CN113360486B - 数据预测方法、装置、电子设备和介质 - Google Patents
数据预测方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113360486B CN113360486B CN202110596860.6A CN202110596860A CN113360486B CN 113360486 B CN113360486 B CN 113360486B CN 202110596860 A CN202110596860 A CN 202110596860A CN 113360486 B CN113360486 B CN 113360486B
- Authority
- CN
- China
- Prior art keywords
- data
- index
- missing
- target
- type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012217 deletion Methods 0.000 claims abstract description 20
- 230000037430 deletion Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000010606 normalization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开公开了一种数据预测方法、装置、设备、介质和产品,涉及大数据、机器学习等领域。数据预测方法包括:基于针对至少一个指标的时间序列数据集,确定至少一个指标的数据缺失类型;针对至少一个指标中的目标指标,基于数据缺失类型,根据目标指标的数据或关联指标的数据来预测目标指标的缺失数据,以便将缺失数据添加至时间序列数据集,其中,关联指标和目标指标相关联。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及大数据、机器学习等领域,更具体地,涉及一种数据预测方法、装置、电子设备、介质和程序产品。
背景技术
随着物联网的技术发展,越来越多的工业生产开始走向数字化、智能化。相关技术需要采集工业生产过程中的相关指标的数据,便于基于指标的数据监控生产过程,避免生产过程出现安全隐患。相关指标例如包括温度、压力等等。但是,当指标的数据缺失时,缺少了用于监控生产过程的数据,导致难以及时发现生产过程中的安全隐患。
发明内容
本公开提供了一种数据预测方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种数据预测方法,包括:基于针对至少一个指标的时间序列数据集,确定所述至少一个指标的数据缺失类型;针对所述至少一个指标中的目标指标,基于所述数据缺失类型,根据所述目标指标的数据或关联指标的数据来预测所述目标指标的缺失数据,以便将所述缺失数据添加至所述时间序列数据集,其中,所述关联指标和所述目标指标相关联。
根据本公开的另一方面,提供了一种数据预测装置,包括:第一确定模块以及预测模块。第一确定模块,用于基于针对至少一个指标的时间序列数据集,确定所述至少一个指标的数据缺失类型;预测模块,用于针对所述至少一个指标中的目标指标,基于所述数据缺失类型,根据所述目标指标的数据或关联指标的数据来预测所述目标指标的缺失数据,以便将所述缺失数据添加至所述时间序列数据集,其中,所述关联指标和所述目标指标相关联。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的数据预测方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述的数据预测方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的数据预测方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开一实施例的数据预测方法和装置的系统架构;
图2示意性示出了根据本公开一实施例的数据预测方法的流程图;
图3示意性示出了根据本公开一实施例的数据预测方法的示意图;
图4示意性示出了根据本公开另一实施例的数据预测方法的示意图;
图5示意性示出了根据本公开一实施例的数据预测方法的原理图;
图6示意性示出了根据本公开一实施例的数据预测装置的框图;以及
图7是用来实现本公开实施例的用于执行数据预测的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
工业生产中可能应用到多种能源,例如电力、水、天然气、蒸汽等。通常可以通过生产设备来提供多种能源。通过采集针对生产设备的指标的数据,基于指标的数据可以实现对生产设备的安全监控、管理调度、自动下发最优策略排产等等。生产设备的指标例如包括温度、压力等等。
在实际应用中,可以通过边缘网关将采集的指标的数据上传到服务器中,服务器可以包括云服务器。一个边缘网关可以采集一个或多个指标的数据。但是,边缘网关可能会因一些不可控因素而出现“断点”,不可控因素例如包括个别设备故障、部分电路中断、部分网络中断、人工操作失误等。边缘网关断点例如指所采集的数据传输中断、数据没有及时上传到服务器等等。支持断点续传的边缘网关可以在网络恢复后将一定量的数据回传到服务器,但是如果“断点”是网络以外的因素所致,则丢失的数据可能无法回传。
由于工业生产安全性很大程度上依赖于对生产过程中的数据的监控和管理,生产过程中的数据尤其指用能数据。例如,印染工业是典型的流程型工业,生产线上的用能往往是贯穿始终的,比如蒸汽、水、电。以蒸汽为例,可以通过边缘网关上传各个蒸箱实时的流量、压力和温度。当数据采集设备的故障时间过长时,边缘网关无法及时上传数据,进而难以通过监控数据来判断生产设备还能安全运行多长时间,导致难以及时发现生产过程中的安全隐患。
有鉴于此,本公开的实施例需要基于已有的指标的数据来预测指标所缺失的数据,以便基于预测的数据判断生产设备还能安全运行多长时间,以便及时发现生产过程中的安全隐患。
示例性地,基于已有的数据来预测缺失的数据,可以通过样条曲线方法、线性或非线性的规则插补方法或基于机器学习方法来对缺失的数据进行补齐。这些方法通常是基于数据独立同(正态)分布假设,而用能数据通常具有时间依赖性的特点,导致这些方法的预测精度不够高。
另外,工业用能数据通常会因为生产规律和排产调度而呈现不规律的特征。例如,工业用能数据通常具有明显的水平漂移(LS型极端时序异常),导致通过经验规则插补的方式预测缺失的用能数据不够准确。有些用能数据具有一定的惰性,例如蒸汽、天然气等气态能源数据。当气态能源数据的序列中含有极端异常点或出现数值异常波动情况时,会存在传播式影响(IO型极端时序异常),导致通过经验规则插补的方式会影响预测精度。
有鉴于此,本公开的实施例提供了一种数据预测方法。数据预测方法包括:基于针对至少一个指标的时间序列数据集,确定至少一个指标的数据缺失类型;针对至少一个指标中的目标指标,基于数据缺失类型,根据目标指标的数据或关联指标的数据来预测目标指标的缺失数据,以便将缺失数据添加至时间序列数据集,关联指标和目标指标相关联。
图1示意性示出了根据本公开一实施例的数据预测方法和装置的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括边缘网关101、102、103,网络104和服务器105。网络104用以在边缘网关101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
边缘网关101、102、103通过网络104与服务器105交互,以接收或发送消息等。边缘网关101、102、103可以运行应用程序。
服务器105可以是提供各种服务的服务器,例如对用户利用边缘网关101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的数据进行分析等处理。另外,服务器105还可以是云服务器,即服务器105具有云计算功能。
需要说明的是,本公开实施例所提供的数据预测方法可以由服务器105执行。相应地,本公开实施例所提供的数据预测装置可以设置于服务器105中。本公开实施例所提供的数据预测方法也可以由不同于服务器105且能够与边缘网关101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的数据预测装置也可以设置于不同于服务器105且能够与边缘网关101、102、103和/或服务器105通信的服务器或服务器集群中。
在一种示例中,服务器105可以通过网络104获取来自边缘网关101、102、103的指标的数据,并基于指标的数据进行缺失数据的预测。
应该理解,图1中的边缘网关、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的边缘网关、网络和服务器。
当然,本公开实施例的数据预测方法除了由图1所示的服务器执行之外,在另一种实施例中,本公开实施例的数据预测方法还可以直接由边缘网关来执行,换言之,边缘网关具有边缘计算的能力,边缘网关可以直接对缺失的数据进行补齐计算。
示例性地,用于对缺失数据进行预测的预测模型可以部署在边缘网关中。在预测模型的模型复杂度和指标的数据量满足预设条件时,可以直接通过边缘网关运行预测模型来预测缺失的数据。边缘网关预测得到预测结果之后,可以返回预测结果,或者在返回与结果的同时下发调节策略。边缘网关在下发调节策略时,可以基于被授权的操作系统的权限执行下发操作。
本公开实施例提供了一种数据预测方法,下面结合图1的系统架构,参考图2~图5来描述根据本公开示例性实施方式的数据预测方法。本公开实施例的数据预测方法例如可以由图1所示的服务器105来执行。
图2示意性示出了根据本公开一实施例的数据预测方法的流程图。
如图2所示,本公开实施例的数据预测方法200例如可以包括操作S210~操作S220。
在操作S210,基于针对至少一个指标的时间序列数据集,确定至少一个指标的数据缺失类型。
在操作S220,针对至少一个指标中的目标指标,基于数据缺失类型,根据目标指标的数据或关联指标的数据来预测目标指标的缺失数据。
例如,至少一个指标包括针对生产设备的指标,生产设备包括在工业生产过程中提供能源的设备。针对生产设备的指标例如包括温度、压力等等。针对至少一个指标中的每个指标,采集每个指标在多个时刻的数据,针对至少一个指标所采集的数据组成时间序列数据集。基于时间序列数据集可以确定数据缺失类型。例如,一种情况下当时间序列数据集表征指标的数据在某些采集时刻缺失,另一种情况下当时间序列数据集表征指标的数据在连续的多个采集时刻缺失,两种情况对应的数据缺失类型例如不同。
目标指标例如为至少一个指标中的任意一个。在确定了数据缺失类型之后,可以基于数据缺失类型,确定基于目标指标的数据或关联指标的数据来预测目标指标的缺失数据。目标指标的数据例如为目标指标的未缺失的数据,关联指标的数据例如为关联指标的未缺失数据。关联指标和目标指标相关联,例如,基于关联指标的数据能够预测目标指标的缺失数据。关联指标可以包括多个指标,关联指标可以属于至少一个指标,也可以是除了至少一个指标之外的其他指标。
例如,针对一些数据缺失类型,需要基于目标指标的未缺失数据来预测目标指标的缺失数据。针对另一些数据缺失类型,需要基于关联指标的未缺失数据来预测目标指标的缺失数据。当然,也不排除针对一些数据缺失类型,可以基于目标指标的未缺失数据和关联指标的未缺失数据来预测目标指标的缺失数据。
在预测得到目标指标的缺失数据之后,可以将缺失数据添加至时间序列数据集中,以便补齐时间序列数据集。通过确定数据缺失类型,并基于数据缺失类型来针对性地预测指标所缺失的数据,提高了数据预测的准确性。
在生产过程中,当针对生产设备的指标的数据缺失时,通过本公开的实施例预测指标的缺失数据,以便通过预测的数据实时判断生产设备的情况,例如基于指标的数据判断生产设备还能安全运行多长时间。可以理解,通过预测的数据实时判断生产设备的情况便于及时发现生产过程中的安全隐患,保证生产安全。
在另一示例中,例如可以确定至少一个候选指标,然后基于目标指标的数据和每个候选指标的数据,计算目标指标和每个候选指标的相关系数。接下来,基于相关系数,从至少一个候选指标中确定与目标指标相关联的候选指标作为关联指标。例如将相关系数较大的候选指标作为关联指标。
图3示意性示出了根据本公开一实施例的数据预测方法的示意图。
如图3所示,至少一个指标例如包括指标A、指标B、指标C、指标D。至少一个指标的时间序列数据集300中例如包括数据a1~a5、数据b1~b5、数据c1~c5、数据d1~d5。数据a1~a5例如是在t1至t5时刻采集的指标A的数据,数据b1~b5例如是在t1至t5时刻采集的指标B的数据,数据c1~c5例如是在t1至t5时刻采集的指标C的数据,数据d1~d5例如是在t1至t5时刻采集的指标D的数据。
每个指标的数据是在多个第一采集时刻采集的,多个第一采集时刻例如包括t1至t5时刻。基于时间序列数据集300可知至少一个指标的数据缺失类型为第一类型,第一类型例如为片状缺失类型。第一类型包括多个指标中的N个指标的数据均在多个第二采集时刻缺失,多个第二采集时刻例如为t6至t8时刻,N为大于等于2的整数,多个第二采集时刻在多个第一采集时刻之后。本公开的实施例中以N个指标包括指标A、指标B、指标C、指标D为例。
以指标A为目标指标为例,如果数据缺失类型为第一类型,可以根据关联指标在多个第一采集时刻的数据来预测目标指标(指标A)的缺失数据。关联指标例如为除指标A之外的指标B、指标C、指标D中的至少一个,关联指标也可以是除指标B、指标C、指标D之外的其他指标。本公开的实施例以关联指标为指标B、指标C、指标D为例。
根据关联指标(指标B、指标C、指标D)在多个第一采集时刻的数据来预测目标指标(指标A)的缺失数据。例如,利用动态预测模型处理处理数据b1~b5、数据c1~~c5、数据d1~d5,得到目标指标(指标A)在第二采集时刻t6~t8的缺失数据。
例如,可以利用动态预测模型处理关联指标在多个第一采集时刻的数据,得到目标指标的缺失数据。动态预测模型例如包括动态模型平均(dynamic model averaging,DMA)或动态模型选择(dynamic model selection,DMS)。
当需要预测目标指标A的缺失数据时,将关联指标(指标B、指标C、指标D)在第一采集时刻(t1~t5)的数据作为DMA/DMS模型的输入,DMA/DMS模型向前进行多步预测,例如向前3步(t6、t7、t8)预测得到目标指标A在第二采集时刻(t6~t8)的缺失数据作为模型的输出。
示例性地,DMA/DMS模型例如包括2^k个模型结构,k为关联指标的个数。关联指标包括指标B、指标C、指标D三个,因此,DMA/DMS模型例如包括8个模型结构。8个模型结构中包括一个常数模型结构,另外7个模型结构的输入分别是B指标的数据(b1~b5)、C指标的数据(c1~c5)、D指标的数据(d1~d5)、B指标的数据和C指标的数据、B指标的数据和D指标的数据、C指标的数据和D指标的数据、B~D三个指标的数据。
示例性地,8个模型结构中的每个模型结构均具有后验包含概率,后验包含概率例如表征模型结构的精度。可以基于后验包含概率确定针对每个模型结构的权重,每个模型结构的输出例如为目标指标A的预测值,根据每个模型结构输出的预测值和对应的权重进行加权计算,得到目标指标A的最终预测值,将最终预测值作为目标指标A的缺失数据。
在本公开的实施例中,当数据缺失类型为第一类型,可以利用动态预测模型处理关联指标在之前的采集时刻的数据,得到目标指标在之后的采集时刻的缺失数据。动态预测模型中具有多个模型结构,在预测过程中,可以根据关联数据选择对应的模型结构进行计算,无需针对所有关联数据构建完整全量模型,降低了模型的计算量,并提高了模型的预测精度。
图4示意性示出了根据本公开另一实施例的数据预测方法的示意图。
如图4所示,至少一个指标例如包括指标A、指标B、指标C、指标D。
针对至少一个指标的时间序列数据集400A,对于多个指标(指标A、指标B、指标C、指标D)中的M个指标,M个指标中每个指标的数据在对应的第三采集时刻缺失。M个指标例如包括指标A、指标B、指标C、指标D。例如,指标A缺失了在时刻t2和t5的数据,时刻t2和t5为针对指标A的第三采集时刻。指标B缺失了在时刻t3和t7的数据,时刻t3和t7为针对指标B的第三采集时刻。指标C和指标D类似。M为大于或等于1的整数,且M小于N。
针对至少一个指标的时间序列数据集400B,对于多个指标(指标A、指标B、指标C、指标D)中的M个指标,M个指标中每个指标的数据在对应的第三采集时刻缺失。M个指标例如包括指标A、指标B、指标C。例如,指标A缺失了在多个连续时刻t3~t6的数据,多个连续时刻t3~t6为针对指标A的第三采集时刻。指标B缺失了在多个连续时刻t7~t8的数据,多个连续时刻t7~t8为针对指标B的第三采集时刻。指标C类似。
基于时间序列数据集400A、400B可知至少一个指标的数据缺失类型为第二类型,第二类型例如为离散型缺失类型或连续型缺失类型。例如,时间序列数据集400A指示的第二类型为离散型缺失类型,时间序列数据集400B指示的第二类型为连续型缺失类型。
目标指标例如为多个指标中任意一个存在数据缺失的指标,例如以指标A为目标指标。关联指标例如为除指标A之外的指标B、指标C、指标D中的至少一个,关联指标也可以是除指标B、指标C、指标D之外的其他指标。
目标指标例如为指标A,关联指标例如为指标B、指标C、指标D。当数据缺失类型为第二类型时,在一种示例中,可以根据关联指标的未缺失数据来预测目标指标的缺失数据。在另一种示例中,可以根据目标指标的未缺失数据来预测目标指标的缺失数据。
第一种示例,根据关联指标的未缺失数据来预测目标指标的缺失数据。
首先,利用动态预测模型处理关联指标的数据,得到针对目标指标的缺失数据的第一预测结果。动态预测模型例如包括DMA/DMS模型。
例如,当需要预测目标指标A在当前采集时刻的缺失数据时,将关联指标(指标B、指标C、指标D)在前一个采集时刻的数据作为DMA/DMS模型的输入,DMA/DMS模型向前进行一步预测,得到目标指标A在当前采集时刻的缺失数据作为模型输出的第一预测结果。
为了便于理解,以时间序列数据集400B为例,当需要预测目标指标A在时刻t3的缺失数据时,将b2、c2、d2作为DMA/DMS模型的输入,预测目标指标A在时刻t3的缺失数据作为第一预测结果。由于DMA/DMS模型具有多个模型结构,当有些关联数据缺失时,在预测过程中可以不考虑与缺失的关联数据对应的模型结构。例如,当需要预测目标指标A在时刻t6的缺失数据时,关联指标C在t5时刻缺失,可以仅将b5、d5作为DMA/DMS模型的输入,预测目标指标A在时刻t6的缺失数据作为第一预测结果。
然后,利用偏差检测模型处理关联指标的数据,得到针对目标指标的缺失数据的第二预测结果。偏差检测模型例如包括检测偏差数据单元(detecting deviating datacells,DDC)。
为了便于理解,以时间序列数据集400B为例,如果需要预测目标指标A在t4~t6时刻的缺失数据,在关联指标(指标B、指标C、指标D)在t4~t6时刻未完全缺失的情况下,将关联指标(指标B、指标C、指标D)在t4~t6时刻的未缺失数据作为DDC模型的输入,得到目标指标A在时刻t4~t6时刻的第二预测结果。
例如,将关联指标B在t4~t6时刻的数据作为DDC模型的输入,得到目标指标A在t4~t6时刻的第一缺失值。将关联指标C在t4~t6时刻的未缺失数据(c4)作为DDC模型的输入,得到目标指标A在t4~t6时刻的第二缺失值。将关联指标D在t4~t6时刻的数据作为DDC模型的输入,得到目标指标A在t4~t6时刻的第三缺失值。然后,基于第一缺失值、第二缺失值、第三缺失值计算得到第二预测结果。例如,针对目标指标A的在t4时刻的缺失值,将目标指标A在t4时刻的第一缺失值、在t4时刻的第二缺失值、在t4时刻的第三缺失值进行加权平均计算得到目标指标A在t4时刻的第二预测结果。
接下来,基于第一预测结果和第二预测结果,确定目标指标的缺失数据。例如,针对目标指标A在t4时刻的缺失值,将目标指标A的在t4时刻的第一预测结果和在t4时刻的第二预测结果进行加权平均得到最终的预测结果。
第二种示例,根据目标指标的未缺失数据来预测目标指标的缺失数据。
例如,当需要预测目标指标在第三采集时刻的缺失数据时,如果关联指标的数据在第四采集时刻缺失,则无法利用DMA/DMS模型进行预测,第四采集时刻在与目标指标对应的第三采集时刻之前。有鉴于此,可以利用时间序列模型处理目标指标的未缺失数据,得到目标指标的缺失数据。另外,当不存在与目标指标相关联的关联指标时,也可以利用时间序列模型处理目标指标的未缺失数据,得到目标指标的缺失数据。
时间序列模型例如包括差分整合移动平均自回归模型(AutoregressiveIntegrated Moving Average Model,ARIMA)或其衍生模型(BIP-ARIMA)。
在本公开的实施例中,当数据缺失类型为第二类型时,可以利用DMA/DMS模型结合DDC模型得到目标指标的缺失数据,基于两种模型的结合进行预测提高了预测精度。
图5示意性示出了根据本公开一实施例的数据预测方法的原理图。
如图5所示,本公开实施例的数据预测方法例如包括操作S501~操作S513。数据预测方法例如包括冷启动阶段500A、离线更新模型阶段500B和模型在线预测阶段500C。
在操作S501,获取历史数据。
历史数据例如是针对多个指标的数据。由于历史数据是用于训练预测模型的数据,因此需要收集足够多的历史数据,所收集的历史数据应尽可能覆盖多种工况下的数据。
在操作S502,基于历史数据训练预测模型,以便初始化预测模型。预测模型例如包括DMA/DMS模型、DDC模型、ARIMA/BIP-ARIMA模型中的至少一个。
当历史数据不满足同时性时,应先进行聚合处理或基础插补处理,确保数据的同时性之后再训练模型。数据不满足同时性例如包括多个指标的数据的采集间隔不一致,可以通过聚合处理或基础插补处理使得多个指标的数据的采集间隔一致。
在操作S503,对配置文件执行操作。例如将S502操作得到的初始化模型的模型参数存储至配置文件中。便于在后续的离线更新模型阶段500B和模型在线预测阶段500C,可以从配置文件中获取模型的参数。
另外,在冷启动阶段500A,还可以基于每个指标的数据计算每个指标的稳健均值和稳健标准差,基于每个指标的稳健均值和稳健标准差计算多个指标中两两指标之间的相关系数,相关系数例如包括稳健相关系数。然后基于相关系数确定出针对每个指标的多个关联指标。接下来,针对一个指标的多个关联指标,计算该指标与每个关联指标之间的稳健回归系数,然后将稳健回归系数存储至配置文件中,便于在后续的离线更新模型阶段500B和模型在线预测阶段500C,可以从配置文件中确定针对目标指标的关联指标,所确定的关联指标和目标指标之间的稳健回归系数例如较大。
例如,在预测第一指标的缺失数据时,第二指标作为关联指标,第二指标与第一指标之间的稳健回归系数表示为a,稳健相关系数表示为b。在预测第二指标的缺失数据时,第一指标作为关联指标,第一指标与第二指标之间的稳健回归系数表示为c,稳健相关系数表示为d。稳健回归系数a和c可以不同,稳健相关系数b和d可以相同。
在操作S504,在线采集各个指标的实时数据。
在操作S505,判断是否超过预设时间段没有更新预测模型。如果是,则执行操作S506。如果否,则返回执行操作S504。
在操作S506,基于实时数据更新预测模型。例如,将采集的实时数据作为训练样本进一步训练预测模型,以更新预测模型的参数。在得到更新后的模型参数之后,可以执行操作S503,即,将更新后的模型参数替换配置文件中的模型参数。
在操作S507,判断d个指标的数据是否在n个时刻缺失,d例如为大于等于1的整数,n例如为大于等于1的整数。如果是,执行操作S508,如果否,则返回执行操作S504。
在操作S508,判断数据缺失类型是否为第一类型。如果是,则执行操作S509。如果否,则执行操作S510。
在操作S509,利用DMA/DMS模型处理实时数据中的关联指标数据,以预测目标指标的缺失数据。例如,当配置文件中存在针对目标指标的关联指标,且关联指标不存在数据缺失的情况时,可以利用DMA/DMS模型进行预测。
在操作S510,判断是否存在针对目标指标的关联指标。如果是,执行操作S511。如果否,则执行操作S512。
在操作S511,利用DMA/DMS模型结合DDC模型预测目标指标的缺失数据。
例如,如果在配置文件中存在针对目标指标的关联指标,且关联指标不存在数据缺失的情况时,则利用DMA/DMS模型结合DDC模型进行预测。
例如,利用DMA/DMS模型处理实时数据中的关联指标数据,得到目标指标的缺失数据作为第一预测结果。利用DDC模型处理实时数据中的关联指标数据,得到目标指标的缺失数据作为第二预测结果。基于第一预测结果和第二预测结果最终确定目标指标的缺失数据。
在操作S512,利用ARIMA/BIP-ARIMA模型处理实时数据中的目标指标的未缺失数据,以预测目标指标的缺失数据。例如,在配置文件中不存在针对目标指标的关联指标,或者关联指标存在数据缺失的情况时,则利用ARIMA/BIP-ARIMA模型进行预测。
在操作S513,基于预测结果进行安全评估和预警。
不管是历史数据还是实时数据,由于数据在某些时段(例如停产时段)存在异常的可能性。例如,以指标为蒸汽的压力为例,当压力的瞬时流量降为零时,数值零和生产过程中的数值是不同量级的,如果不加以处理,停产过程的数据会被认为是极端异常值。因此,可以在数据进入模型之前先进行稳健归一化,在预测得到缺失的数据之后,再对缺失的数据进行稳健反归一化。稳健归一化例如是基于稳健均值和稳健标准差来执行的,稳健反归一化也是基于稳健均值和稳健标准差来执行的。
在离线更新模型阶段500B,还可以实时调用稳健算子标记数据中的极端异常点,该阶段标记极端异常点是为了辅助预警。
另外,可以根据离线更新模型阶段500B的预测精度来确定模型的可信度。在模型在线预测阶段500C中,当预测得到缺失的数据后,可以输出预测的缺失数据和模型的可信度,将可信度可作为参考。如果可信度低于指定阈值,可以建议采用专家经验进行生产调节,而是不是基于预测的缺失数据进行生产调节,以确保产线安全。
本公开实施例中的DMA/DMS模型具有诸多优势。其一,DMA/DMS模型具有多个模型结构,在预测时可根据关联指标的数据来选择相应的模型结构,当关联指标中的部分数据缺失时,可以基于未缺失的部分来选择模型结构进行预测。同时,模型结构的可选择性避免了模型的臃肿,即无需构建全变量模型,降低计算量。其二,DMA/DMS模型支持模型的实时预测和更新。例如DMA/DMS模型在每获得当前时刻的数据后,可以向前进行预测,并完成模型的参数更新。其三,DMA/DMS模型的可解释性强,相比机器学习和深度学习中的其他预测方法,DMA/DMS模型有更强的变量可解释性,例如DMA/DMS模型能够显式计算模型参数和后验包含概率。其四,由于DMA/DMS模型同时考虑了时变参数和时变模型结构,模型的预测精度显著提升。
由于DMA/DMS模型在对惰性能源的缺失数据进行预测时,难以避免预测结果存在水平漂移、趋势性、异方差等情况,导致影响DMA/DMS模型的稳健性。因此本公开的实施例基于DMA/DMS模型结合DDC模型进行缺失数据的预测,以保证预测结果的准确性。
对于DDC模型的使用过程,在指标的数据进入预测模型之前,可以采用稳健算子对数据进行稳健归一化,然后通过计算稳健相关系数为每个指标确定关联指标,并针对关联指标计算稳健回归系数以便进行预测得到预测结果,采用稳健算子对得到的预测结果进行稳健反归一化。在利用DMA/DMS模型进行实时预测得到第一预测结果之后,DDC模型依据稳健回归模型进行滑窗预测得到第二预测结果,基于第一预测结果和第二预测结果确定最终的预测结果,从而提高了预测结果的准确性。
图6示意性示出了根据本公开一实施例的数据预测装置的框图。
如图6所示,本公开实施例的数据预测装置600例如包括第一确定模块610以及预测模块620。
第一确定模块610可以用于基于针对至少一个指标的时间序列数据集,确定至少一个指标的数据缺失类型。根据本公开实施例,第一确定模块610例如可以执行上文参考图2描述的操作S210,在此不再赘述。
预测模块620可以用于针对至少一个指标中的目标指标,基于数据缺失类型,根据目标指标的数据或关联指标的数据来预测目标指标的缺失数据,以便将缺失数据添加至时间序列数据集,其中,关联指标和目标指标相关联。根据本公开实施例,预测模块620例如可以执行上文参考图2描述的操作S220,在此不再赘述。
根据本公开的实施例,预测模块620例如包括:第一预测子模块,用于响应于数据缺失类型为第一类型,根据关联指标在多个第一采集时刻的数据来预测目标指标的缺失数据,其中,至少一个指标包括多个指标,第一类型包括:多个指标中的N个指标的数据均在多个第二采集时刻缺失,N为大于等于2的整数,多个第二采集时刻在多个第一采集时刻之后。
根据本公开的实施例,第一预测子模块还用于:利用动态预测模型处理关联指标在多个第一采集时刻的数据,得到目标指标的缺失数据。
根据本公开的实施例,测模块620包括:第二预测子模块,用于响应于数据缺失类型为第二类型,根据目标指标的数据或关联指标的数据来预测目标指标的缺失数据,其中,第二类型包括:针对多个指标中的M个指标,M个指标中每个指标的数据在对应的第三采集时刻缺失,M为大于或等于1的整数,且M小于N。
根据本公开的实施例,第二预测子模块包括:第一处理子模块、第二处理子模块和确定子模块。第一处理子模块,用于利用动态预测模型处理关联指标的数据,得到针对目标指标的缺失数据的第一预测结果,第二处理子模块,用于利用偏差检测模型处理关联指标的数据,得到针对目标指标的缺失数据的第二预测结果。确定子模块,用于基于第一预测结果和第二预测结果,确定目标指标的缺失数据。
根据本公开的实施例,第二预测子模块还用于:响应于关联指标的数据在第四采集时刻缺失,利用时间序列模型处理目标指标的数据,得到目标指标的缺失数据,其中,第四采集时刻在与目标指标对应的第三采集时刻之前。
根据本公开的实施例,装置600还可以包括:第二确定模块、计算模块和第三确定模块。第二确定模块,用于确定至少一个候选指标。计算模块,用于基于目标指标的数据和每个候选指标的数据,计算目标指标和每个候选指标的相关系数。第三确定模块,用于基于相关系数,从至少一个候选指标中确定与目标指标相关联的候选指标,作为关联指标。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7是用来实现本公开实施例的用于执行数据预测的电子设备的框图。
图7示出了可以用来实施本公开实施例的示例电子设备700的示意性框图。电子设备700旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如数据预测方法。例如,在一些实施例中,数据预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的数据预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (8)
1.一种数据预测方法,包括:
基于针对至少一个指标的时间序列数据集,确定所述至少一个指标的数据缺失类型;
确定至少一个候选指标;
基于目标指标的数据和每个候选指标的数据,计算所述目标指标和每个候选指标的相关系数;
基于所述相关系数,从所述至少一个候选指标中确定与所述目标指标相关联的候选指标,作为关联指标;以及
针对所述至少一个指标中的目标指标,基于所述数据缺失类型,根据所述目标指标的数据或关联指标的数据来预测所述目标指标的缺失数据,以便将所述缺失数据添加至所述时间序列数据集,其中,所述关联指标和所述目标指标相关联,
其中,所述基于所述数据缺失类型,根据所述目标指标的数据或关联指标的数据来预测所述目标指标的缺失数据包括:
响应于所述数据缺失类型为第二类型,利用动态预测模型处理所述关联指标的数据,得到针对所述目标指标的缺失数据的第一预测结果;利用偏差检测模型处理所述关联指标的数据,得到针对所述目标指标的缺失数据的第二预测结果;以及基于所述第一预测结果和所述第二预测结果,确定所述目标指标的缺失数据;或者
响应于所述数据缺失类型为第二类型且所述关联指标的数据在第四采集时刻缺失,利用时间序列模型处理所述目标指标的数据,得到所述目标指标的缺失数据,其中,所述第四采集时刻在与所述目标指标对应的第三采集时刻之前,
其中,所述至少一个指标包括多个指标,所述多个指标中每个指标的数据是在多个第一采集时刻采集的,所述第二类型包括:针对所述多个指标中的M个指标,M个指标中每个指标的数据在对应的第三采集时刻缺失,M为大于或等于1的整数,且M小于N,N与第一类型的所述数据缺失类型相关,所述第一类型包括:所述多个指标中的N个指标的数据均在多个第二采集时刻缺失,N为大于等于2的整数,所述多个第二采集时刻在所述多个第一采集时刻之后。
2.根据权利要求1所述的方法,其中,所述基于所述数据缺失类型,根据所述目标指标的数据或关联指标的数据来预测所述目标指标的缺失数据包括:
响应于所述数据缺失类型为第一类型,根据所述关联指标在多个第一采集时刻的数据来预测所述目标指标的缺失数据。
3.根据权利要求2所述的方法,其中,所述根据关联指标在多个第一采集时刻的数据来预测所述目标指标的缺失数据包括:
利用动态预测模型处理所述关联指标在多个第一采集时刻的数据,得到所述目标指标的缺失数据。
4.一种数据预测装置,包括:
第一确定模块,用于基于针对至少一个指标的时间序列数据集,确定所述至少一个指标的数据缺失类型;
第二确定模块,用于确定至少一个候选指标;
计算模块,用于基于目标指标的数据和每个候选指标的数据,计算所述目标指标和每个候选指标的相关系数;
第三确定模块,用于基于所述相关系数,从所述至少一个候选指标中确定与所述目标指标相关联的候选指标,作为关联指标;以及
预测模块,用于针对所述至少一个指标中的目标指标,基于所述数据缺失类型,根据所述目标指标的数据或关联指标的数据来预测所述目标指标的缺失数据,以便将所述缺失数据添加至所述时间序列数据集,其中,所述关联指标和所述目标指标相关联,
其中,所述预测模块包括:
第二预测子模块,用于响应于所述数据缺失类型为第二类型,利用以下子模块执行相关操作:第一处理子模块,用于利用动态预测模型处理所述关联指标的数据,得到针对所述目标指标的缺失数据的第一预测结果;第二处理子模块,用于利用偏差检测模型处理所述关联指标的数据,得到针对所述目标指标的缺失数据的第二预测结果;以及确定子模块,用于基于所述第一预测结果和所述第二预测结果,确定所述目标指标的缺失数据;或者,
所述第二预测子模块还用于:响应于所述数据缺失类型为第二类型且所述关联指标的数据在第四采集时刻缺失,利用时间序列模型处理所述目标指标的数据,得到所述目标指标的缺失数据,其中,所述第四采集时刻在与所述目标指标对应的第三采集时刻之前;
其中,所述至少一个指标包括多个指标,所述多个指标中每个指标的数据是在多个第一采集时刻采集的,所述第二类型包括:针对所述多个指标中的M个指标,M个指标中每个指标的数据在对应的第三采集时刻缺失,M为大于或等于1的整数,且M小于N,N与第一类型的所述数据缺失类型相关,所述第一类型包括:所述多个指标中的N个指标的数据均在多个第二采集时刻缺失,N为大于等于2的整数,所述多个第二采集时刻在所述多个第一采集时刻之后。
5.根据权利要求4所述的装置,其中,所述预测模块包括:
第一预测子模块,用于响应于所述数据缺失类型为第一类型,根据所述关联指标在多个第一采集时刻的数据来预测所述目标指标的缺失数据。
6.根据权利要求5所述的装置,其中,所述第一预测子模块还用于:
利用动态预测模型处理所述关联指标在多个第一采集时刻的数据,得到所述目标指标的缺失数据。
7.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110596860.6A CN113360486B (zh) | 2021-05-28 | 2021-05-28 | 数据预测方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110596860.6A CN113360486B (zh) | 2021-05-28 | 2021-05-28 | 数据预测方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113360486A CN113360486A (zh) | 2021-09-07 |
CN113360486B true CN113360486B (zh) | 2023-11-21 |
Family
ID=77528227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110596860.6A Active CN113360486B (zh) | 2021-05-28 | 2021-05-28 | 数据预测方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360486B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2418732A1 (en) * | 2000-08-11 | 2002-02-21 | Dofasco Inc. | Desulphurization reagent control method and system |
JP2017102788A (ja) * | 2015-12-03 | 2017-06-08 | トヨタ自動車株式会社 | 渋滞予測方法 |
CN110865929A (zh) * | 2019-11-26 | 2020-03-06 | 携程旅游信息技术(上海)有限公司 | 异常检测预警方法及系统 |
CN110911011A (zh) * | 2019-11-27 | 2020-03-24 | 医惠科技有限公司 | 一种脓毒血症的预警装置、设备及存储介质 |
CN110991866A (zh) * | 2019-11-29 | 2020-04-10 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的台区数据缺失值补全方法和装置 |
-
2021
- 2021-05-28 CN CN202110596860.6A patent/CN113360486B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2418732A1 (en) * | 2000-08-11 | 2002-02-21 | Dofasco Inc. | Desulphurization reagent control method and system |
JP2017102788A (ja) * | 2015-12-03 | 2017-06-08 | トヨタ自動車株式会社 | 渋滞予測方法 |
CN110865929A (zh) * | 2019-11-26 | 2020-03-06 | 携程旅游信息技术(上海)有限公司 | 异常检测预警方法及系统 |
CN110911011A (zh) * | 2019-11-27 | 2020-03-24 | 医惠科技有限公司 | 一种脓毒血症的预警装置、设备及存储介质 |
CN110991866A (zh) * | 2019-11-29 | 2020-04-10 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的台区数据缺失值补全方法和装置 |
Non-Patent Citations (3)
Title |
---|
基于GMDH与SVM的信号缺失情景下轴承故障诊断;陈琳升;吴永明;李少波;;组合机床与自动化加工技术(第05期);全文 * |
基于临床指标和病理指标的三种预测模型用于结直肠癌的预后分析研究;尹明明;秦环龙;;中国全科医学(第27期);全文 * |
省级以下建设用地空间配置效率测度及优化探讨;王博;陈笑筑;何晓波;;中国人口・资源与环境(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113360486A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766299B (zh) | 数据指标异常的监控方法及其系统、存储介质、电子设备 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN116663747B (zh) | 一种基于数据中心基础设施的智能预警方法及系统 | |
CN114301803B (zh) | 网络质量检测方法、装置、电子设备及存储介质 | |
CN113656461A (zh) | 数据处理方法、装置、电子设备和介质 | |
CN114721345A (zh) | 基于强化学习的工业控制方法、装置、系统和电子设备 | |
CN114943384A (zh) | 一种变电站负荷预测方法、装置、设备及存储介质 | |
EP4137815A1 (en) | Failure prediction system | |
CN113987027A (zh) | 一种基于故障预测的设备状态确定方法、装置及介质 | |
CN113360486B (zh) | 数据预测方法、装置、电子设备和介质 | |
CN106779443B (zh) | 电力调度中的操作风险确定方法和装置 | |
CN116957539A (zh) | 电缆状态评价方法、装置、电子设备及存储介质 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
CN116414608A (zh) | 异常检测方法、装置、设备及存储介质 | |
CN115759751A (zh) | 一种企业风险预测方法、装置、存储介质、电子设备及产品 | |
CN113960965B (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN117216469B (zh) | 一种电力系统实时监测与预测的大数据处理方法及系统 | |
CN115373449B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN113111589B (zh) | 预测模型的训练方法、预测供热温度的方法、装置和设备 | |
CN117291297A (zh) | 能耗预测方法、装置、电子设备和存储介质 | |
CN115361078A (zh) | 一种传输区间确定方法、装置、电子设备及介质 | |
CN117634443A (zh) | 关口表数据矫正方法、装置、设备和存储介质 | |
CN115691071A (zh) | 中频炉水冷系统的监测预警方法、装置、设备及介质 | |
CN117573412A (zh) | 系统故障预警方法、装置、电子设备及存储介质 | |
CN116504042A (zh) | 一种异常温度告警的生成方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |