据所述贡献度信息对所述时间序列特征进行PCA降维。
一种计算机设备，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，实现上述时间序列数据处理方法。
一种非临时性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上述时间序列数据处理方法。
一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行上述时间序列数据处理方法。
本发明的有益效果：
本发明通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息，然后根据贡献度信息对时间序列特征进行PCA降维，由此，使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。
附图说明
图1为本发明实施例的时间序列数据处理方法的流程图；
图2为本发明实施例的时间序列数据处理装置的方框示意图。
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。
如图1所示，本发明实施例的时间序列数据处理方法包括以下步骤：
S1，获取多个时间序列数据，并对多个时间序列数据进行预处理。
本发明实施例的时间序列数据可以为工业领域数据，例如可以为汽车装配中的螺栓拧紧过程曲线等。
连续性对于合格的时间序列数据来说尤为重要，因此，本发明在获取到时间序列数据后对其进行的预处理主要包括缺失值处理。具体地，可判断每个时间序列数据是否存在缺失值，如果任一时间序列数据存在缺失值，则补齐该时间序列数据。补齐数据的方式可以为采用Spline插值、指数平滑法等。
S2，通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息。
Tsfresh是一个Python的时序数据特征挖掘的模块，能自动地计算出大量的时间序列特征，包括时间序列的基本特征，如峰数、平均值或最大值等，以及更复杂的特征，如时间反转对称统计等。
同时，Tsfresh可获取所提取的时间序列特征的贡献度排名，具体地，Tsfresh可通过extract_relevant_features函数获取每个时间序列特征的贡献度，并得到特征贡献度排名。
S3，根据贡献度信息对时间序列特征进行PCA降维。
具体地，可建立时间序列特征的相关系数矩阵，并计算相关系数矩阵的特征值和特征向量，然后根据贡献度排名选择预设数量的特征向量，并根据预设数量的特征向量进行特征映射以实现特征降维。
对于提取的时间序列特征，首先可依据常规的PCA降维步骤，将多个时间序列数据的时间序列特征按列组成矩阵，然后计算其相关系数矩阵，并计算相关系数矩阵的特征值和特征向量。接下来，对于特征向量的选择，可依据上述Tsfresh获取的特征贡献度排名，选取排名靠前的预设数量的特征对应的特征向量，以该预设数量的特征向量进行特征映射，将时间序列特征降低到预设维度。也就是说，本发明实施例可直接利用上述Tsfresh获取的特征贡献度排名实现主成分选取，取代了常规PCA降维中的主成分计算过程。
根据本发明实施例的时间序列数据处理方法，通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息，然后根据贡献度信息对时间序列特征进行PCA降维，由此，使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。
对应上述实施例的时间序列数据处理方法，本发明还提出一种时间序列数据处理装置。
如图2所示，本发明实施例的时间序列数据处理装置包括：数据获取模块10、特征提取模块20和特征降维模块30。其中，数据获取模块10用于获取多个时间序列数据，并对多个时间序列数据进行预处理；特征提取模块20用于通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息；特征降维模块30用于根据贡献度信息对时间序列特征进行PCA降维。
本发明实施例的时间序列数据可以为工业领域数据，例如可以为汽车装配中的螺栓拧紧过程曲线等。
连续性对于合格的时间序列数据来说尤为重要，因此，本发明的数据获取模块10在获取到时间序列数据后对其进行的预处理主要包括缺失值处理。具体地，数据获取模块10可判断每个时间序列数据是否存在缺失值，如果任一时间序列数据存在缺失值，则补齐该时间序列数据。补齐数据的方式可以为采用Spline插值、指数平滑法等。
Tsfresh是一个Python的时序数据特征挖掘的模块，能自动地计算出大量的时间序列特征，包括时间序列的基本特征，如峰数、平均值或最大值等，以及更复杂的特征，如时间反转对称统计等。
同时，Tsfresh可获取所提取的时间序列特征的贡献度排名，具体地，Tsfresh可通过extract_relevant_features函数获取每个时间序列特征的贡献度，并得到特征贡献度排名。
特征降维模块30具体可建立时间序列特征的相关系数矩阵，并计算相关系数矩阵的特征值和特征向量，然后根据贡献度排名选择预设数量的特征向量，并根据预设数量的特征向量进行特征映射以实现特征降维。
对于提取的时间序列特征，特征降维模块30首先可依据常规的PCA降维步骤，将多个时间序列数据的时间序列特征按列组成矩阵，然后计算其相关系数矩阵，并计算相关系数矩阵的特征值和特征向量。接下来，对于特征向量的选择，特征降维模块30可依据上述Tsfresh获取的特征贡献度排名，选取排名靠前的预设数量的特征对应的特征向量，以该预设数量的特征向量进行特征映射，将时间序列特征降低到预设维度。也就是说，本发明实施例可直接利用上述Tsfresh获取的特征贡献度排名实现主成分选取，取代了常规PCA降维中的主成分计算过程。
根据本发明实施例的时间序列数据处理方法，通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息，然后根据贡献度信息对时间序列特征进行PCA降维，由此，使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、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，处理器执行该计算机程序时，可实现根据本发明上述实施例所述的时间序列数据处理方法。
根据本发明实施例的计算机设备，处理器执行存储在存储器上的计算机程序时，通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息，然后根据贡献度信息对时间序列特征进行PCA降维，由此，使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性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可实现根据本发明上述实施例所述的时间序列数据处理方法。
根据本发明实施例的非临时性计算机可读存储介质，处理器执行存储在其上的计算机程序时，通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息，然后根据贡献度信息对时间序列特征进行PCA降维，由此，使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。
对应上述实施例，本发明还提出一种计算机程序产品。
当本发明实施例的计算机程序产品中的指令由处理器执行时，可执行根据本发明上述实施例所述的时间序列数据处理方法。
根据本发明实施例的计算机程序产品，处理器执行其中的指令时，通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息，然后根据贡献度信息对时间序列特征进行PCA降维，由此，使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种时间序列数据处理方法，其特征在于，包括以下步骤：
获取多个时间序列数据，并对所述多个时间序列数据进行预处理；
通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息；
根据所述贡献度信息对所述时间序列特征进行PCA降维。
2.根据权利要求1所述的时间序列数据处理方法，其特征在于，对所述多个时间序列数据进行预处理，具体包括：
判断每个所述时间序列数据是否存在缺失值；
如果任一所述时间序列数据存在缺失值，则补齐该时间序列数据。
3.根据权利要求2所述的时间序列数据处理方法，其特征在于，获取所提取的时间序列特征的贡献度信息，具体包括：
通过所述Tsfresh获取所提取的时间序列特征的贡献度排名。
4.根据权利要求3所述的时间序列数据处理方法，其特征在于，根据所述贡献度信息对所述时间序列特征进行PCA降维，具体包括：
建立时间序列特征的相关系数矩阵；
计算所述相关系数矩阵的特征值和特征向量；
根据所述贡献度排名选择预设数量的特征向量；
根据所述预设数量的特征向量进行特征映射以实现特征降维。
5.一种时间序列数据处理装置，其特征在于，包括：
数据获取模块，所述数据获取模块用于获取多个时间序列数据，并对所述多个时间序列数据进行预处理；
特征提取模块，所述特征提取模块用于通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息；
特征降维模块，所述特征降维模块用于根据所述贡献度信息对所述时间序列特征进行PCA降维。
6.一种计算机设备，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，实现根据权利要求1-4中任一项所述的时间序列数据处理方法。
7.一种非临时性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根据权利要求1-4中任一项所述的时间序列数据处理方法。
8.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，执行根据权利要求1-4中任一项所述的时间序列数据处理方法。
CN202010928548.8A 2020-09-07 2020-09-07 时间序列数据处理方法和装置 Pending CN112070154A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010928548.8A CN112070154A (zh) 2020-09-07 2020-09-07 时间序列数据处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010928548.8A CN112070154A (zh) 2020-09-07 2020-09-07 时间序列数据处理方法和装置

Publications (1)

Publication Number Publication Date
CN112070154A true CN112070154A (zh) 2020-12-11

Family

ID=73663780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010928548.8A Pending CN112070154A (zh) 2020-09-07 2020-09-07 时间序列数据处理方法和装置

Country Status (1)

Country Link
CN (1) CN112070154A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668318A (zh) * 2021-03-15 2021-04-16 常州微亿智造科技有限公司 基于时间序列的作品作者识别方法
CN114723151A (zh) * 2022-04-18 2022-07-08 山东兖矿国拓科技工程股份有限公司 一种物联网环境信息的预测方法及装置
CN115034337A (zh) * 2022-08-10 2022-09-09 江西科骏实业有限公司 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质
CN117131369A (zh) * 2023-10-27 2023-11-28 福建福昇消防服务集团有限公司 智慧安全管理与应急救援一体站的数据处理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550700A (zh) * 2015-12-08 2016-05-04 国网山东省电力公司电力科学研究院 一种基于关联分析和主成分分析的时间序列数据清洗方法
CN109991500A (zh) * 2019-04-29 2019-07-09 中国水电工程顾问集团有限公司 一种风电故障预警预测的方法
CN110689230A (zh) * 2019-09-02 2020-01-14 平安科技（深圳）有限公司 一种区域的贫困程度确定方法、电子装置及存储介质
CN111400366A (zh) * 2020-02-27 2020-07-10 西安交通大学 一种基于CatBoost模型的交互式门诊量预测可视分析方法及系统
CN111401507A (zh) * 2020-03-12 2020-07-10 大同公元三九八智慧养老服务有限公司 一种自适应决策树跌倒检测方法及系统
CN111414957A (zh) * 2020-03-18 2020-07-14 南方电网科学研究院有限责任公司 一种基于PCA算法和XGBoost算法的D-PMU扰动分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550700A (zh) * 2015-12-08 2016-05-04 国网山东省电力公司电力科学研究院 一种基于关联分析和主成分分析的时间序列数据清洗方法
CN109991500A (zh) * 2019-04-29 2019-07-09 中国水电工程顾问集团有限公司 一种风电故障预警预测的方法
CN110689230A (zh) * 2019-09-02 2020-01-14 平安科技（深圳）有限公司 一种区域的贫困程度确定方法、电子装置及存储介质
CN111400366A (zh) * 2020-02-27 2020-07-10 西安交通大学 一种基于CatBoost模型的交互式门诊量预测可视分析方法及系统
CN111401507A (zh) * 2020-03-12 2020-07-10 大同公元三九八智慧养老服务有限公司 一种自适应决策树跌倒检测方法及系统
CN111414957A (zh) * 2020-03-18 2020-07-14 南方电网科学研究院有限责任公司 一种基于PCA算法和XGBoost算法的D-PMU扰动分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卓金武 等: "《MATLAB 数学建模方法与实践 第 3 版》", 31 July 2018 *
庄周: "移动通信网络伪基站攻击取证算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668318A (zh) * 2021-03-15 2021-04-16 常州微亿智造科技有限公司 基于时间序列的作品作者识别方法
CN114723151A (zh) * 2022-04-18 2022-07-08 山东兖矿国拓科技工程股份有限公司 一种物联网环境信息的预测方法及装置
CN115034337A (zh) * 2022-08-10 2022-09-09 江西科骏实业有限公司 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质
CN115034337B (zh) * 2022-08-10 2022-11-01 江西科骏实业有限公司 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质
CN117131369A (zh) * 2023-10-27 2023-11-28 福建福昇消防服务集团有限公司 智慧安全管理与应急救援一体站的数据处理方法及系统
CN117131369B (zh) * 2023-10-27 2023-12-22 福建福昇消防服务集团有限公司 智慧安全管理与应急救援一体站的数据处理方法及系统

Similar Documents

Publication Publication Date Title
CN112070154A (zh) 时间序列数据处理方法和装置
CN111931868B (zh) 时间序列数据异常检测方法和装置
EP3644220A1 (en) Detection of electrocardiogram signal
US8280196B2 (en) Image retrieval apparatus, control method for the same, and storage medium
CN112685273A (zh) 异常检测方法、装置、计算机设备和存储介质
CN112911627B (zh) 无线网络性能检测方法、装置以及存储介质
CN112070155A (zh) 时间序列数据标注方法和装置
CN104516808A (zh) 数据预处理装置及方法
CN106677761B (zh) 一种故障预测方法及装置
CN103606221A (zh) 清分机故障自动诊断方法以及装置
CN111191671A (zh) 一种用电器波形检测方法、系统、电子设备及存储介质
CN110929563A (zh) 一种用电器识别方法及装置
CN111967535A (zh) 一种储粮管理场景温度传感器故障诊断方法及其诊断装置
CN113203954A (zh) 一种基于时频图像处理的电池故障诊断方法
CN111024147A (zh) 基于CNNs的元件安装检测方法、装置、电子设备及存储介质
KR101556598B1 (ko) 주요 픽셀 정보에 기반한 물체 검출 장치 및 그 방법
CN115186772B (zh) 一种电力设备的局部放电的检测方法、装置及设备
CN113986700A (zh) 数据采集频率的优化方法、系统、装置及存储介质
CN112116076A (zh) 激活函数的优化方法和优化装置
CN112381136B (zh) 目标检测方法和装置
CN117169286B (zh) 一种视觉辅助下的工业线束质量检测方法
CN114708277B (zh) 超声视频图像活动区域自动检索方法和装置
CN114494253B (zh) 工业质检的方法和装置
CN112968968B (zh) 基于无监督聚类的物联网设备流量指纹识别方法和装置
CN115238735A (zh) 异常点检测方法、装置及存储介质、电子设备

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

Application publication date: 20201211

RJ01 Rejection of invention patent application after publication