CN113468820A - 数据训练方法、装置、设备及存储介质 - Google Patents

数据训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113468820A
CN113468820A CN202110823693.4A CN202110823693A CN113468820A CN 113468820 A CN113468820 A CN 113468820A CN 202110823693 A CN202110823693 A CN 202110823693A CN 113468820 A CN113468820 A CN 113468820A
Authority
CN
China
Prior art keywords
data
training
encoder
preset
sum
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
CN202110823693.4A
Other languages
English (en)
Inventor
吕浩
苏仲岳
闫正
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202110823693.4A priority Critical patent/CN113468820A/zh
Publication of CN113468820A publication Critical patent/CN113468820A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种数据训练方法、装置、设备及存储介质，该方法包括对获取的至少一种气象观测数据进行修正，得到至少一种训练数据；将至少一种训练数据输入预设变分自编码器，对变分自编码器进行训练；其中，一种训练数据为一组时间序列数据，预设变分自编码器包括时序模块。相比于传统方法中仅针对单个时间点数据进行质量控制的手段，本方案考虑到数据时间变化信息，对一个时间序列上的数据进行检测，引入更多的参考信息，可以有效提高气象站点数据质量控制的准确性。

Description

数据训练方法、装置、设备及存储介质
技术领域
本申请实施例涉及气象观测领域，尤其涉及一种数据训练方法、装置、设备及存储介质。
背景技术
近年来，在气象观测领域，气象观测数据的数据量呈指数级增长，气象观测数据质量的高低，直接影响天气预报以及气候预测的准确性。因此，需要对气象观测数据进行质量控制，去除低质量、不准确的气象观测数据(如突然的上升或下降，趋势改变，层级变换，超出历史最大值/最小值等)，避免这些低质量数据对气候统计等业务工作产生影响。目前，传统的质控算法包括：利用历史资料的气候学界限值以及要素允许值进行检查、3σ标注(对3倍标准差以上数据剔除)等。但这些方法对要素异常变化缺乏灵敏性，不能满足质量控制工作的需要。
发明内容
本申请提供一种数据训练方法、装置、设备及存储介质，能够考虑到数据时间变化信息，对一个时间序列上的数据进行检测，引入更多的参考信息，可以有效提高气象站点数据质量控制的准确性。
第一方面，本申请实施例提供了一种数据训练方法，该方法包括：
对获取的至少一种气象观测数据进行修正，得到至少一种训练数据；
将至少一种训练数据输入预设变分自编码器，对预设变分自编码器进行训练；
其中，一种训练数据为一组时间序列的数据，预设变分自编码器包括时序模块。
可选地，上述预设变分自编码器包括输入层、第一时序模块、隐变量分布层、第二时序模块、输出层。
可选地，上述对获取的至少一种气象观测数据进行修正，包括：
获取筛选阈值和纠错阈值；
根据筛选阈值和纠错阈值对获取的至少一种气象观测数据进行修正。
可选地，在对预设变分自编码器进行训练之后，该方法还包括：
将获取的一个时间序列的至少一种新数据输入训练好的编码器中，得到一个时间序列的至少一种输出数据；
根据至少一种新数据的和与至少一种输出数据的和之间的差值，判断是否将至少一种新数据加入训练集。
可选地，根据至少一种新数据的和与至少一种输出数据的和之间的差值，判断是否将至少一种新数据加入训练集，包括：
在至少一种新数据的和与至少一种输出数据的和之间的差值小于或等于判断阈值的情况下，确定至少一种新数据为正常数据；
在至少一种新数据的和与至少一种输出数据的和之间的差值大于判断阈值的情况下，根据当地气候学临界值判断是否将至少一种新数据加入训练集。
可选地，根据当地气候学临界值判断是否将至少一种新数据加入训练集，包括：
在至少一种输出数据中超过预设比例的数据大于当地气候学临界值的情况下，丢弃至少一种新数据，或者丢弃至少一种数据中大于当地气候学临界值的输出数据对应的数据；
在至少一种输出数据中大于当地气候学临界值的数据不超过预设比例的情况下，将至少一种新数据加入训练集，或者将至少一种新数据中不大于当地气候学临界值的数据加入训练集。
第二方面，本申请实施例还提供了一种数据训练装置，该装置包括：
修正模块，用于对获取的至少一种气象观测数据进行修正，得到至少一种训练数据；
训练模块，用于将至少一种训练数据输入预设变分自编码器，对预设变分自编码器进行训练；
其中，一种训练数据为一组时间序列的数据，预设变分自编码器包括时序模块。
第三方面，本申请实施例还提供了一种电子设备，该电子设备包括：
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，当处理器执行计算机程序时，实现如本申请实施例提供的一种数据训练方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时，实现如本申请实施例提供的一种数据训练方法。
本申请实施例提供了一种数据训练方法、装置、设备及存储介质，该方法包括对获取的至少一种气象观测数据进行修正，得到至少一种训练数据；将至少一种训练数据输入预设变分自编码器，对变分自编码器进行训练；其中，一种训练数据属于一组时间序列，预设变分自编码器包括时序模块。相比于传统方法中仅针对单个时间点数据进行质量控制的手段，本方案考虑到数据时间变化信息，对一个时间序列上的数据进行检测，引入更多的参考信息，可以有效提高气象站点数据质量控制的准确性。
附图说明
图1是本申请实施例中的一种数据训练方法的流程图；
图2是本申请实施例中的预设变分自编码器的结构示意图；
图3是本申请实施例中的另一种数据训练方法的流程图；
图4是本申请实施例中的一种数据训练装置示意图；
图5是本申请实施例中的另一种数据训练装置示意图；
图6是本申请实施例中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
另外，在本申请实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本申请实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。
图1为本申请实施例提供的一种数据训练方法的流程图，该方法可以应用于气象观测领域，由能够进行模型训练的装置执行，该装置可以由软件和/或硬件来实现，例如，PC端等设备，如图1所示，该方法可以包括但不限于以下步骤：
S101、对获取的至少一种气象观测数据进行修正，得到至少一种训练数据。
这里的至少一种气象观测数据可以理解为温度数据、湿度数据、风速、气压等，本领域技术人员可以根据实际场景需要选择一种或多种气象观测数据，该一种或多种气象观测数据可以通过气象站点观测、获取。
在获取气象观测数据后，可以对获取的数据进行修正，例如，可以获取筛选阈值和纠错阈值，根据筛选阈值和纠错阈值对本步骤中获取的至少一种气象观测数据进行修正，当气象观测数据大于筛选阈值时，可以将该气象观测数据过滤掉，将小于或等于筛选阈值的气象观测数据保留下来，若某气象观测数据大于纠错阈值，说明该数据错误或监测数据的相关部件故障，则对该气象观测数据进行纠错，将修正后的数据保留下来，作为训练数据。
可选地，上述修正的过程也可以通过人工判断的方式进行，例如，可以结合《中华人民共和国气象行业标准QX/T 118-2010》，以及多个相邻气象观测站的同一气象要素之间是否存在较大偏差、观测仪器是否存在故障、气象观测数据是否超过当地气候学临界值等因素综合确定气象观测数据的准确性，对其进行筛选和纠错。
可以理解的是，在某一段时间内，若筛选掉的气象观测数据或纠错的气象观测数据过多，说明这一段时间的气象观测数据不具有参考性，可能存在观测仪器故障等问题。因此，可以通过设置数据量等方式确定最终保留下来的具有可参考性的训练数据，以确保修正后得到的训练数据具有时序性，即本申请实施例中的一种训练数据为一组时间序列的数据。
S102、将至少一种训练数据输入预设变分自编码器，对变分自编码器进行训练。
在本申请实施例中，设计的预设变分自编码器包括时序模块，该时序模块可以为长短期记忆网络(Long Short-Term Memory，LSTM)、门控递推单元(Gated RecurrentUnit，GRU)等模块。
如图2所示，以时序模块为LSTM为例，本申请实施例中设计的预设变分自编码器的结构可以包括输入层X、第一时序模块LSTM_encoder、隐变量分布层Z、第二时序模块LSTM_decoder、输出层X’。其中，X0，……，XN-1，XN为输入层输入的具有时序性的至少一种训练数据，X’0，……，X’N-1，X’N为输出层输出的数据，该网络结构中每一列可以理解为一个时间序列的一种气象观测数据。
对获取的气象观测数据进行修正后，可以使用得到的正常的训练数据对图2所示的网络结构进行训练。
本申请实施例提供了一种数据训练方法，该方法包括对获取的至少一种气象观测数据进行修正，得到至少一种训练数据；将至少一种训练数据输入预设变分自编码器，对变分自编码器进行训练；其中，一种训练数据为一组时间序列的数据，预设变分自编码器包括时序模块。相比于传统方法中仅针对单个时间点数据进行质量控制的手段，本方案考虑到数据时间变化信息，对一个时间序列上的数据进行检测，引入更多的参考信息，可以有效提高气象站点数据质量控制的准确性。
如图3所示，在一种示例中，在步骤S102之后，即对上述预设变分自编码器进行训练之后，本申请实施例还包括但不限于以下步骤：
S301、将获取的一个时间序列的至少一种新数据输入训练好的编码器中，得到一个时间序列的至少一种输出数据。
这里的新数据可以理解为除训练数据之外的气象观测数据，例如，从气象观测站获取的某一个时间序列的观测数据等。假设获取的一个时间序列的至少一种新数据为Y0，……，YN-1，YN，那么基于训练好的编码器输出的一个时间序列的至少一种输出数据为Y’0，……，Y’N-1，Y’N。
S302、根据至少一种新数据的和与至少一种输出数据的和之间的差值，判断是否将至少一种新数据加入训练集。
这里一个时间序列的至少一种新数据的和为
Figure BDA0003172824200000071
一个时间序列的至少一种输出数据为
Figure BDA0003172824200000072
可以根据
Figure BDA0003172824200000073
和
Figure BDA0003172824200000074
之间的差值判断输入的一个时间序列的至少一种新数据是否异常，进而判断是否将该至少一种新数据加入训练集。
例如，针对该一个时间序列，若至少一种新数据的和
Figure BDA0003172824200000075
与至少一种输出数据的和
Figure BDA0003172824200000076
之间的差值小于或等于判断阈值，说明该输入的至少一种新数据不存在异常，可以确定该至少一种新数据为正常数据；相反，若至少一种新数据的和
Figure BDA0003172824200000077
与至少一种输出数据的和
Figure BDA0003172824200000078
之间的差值大于判断阈值，说明输入的至少一种新数据可能存在异常，那么可以根据当地气候学临界值进一步判断是否可以将该至少一种新数据加入训练集，作为训练数据对预设的变分自编码器进行训练。比如，在至少一种输出数据中超过预设比例的数据大于当地气候学临界值的情况下，说明该至少一种输出数据存在异常，可以丢弃该至少一种新数据，反之，若该至少一种输出数据中不超过预设比例的数据大于当地气候学临界值，则可以将该至少一种新数据保留，并加入训练集中作为训练数据重新训练预设的变分自编码器，以提高预设的变分自编码器对气象观测数据的质量控制精度。
需要说明的是，上述预设比例可以根据实际应用场景进行设置，例如，若以个位数的数据量为判别标准，判断是否有数据大于当地气候学临界值，那么可以将预设比例设置的非常小。反之，若可以接受一小部分数据大于当地气候学临界值，则可以上调预设比例。相应地，也可以根据设置的预设比例的大小，以及应用场景的需要，判断在至少一种输出数据中超过预设比例的数据大于当地气候学临界值的情况下，选择丢弃该一种新数据，或者是仅丢弃大于当地气候学临界值的输出数据对应的新数据。在至少一种输出数据中大于当地气候学临界值的数据不超过预设比例的情况下，将至少一种新数据加入训练集，或者仅将至少一种新数据中不大于当地气候学临界值的数据加入训练集。
本申请实施例中，通过使用气象站点的一个时间序列的历史观测数据，构造、训练一个网络模型，即预设变分自编码器，这样引入了更多的参考信息，基于该预设变分自编码器进行数据监测时，可以有效提高气象站点数据质量控制的准确性。
图4为本申请实施例提供的一种数据训练装置，如图4所示，该装置包括：修正模块401、训练模块402；
其中，修正模块，用于对获取的至少一种气象观测数据进行修正，得到至少一种训练数据；
训练模块，用于将至少一种训练数据输入预设变分自编码器，对预设变分自编码器进行训练；
其中，一种训练数据为一组时间序列的数据，预设变分自编码器包括时序模块。
示例性地，上述预设变分自编码器可以包括输入层、第一时序模块、隐变量分布层、第二时序模块、输出层。
在一种示例中，上述修正模块，可以用于获取筛选阈值和纠错阈值，并根据筛选阈值和纠错阈值对获取的至少一种气象观测数据进行修正。
如图5所示，在一种示例中，上述装置还可以包括判断模块403；
训练模块，用于将获取的一个时间序列的至少一种新数据输入训练好的编码器中，得到一个时间序列的至少一种输出数据；
判断模块，用于根据至少一种新数据的和与至少一种输出数据的和之间的差值，判断是否将至少一种新数据加入训练集。
例如，在至少一种新数据的和与至少一种输出数据的和之间的差值小于或等于判断阈值的情况下，判断模块用于确定至少一种新数据为正常数据；
在至少一种新数据的和与至少一种输出数据的和之间的差值大于判断阈值的情况下，判断模块用于根据当地气候学临界值判断是否将至少一种新数据加入训练集。
示例性地，在至少一种输出数据中超过预设比例的数据大于当地气候学临界值的情况下，判断模块用于丢弃至少一种新数据，或者丢弃至少一种数据中大于当地气候学临界值的输出数据对应的数据；
在至少一种输出数据中大于当地气候学临界值的数据不超过预设比例的情况下，判断模块用于将至少一种新数据加入训练集，或者将至少一种新数据中不大于当地气候学临界值的数据加入训练集。
本申请实施例所提供的数据训练装置可执行本申请图1、图3实施例所提供的数据训练方法，具备执行方法相应的功能模块和有益效果。
图6为本申请实施例提供的一种电子设备的结构示意图，如图6所示，该设备包括处理器601、存储器602、输入装置603和输出装置604；设备中处理器601的数量可以是一个或多个，图6中以一个处理器601为例；设备中的处理器601、存储器602、输入装置603和输出装置604可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器602作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例图1、图3中的数据训练方法对应的程序指令/模块(例如，数据训练装置中的修正模块401、训练模块402)。处理器601通过运行存储在存储器602中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的数据训练方法。
存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据云服务器的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器602可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置603可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置604可包括显示屏等显示设备。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种数据训练方法，该方法包括：
对获取的至少一种气象观测数据进行修正，得到至少一种训练数据；
将至少一种训练数据输入预设变分自编码器，对预设变分自编码器进行训练；
其中，一种训练数据为一组时间序列的数据，预设变分自编码器包括时序模块。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本申请任意实施例所提供的数据训练方法。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本申请各个实施例所述的方法。
值得注意的是，上述数据训练装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.一种数据训练方法，其特征在于，包括：
对获取的至少一种气象观测数据进行修正，得到至少一种训练数据；
将所述至少一种训练数据输入预设变分自编码器，对所述预设变分自编码器进行训练；
其中，一种训练数据为一组时间序列的数据，所述预设变分自编码器包括时序模块。
2.根据权利要求1所述的方法，其特征在于，所述预设变分自编码器包括输入层、第一时序模块、隐变量分布层、第二时序模块、输出层。
3.根据权利要求1所述的方法，其特征在于，对获取的至少一种气象观测数据进行修正，包括：
获取筛选阈值和纠错阈值；
根据所述筛选阈值和所述纠错阈值对所述至少一种气象观测数据进行修正。
4.根据权利要求1-3任一项所述的方法，其特征在于，在对所述预设变分自编码器进行训练之后，所述方法还包括：
将获取的一个时间序列的至少一种新数据输入训练好的编码器中，得到所述一个时间序列的至少一种输出数据；
根据所述至少一种新数据的和与至少一种输出数据的和之间的差值，判断是否将所述至少一种新数据加入训练集。
5.根据权利要求4所述的方法，其特征在于，根据所述至少一种新数据的和与至少一种输出数据的和之间的差值，判断是否将所述至少一种新数据加入训练集，包括：
在所述至少一种新数据的和与至少一种输出数据的和之间的差值小于或等于判断阈值的情况下，确定所述至少一种新数据为正常数据；
在所述至少一种新数据的和与至少一种输出数据的和之间的差值大于所述判断阈值的情况下，根据当地气候学临界值判断是否将所述至少一种新数据加入训练集。
6.根据权利要求5所述的方法，其特征在于，根据当地气候学临界值判断是否将所述至少一种新数据加入训练集，包括：
在所述至少一种输出数据中超过预设比例的数据大于当地气候学临界值的情况下，丢弃所述至少一种新数据，或者丢弃至少一种数据中大于当地气候学临界值的输出数据对应的数据；
在所述至少一种输出数据中大于当地气候学临界值的数据不超过预设比例的情况下，将所述至少一种新数据加入训练集，或者将至少一种新数据中不大于当地气候学临界值的数据加入训练集。
7.一种数据训练装置，其特征在于，包括：
修正模块，用于对获取的至少一种气象观测数据进行修正，得到至少一种训练数据；
训练模块，用于将所述至少一种训练数据输入预设变分自编码器，对所述预设变分自编码器进行训练；
其中，一种训练数据为一组时间序列的数据，所述预设变分自编码器包括时序模块。
8.根据权利要求7所述的装置，其特征在于，所述预设变分自编码器包括输入层、第一时序模块、隐变量分布层、第二时序模块、输出层。
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计算机程序时，实现如权利要求1-6任一项所述的数据训练方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-6任一项所述的数据训练方法。
CN202110823693.4A 2021-07-21 2021-07-21 数据训练方法、装置、设备及存储介质 Pending CN113468820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110823693.4A CN113468820A (zh) 2021-07-21 2021-07-21 数据训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110823693.4A CN113468820A (zh) 2021-07-21 2021-07-21 数据训练方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113468820A true CN113468820A (zh) 2021-10-01

Family

ID=77881419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110823693.4A Pending CN113468820A (zh) 2021-07-21 2021-07-21 数据训练方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113468820A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189564A1 (en) * 2016-12-30 2018-07-05 International Business Machines Corporation Method and system for crop type identification using satellite observation and weather data
CN110647891A (zh) * 2019-09-17 2020-01-03 上海仪电（集团）有限公司中央研究院 基于cnn和自编码器时序数据特征自动提取方法及系统
CN110929733A (zh) * 2019-12-09 2020-03-27 上海眼控科技股份有限公司 除噪方法、装置、计算机设备、存储介质及模型训练方法
CN110989046A (zh) * 2019-12-25 2020-04-10 中国气象局气象探测中心 一种锚碇浮标站数据质量控制方法系统
CN111738351A (zh) * 2020-06-30 2020-10-02 创新奇智(重庆)科技有限公司 模型训练方法、装置、存储介质及电子设备
CN112232495A (zh) * 2020-12-10 2021-01-15 北京瑞莱智慧科技有限公司 预测模型的训练方法、装置、介质和计算设备
CN112232554A (zh) * 2020-09-28 2021-01-15 中国科学院空天信息创新研究院 一种基于bp神经网络的局域短临降水预报模型的构建方法
CN112766429A (zh) * 2021-04-09 2021-05-07 北京瑞莱智慧科技有限公司 一种异常检测的方法、装置、计算机设备和介质
CN112862090A (zh) * 2021-01-22 2021-05-28 南开大学 一种基于深度时空神经网络的气温预报方法
CN113095562A (zh) * 2021-04-07 2021-07-09 安徽天能清洁能源科技有限公司 基于卡尔曼滤波和lstm发电超短期预测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189564A1 (en) * 2016-12-30 2018-07-05 International Business Machines Corporation Method and system for crop type identification using satellite observation and weather data
CN110647891A (zh) * 2019-09-17 2020-01-03 上海仪电（集团）有限公司中央研究院 基于cnn和自编码器时序数据特征自动提取方法及系统
CN110929733A (zh) * 2019-12-09 2020-03-27 上海眼控科技股份有限公司 除噪方法、装置、计算机设备、存储介质及模型训练方法
CN110989046A (zh) * 2019-12-25 2020-04-10 中国气象局气象探测中心 一种锚碇浮标站数据质量控制方法系统
CN111738351A (zh) * 2020-06-30 2020-10-02 创新奇智(重庆)科技有限公司 模型训练方法、装置、存储介质及电子设备
CN112232554A (zh) * 2020-09-28 2021-01-15 中国科学院空天信息创新研究院 一种基于bp神经网络的局域短临降水预报模型的构建方法
CN112232495A (zh) * 2020-12-10 2021-01-15 北京瑞莱智慧科技有限公司 预测模型的训练方法、装置、介质和计算设备
CN112862090A (zh) * 2021-01-22 2021-05-28 南开大学 一种基于深度时空神经网络的气温预报方法
CN113095562A (zh) * 2021-04-07 2021-07-09 安徽天能清洁能源科技有限公司 基于卡尔曼滤波和lstm发电超短期预测方法及装置
CN112766429A (zh) * 2021-04-09 2021-05-07 北京瑞莱智慧科技有限公司 一种异常检测的方法、装置、计算机设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张继学;王鹏;张琳;王一;: "人工神经网络在短期降水预测方面的应用研究", 科技风, no. 17, pages 123 - 124 *

Similar Documents

Publication Publication Date Title
CN110365703B (zh) 物联网终端异常状态检测方法、装置及终端设备
CN110083475B (zh) 一种异常数据的检测方法及装置
CN109426655B (zh) 数据分析方法、装置、电子设备及计算机可读存储介质
CN111045933A (zh) 一种回归策略更新方法、装置、存储介质及终端设备
CN115563180A (zh) 动态阈值生成方法、装置、设备及存储介质
CN111176953A (zh) 一种异常检测及其模型训练方法、计算机设备和存储介质
CN112181430B (zh) 代码变更统计方法、装置、电子设备及存储介质
CN108363649B (zh) 一种分布式统计日志访问量的方法及装置
CN111813638A (zh) 一种告警信息处理方法、装置及终端设备
CN111858369A (zh) 内存监控方法、装置、设备及存储介质
CN110876072A (zh) 一种批量注册用户识别方法、存储介质、电子设备及系统
CN112730654B (zh) 六氟化硫电气设备故障检测方法、装置及终端设备
CN110650140A (zh) 基于kmeans的攻击行为监测方法及装置
CN108595685B (zh) 一种数据处理方法及装置
CN113468820A (zh) 数据训练方法、装置、设备及存储介质
CN108463813B (zh) 一种进行数据处理的方法和装置
CN117150233A (zh) 一种电网异常数据治理方法、系统、设备及介质
CN109660512B (zh) 一种敏感信息流向向量化方法、异常流向识别方法及装置
CN109684182B (zh) 一种预测网络拥塞对网络质量影响的方法和装置
CN108599976B (zh) 网络质量评估模型构建方法、装置及计算机设备
CN112256691A (zh) 一种数据映射方法、装置及电子设备
CN110990223A (zh) 一种基于系统日志的监控告警方法及装置
CN113919518B (zh) 电力计量自动化生产设备的故障确定方法、装置及终端
CN114679335A (zh) 电力监控系统网络安全风险评估训练、评估方法及设备
CN114358581A (zh) 性能指标的异常阈值确定方法和装置、设备、存储介质

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