CN113919604A - 时间序列数据的预测方法、装置、存储介质及处理器 - Google Patents

时间序列数据的预测方法、装置、存储介质及处理器 Download PDF

Info

Publication number
CN113919604A
CN113919604A CN202111514027.9A CN202111514027A CN113919604A CN 113919604 A CN113919604 A CN 113919604A CN 202111514027 A CN202111514027 A CN 202111514027A CN 113919604 A CN113919604 A CN 113919604A
Authority
CN
China
Prior art keywords
data
time series
time
target
layer
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
CN202111514027.9A
Other languages
English (en)
Inventor
王巍巍
陈曦
罗伟
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.)
Alibaba China Co Ltd
Alibaba Cloud Computing Ltd
Original Assignee
Alibaba China Co Ltd
Alibaba Cloud Computing 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 Alibaba China Co Ltd, Alibaba Cloud Computing Ltd filed Critical Alibaba China Co Ltd
Priority to CN202111514027.9A priority Critical patent/CN113919604A/zh
Publication of CN113919604A publication Critical patent/CN113919604A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明公开了一种时间序列数据的预测方法、装置、存储介质及处理器。其中，该方法包括：获取参考数据，其中，参考数据为预设时间段内物联网设备中目标指标的数据；将参考数据输入时间序列预测模型，预测得到目标指标在目标时间段内的时间序列预测数据，其中，时间序列预测模型是基于卷积的神经网络；对时间序列预测数据进行去噪处理，得到目标指标在目标时间段内的时间序列数据。本发明解决了相关技术中获取时间序列数据的效率较低的技术问题。

Description

时间序列数据的预测方法、装置、存储介质及处理器
技术领域
本发明涉及信息处理技术领域，具体而言，涉及一种时间序列数据的预测方法、装置、存储介质及处理器。
背景技术
作为物联网平台最主要的数据模式：时间序列数据，对其进行智能化处理和预测具有重要的意义，可以应用在设备运行状态监测、各行业生产指标预测等多个领域。
为了得到时间序列数据，传统时序建模方法采用的是ARMA/ARIMA等线性模型，其中，ARIMA是一种比较常用的基于历史数据来做预测的时间序列模型，ARIMA的全称是auto-regressive integrated moving average，主要是由三个参数确定的，即(p,d,q)。参数p是指回归过程中某个时间点的取值依赖于过去的p个时间点的取值。参数d表示差分 I(d) 的阶，差分即为用当前的值减去之前的值。差分主要用于将不平稳的序列平稳化。阶数q表示当前的误差依赖于之前q个误差。这三个成分使得ARIMA模型不具有季节性，可以写成线性方程。另外，采用的xgboot等传统机器学习模型,XGBoost的全称是eXtreme GradientBoosting，它是经过优化的分布式梯度提升数，旨在高效、灵活且可移植，本质是决策树的升级。然而，传统时序建模方法，要求时序数据是稳定的，或者是通过差分化后是稳定的，本质上只能捕捉线性关系，而不能捕捉非线性关系。另外，xgboot等传统机器学习模型，需要针对不同领域的时间序列构建人工特征，不适合进行产品化标准，因此，获取时间序列数据的效率较低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种时间序列数据的预测方法、装置、存储介质及处理器，以至少解决相关技术中获取时间序列数据的效率较低的技术问题。
根据本发明实施例的一个方面，提供了一种时间序列数据的预测方法，包括：获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
进一步地，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。
进一步地，根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态，包括：计算所述实际数据与所述时间序列数据的差值；若所述差值超过预设阈值，则确定所述物联网设备的运行状态存在异常。
进一步地，若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。
进一步地，所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。
进一步地，所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据包括：将所述参考数据输入所述因果卷积层和所述门控控制层；将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。
进一步地，在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，所述方法还包括：搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。
进一步地，采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，包括：将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二；将所述时间序列数据一和所述时间序列数据二通过所述残差网络层，得到差异向量；将所述差异向量通过多个卷积处理，得到时间序列预测数据。
进一步地，所述门控控制层中包括第一预设激活函数和第二预设激活函数， 所述第一预设激活函数和所述第二预设激活函数用于增加时间序列数据一的非线性关系，将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二，包括：将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；将所述处理后的第一时间序列数据和所述处理后的第二时间序列数据相乘，得到所述时间序列数据二。
进一步地，所述多个卷积包括：第一卷积层，第二卷积层以及全连接网络层，将所述差异向量通过多个卷积处理，得到时间序列预测数据，包括：将所述差异向量输入所述第一卷积层进行处理，得到处理后的差异向量一；将所述处理后的差异向量一输入所述第二卷积层进行处理，得到处理后的差异向量二；将所述处理后的差异向量二通过所述全连接网络层进行处理，得到所述时间序列预测数据。
进一步地，对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据，包括：对所述时间序列预测数据进行小波多尺度分解，得到分解后的时间序列预测数据；对所述时间序列预测数据的小波变换系数进行非线性阈值处理，得到处理后的小波变换系数；采用所述处理后的小波变换系数对所述分解后的时间序列预测数据进行重构，得到所述目标指标在所述目标时间段内的时间序列数据。
根据本发明实施例的另一方面，还提供了一种一种时间序列数据的预测装置，包括：第一获取单元，用于获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；预测单元，用于将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；第一处理单元，用于对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
进一步地，所述装置还包括：采集单元，用于在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；监控单元，用于根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。
进一步地，所述监控单元还包括：计算模块，用于计算所述实际数据与所述时间序列数据的差值；确定模块，用于在所述差值超过预设阈值的情况下，则确定所述物联网设备的运行状态存在异常。
进一步地，所述装置还包括：第一生成单元，用于若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。
进一步地，所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。
进一步地，所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，所述预测单元还用于将所述参考数据输入所述因果卷积层和所述门控控制层；将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。
进一步地，所述装置还包括：搭建单元，用于在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；第二生成单元，用于采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。
进一步地，所述第二生成单元，包括：第一处理模块，用于将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；第二处理模块，用于将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二；第三处理模块，用于将所述时间序列数据一和所述时间序列数据二通过所述残差网络层，得到差异向量；第四处理模块，用于将所述差异向量通过多个卷积处理，得到时间序列预测数据。
进一步地，所述门控控制层中包括第一预设激活函数和第二预设激活函数， 所述第一预设激活函数和所述第二预设激活函数用于增加时间序列数据一的非线性关系，所述第二处理模块，包括：第一处理子模块，用于将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；第二处理子模块，用于将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；第三处理子模块，用于将所述处理后的第一时间序列数据和所述处理后的第二时间序列数据相乘，得到所述时间序列数据二。
进一步地，所述多个卷积包括：第一卷积层，第二卷积层以及全连接网络层，所述第四处理模块，包括：第四处理子模块，用于将所述差异向量输入所述第一卷积层进行处理，得到处理后的差异向量一；第五处理子模块，用于将所述处理后的差异向量一输入所述第二卷积层进行处理，得到处理后的差异向量二；第六处理子模块，用于将所述处理后的差异向量二通过所述全连接网络层进行处理，得到所述时间序列预测数据。
进一步地，所述第一处理单元，包括：第五处理模块，用于对所述时间序列预测数据进行小波多尺度分解，得到分解后的时间序列预测数据；第六处理模块，用于对所述时间序列预测数据的小波变换系数进行非线性阈值处理，得到处理后的小波变换系数；第七处理模块，用于采用所述处理后的小波变换系数对所述分解后的时间序列预测数据进行重构，得到所述目标指标在所述目标时间段内的时间序列数据。
在本发明实施例中，采用依据时间序列预测模型，预测得到目标指标在目标时间段内的时间序列预测数据，然后对时间序列预测数据进行小波去燥，得到时间序列数据的方式，通过获取参考数据，其中，参考数据为预设时间段内物联网设备中目标指标的数据；将参考数据输入时间序列预测模型，预测得到目标指标在目标时间段内的时间序列预测数据，其中，时间序列预测模型是基于卷积的神经网络；对时间序列预测数据进行去噪处理，得到目标指标在目标时间段内的时间序列数据，解决了相关技术中获取时间序列数据的效率较低的技术问题，达到了采用基于卷积神经网络的时间序列预测模型提升获取时间序列预测数据效率的目的，对时间序列预测数据进行去噪处理，从而保证了得到的时间序列数据的准确性的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的计算机终端的硬件结构框图；
图2是根据本发明实施例一提供的时间序列数据的预测方法的流程图；
图3是根据本发明实施例一提供的时间序列预测模型的示意图；
图4是根据本发明实施例一提供的可选的时间序列数据的预测方法的示意图；
图5是根据本发明实施例二提供的时间序列数据的预测装置的示意图；
图6是根据本发明实施例的可选的计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
深度学习：深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标-人工智能(AI,Artificial Intelligence)。
时间序列预测：时间序列预测是指利用获得的数据按时间顺序排成序列，分析其变化方向和程度，从而对未来若干时期可能达到的水平进行推测。时间序列预测的基本思想，就是将时间序列作为一个随机变量的一个样本，用概率统计的方法，从而尽可能减少偶然因素的影响。
卷积神经网络：卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。卷积神经网络具有表征学习（representationlearning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariantclassification），因此，也被称为“平移不变人工神经网络（Shift-Invariant ArtificialNeural Networks, SIANN）”。
小波去噪：小波去噪（英文名wavelet domain denoising），属于音频处理器。是通过短波实现噪音消除，与高斯去噪的基本原理一致。
实施例1
根据本发明实施例，提供了一种时间序列数据的预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现时间序列数据的预测方法的计算机终端（或移动设备）的硬件结构框图。如图1所示，计算机终端10（或移动设备10）可以包括一个或多个（图中采用102a、102b，……，102n来示出）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为I/O接口的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或移动设备）中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的时间序列数据的预测方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的时间序列数据的预测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。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。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算机终端10（或移动设备）的用户界面进行交互。
在上述运行环境下，本申请提供了如图2所示的时间序列数据的预测方法。图2是根据本发明实施例一的时间序列数据的预测方法的流程图。
步骤S101，获取参考数据，其中，参考数据为预设时间段内物联网设备中目标指标的数据。
例如，目标指标为温度，参数数据为某物联网设备前三天的温度数据信息。
步骤S102，将参考数据输入时间序列预测模型，预测得到目标指标在目标时间段内的时间序列预测数据，其中，时间序列预测模型是基于卷积的神经网络。
上述的时间序列预测模型为基于卷积的神经网络，也即，卷积神经网络深度模型，由于卷积神经网络是一种模拟生物神经系统的一种结构和行为，支持非平稳时序数据的输入。另外，基于卷积神经网络深度模型不需要构建人工特征。它利用卷积层中的卷积核（或称之为滤波器）自动提取特征。因此，建立时间序列预测模型的效率比传统时序建模方法的效率快。进一步地，在预测时间序列预测数据时，能够快速的基于输入的参考数据，预测得到目标指标在目标时间段内的时间序列预测数据。
步骤S103，对时间序列预测数据进行去噪处理，得到目标指标在目标时间段内的时间序列数据。
在对时间序列预测数据进行去噪处理，从而保证了快速得到的时间序列数据的准确性。
可选地，在本申请实施例提供的时间序列数据的预测方法中，在对时间序列预测数据进行去噪处理，得到目标指标在目标时间段内的时间序列数据之后，该方法还包括：在物联网设备运行过程中，采集目标时间段内目标指标的实际数据；根据实际数据和时间序列数据监控物联网设备的运行状态。
例如，得到目标指标在目标时间段内的时间序列数据为：某物联网设备在24小时内的温度预测数据。在该物联网设备运行过程中，采集24小时内物联网设备实际的温度数据。将采集到的实际的温度数据与温度预测数据进行比较分析，即可监控到该物联网设备的运行状态。
可选地，在本申请实施例提供的时间序列数据的预测方法中，根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态，包括：计算所述实际数据与所述时间序列数据的差值；若所述差值超过预设阈值，则确定所述物联网设备的运行状态存在异常。
例如，采集24小时内物联网设备实际的温度数据为25摄氏度。预测出的温度预测数据为20摄氏度，预设阈值为2摄氏度，计算的得到实际数据与所述时间序列数据的差值为5摄氏度，超过预设阈值，则确定所述物联网设备温度处于异常状态，从而确定物联网设备的运行状态存在异常。
通过上述方案，可以以时间序列数据为数据参考，及时确定物联网设备的运行状态是否存在异常。
可选地，在本申请实施例提供的时间序列数据的预测方法中，若目标指标为目标产品的销售数据，其中，目标产品由物联网设备生产，在对时间序列预测数据进行去噪处理，得到目标指标在目标时间段内的时间序列数据之后，该方法还包括：依据目标产品的销售数据在目标时间段内的时间序列数据，生成物联网设备生产目标产品的排产计划。
例如，预测出产品A在未来一个月的销售数据，则可以依据该时间序列数据，确定产品A的排产计划，以便保证产品A的供需平衡。
上述方案，可以应用在各行业生产指标预测等多个领域，以便用户以预测出的时间序列数据作为数据依据，提前安排后续工作任务。
可选地，在本申请实施例提供的时间序列数据的预测方法中，所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。例如，所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层。
可选地，在本申请实施例提供的时间序列数据的预测方法中，将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据包括：将所述参考数据输入所述因果卷积层和所述门控控制层；将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。
在将参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，该方法还包括：搭建卷积神经网络深度模型，其中，卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；采用时间序列样本数据，对卷积神经网络深度模型进行训练，生成时间序列预测模型。
如图3所示，卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积。其中，因果卷积层中，时间序列数据输入比较长，利用因果卷积结构可以提高数据信息的感受野，不需要增加额外的层数和计算量。例如，1024×1维的数据，输入因果卷积层进行处理，输出是64×1维的数据。为了提取数据中的非线形关系，通过因果卷积操作之后，加入一个门控控制层对因果卷积处理后的数据进行处理，可以捕捉到数据中的非线形的关系。残差网络层可以计算因果卷积层的输出和门控控制层的输出之间的差异向量，多个卷积处理差异向量，最终得到时间序列预测数据，采用时间序列样本数据，对卷积神经网络深度模型进行训练，生成得到时间序列预测模型。
由于上述实施例中的时间序列预测模型为卷积神经网络深度模型，支持非平稳时序数据的输入，对数据要求不高，物联网设备的场景中采集到的数据通常是不平稳的，因此，卷积神经网络深度模型适用于处理物联网设备的场景中采集到的数据 。另外，基于卷积神经网络深度模型不需要构建人工特征，它利用卷积层中的卷积核（或称之为滤波器）自动提取特征。因此，本申请中构建时间序列预测模型的效率比传统时序建模方法的效率快。
可选地，在本申请实施例提供的时间序列数据的预测方法中，采用时间序列样本数据，对卷积神经网络深度模型进行训练，包括：将预设时间序列数据输入将因果卷积层进行处理，得到时间序列数据一；将时间序列数据一通过门控控制层进行处理，得到时间序列数据二；将时间序列数据一和时间序列数据二通过残差网络层，得到差异向量；将差异向量通过多个卷积处理，得到时间序列预测数据。
例如，门控控制层中包括第一预设激活函数和第二预设激活函数， 第一预设激活函数和第二预设激活函数用于增加时间序列数据一的非线性关系，将时间序列数据一通过门控控制层进行处理，得到时间序列数据二，包括：将时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；将时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；将处理后的第一时间序列数据和处理后的第二时间序列数据相乘，得到时间序列数据二。
例如，第一预设激活函数为tanh函数，第二预设激活函数为relu函数，分别将应该卷积输出的时间序列数据一通过tanh函数和relu函数进行处理，让处理得到的第一时间序列数据和第二时间序列数据乘，得到门控控制层输出的时间序列数据二。
通过上述方案，在卷积神经网络深度模型中加入了非线形的激活函数，使模型可以捕捉到非线形的关系，保证了后续生成的时间序列预测模型的精准性。
可选地，在本申请实施例提供的时间序列数据的预测方法中，多个卷积包括：第一卷积层，第二卷积层以及全连接网络层，将差异向量通过多个卷积处理，得到时间序列预测数据，包括：将差异向量输入第一卷积层进行处理，得到处理后的差异向量一；将处理后的差异向量一输入第二卷积层进行处理，得到处理后的差异向量二；将处理后的差异向量二通过全连接网络层进行处理，得到时间序列预测数据。
如图3所示，将残差网络输出的差异向量通过第一卷积层，第二卷积层以及全连接网络层进行处理，输出长度符合需求的数据。例如，残差网络输出的差异向为64×1维的向量，通过第一卷积层进行变形，输出32×32×8的向量，将32×32×8的向量通过第二卷积层进行处理，输出128×1的向量，将128×1的向量输入全连接网络，输出10×1的向量。将10×1的向量中最后一个数作为预测结果，也即，作为得到的时间序列预测数据。
可选地，在本申请实施例提供的时间序列数据的预测方法中，对时间序列预测数据进行去噪处理，得到目标指标在目标时间段内的时间序列数据，包括：对时间序列预测数据进行小波多尺度分解，得到分解后的时间序列预测数据；对时间序列预测数据的小波变换系数进行非线性阈值处理，得到处理后的小波变换系数；采用处理后的小波变换系数对分解后的时间序列预测数据进行重构，得到目标指标在目标时间段内的时间序列数据。
在物联网场景中所检测到的信号通常都是非平稳信号，因此，在本申请中，为了保证得到时间序列数据的准确性，对时间序列预测模型输出的时间序列预测数据进行小波多尺度分解，得到不同尺度分解后的时间序列预测数据。例如，选定一个正交小波和分解层数N，对信号f(t)进行N层小波分解。然后，对时间序列预测数据的小波变换系数进行非线性阈值处理，例如，对第1层至第N层的每一层高频系数，通过阈值函数进行处理，每层的低频系数不做处理，得到各层处理后的小波变换系数。最后，根据小波分别的第N层的低频系数和经过处理后的第1层到第N层的高频系数对所述分解后的时间序列预测数据进行信号重构，从而得到目标指标在目标时间段内的时间序列数据。通过上述方案，保证了得到的时间序列数据的准确性。
如图4所示，图4中示出了从模型训练，推理到去噪的技术框架，具体地，模型训练阶段，采用历史数据，对搭建卷积神经网络模型进行训练，得到模型。在推理阶段，加载训练输出的模型，将输入数据（也即参考数据）输入该模型进行推理，输出推理结果，也即是基于该输入数据预测出的结果。在去噪阶段，将推理结果进行小波去噪，将去噪后的结果作为最终的预测结果。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，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的方法。
实施例2
根据本发明实施例，还提供了一种用于实施上述时间序列数据的预测方法的装置，如图5所示，该装置包括：第一获取单元501，预测单元502和第一处理单元503。
第一获取单元501，用于获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；
预测单元502，用于将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；
第一处理单元503，用于对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述装置还包括：采集单元，用于在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；监控单元，用于根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述监控单元还包括：计算模块，用于计算所述实际数据与所述时间序列数据的差值；确定模块，用于在所述差值超过预设阈值的情况下，则确定所述物联网设备的运行状态存在异常。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述装置还包括：第一生成单元，用于若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，所述预测单元还用于将所述参考数据输入所述因果卷积层和所述门控控制层；将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述装置还包括：搭建单元，用于在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；第二生成单元，用于采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述第二生成单元，包括：第一处理模块，用于将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；第二处理模块，用于将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二；第三处理模块，用于将所述时间序列数据一和所述时间序列数据二通过所述残差网络层，得到差异向量；第四处理模块，用于将所述差异向量通过多个卷积处理，得到时间序列预测数据。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述门控控制层中包括第一预设激活函数和第二预设激活函数， 所述第一预设激活函数和所述第二预设激活函数用于增加时间序列数据一的非线性关系，所述第二处理模块，包括：第一处理子模块，用于将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；第二处理子模块，用于将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；第三处理子模块，用于将所述处理后的第一时间序列数据和所述处理后的第二时间序列数据相乘，得到所述时间序列数据二。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述多个卷积包括：第一卷积层，第二卷积层以及全连接网络层，所述第四处理模块，包括：第四处理子模块，用于将所述差异向量输入所述第一卷积层进行处理，得到处理后的差异向量一；第五处理子模块，用于将所述处理后的差异向量一输入所述第二卷积层进行处理，得到处理后的差异向量二；第六处理子模块，用于将所述处理后的差异向量二通过所述全连接网络层进行处理，得到所述时间序列预测数据。
可选地，在本申请实施例二提供的时间序列数据的预测方法的装置中，所述第一处理单元，包括：第五处理模块，用于对所述时间序列预测数据进行小波多尺度分解，得到分解后的时间序列预测数据；第六处理模块，用于对所述时间序列预测数据的小波变换系数进行非线性阈值处理，得到处理后的小波变换系数；第七处理模块，用于采用所述处理后的小波变换系数对所述分解后的时间序列预测数据进行重构，得到所述目标指标在所述目标时间段内的时间序列数据。
此处需要说明的是，上述第一获取单元501，预测单元502和第一处理单元503对应于实施例1中的步骤S101至步骤S103，三个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
实施例3
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积，其中，所述时间序列预测模型是基于卷积的神经网络；对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态，包括：计算所述实际数据与所述时间序列数据的差值；若所述差值超过预设阈值，则确定所述物联网设备的运行状态存在异常。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据包括：将所述参考数据输入所述因果卷积层和所述门控控制层；将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，所述方法还包括：搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，包括：将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二；将所述时间序列数据一和所述时间序列数据二通过所述残差网络层，得到差异向量；将所述差异向量通过多个卷积处理，得到时间序列预测数据。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：所述门控控制层中包括第一预设激活函数和第二预设激活函数， 所述第一预设激活函数和所述第二预设激活函数用于增加时间序列数据一的非线性关系，将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二，包括：将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；将所述处理后的第一时间序列数据和所述处理后的第二时间序列数据相乘，得到所述时间序列数据二。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：所述多个卷积包括：第一卷积层，第二卷积层以及全连接网络层，将所述差异向量通过多个卷积处理，得到时间序列预测数据，包括：将所述差异向量输入所述第一卷积层进行处理，得到处理后的差异向量一；将所述处理后的差异向量一输入所述第二卷积层进行处理，得到处理后的差异向量二；将所述处理后的差异向量二通过所述全连接网络层进行处理，得到所述时间序列预测数据。
上述计算机终端还可以执行应用程序的时间序列数据的预测方法中以下步骤的程序代码：对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据，包括：对所述时间序列预测数据进行小波多尺度分解，得到分解后的时间序列预测数据；对所述时间序列预测数据的小波变换系数进行非线性阈值处理，得到处理后的小波变换系数；采用所述处理后的小波变换系数对所述分解后的时间序列预测数据进行重构，得到所述目标指标在所述目标时间段内的时间序列数据。
可选地，图6是根据本发明实施例的一种计算机终端的结构框图。如图6所示，该计算机终端可以包括：一个或多个（图6中仅示出一个）处理器、存储器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的时间序列数据的预测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的时间序列数据的预测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端。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。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积，其中，将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量，将所述差异向量通过多个卷积处理，输出时间序列预测数据；对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
可选的，上述处理器还可以执行如下步骤的程序代码：在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。
可选的，上述处理器还可以执行如下步骤的程序代码：根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态，包括：计算所述实际数据与所述时间序列数据的差值；若所述差值超过预设阈值，则确定所述物联网设备的运行状态存在异常。
可选的，上述处理器还可以执行如下步骤的程序代码：若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。
可选的，上述处理器还可以执行如下步骤的程序代码：所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。
可选的，上述处理器还可以执行如下步骤的程序代码：所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据包括：将所述参考数据输入所述因果卷积层和所述门控控制层；将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。
可选的，上述处理器还可以执行如下步骤的程序代码：在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，所述方法还包括：搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。
可选的，上述处理器还可以执行如下步骤的程序代码：采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，包括：将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二；将所述时间序列数据一和所述时间序列数据二通过所述残差网络层，得到差异向量；将所述差异向量通过多个卷积处理，得到时间序列预测数据。
可选的，上述处理器还可以执行如下步骤的程序代码：所述门控控制层中包括第一预设激活函数和第二预设激活函数， 所述第一预设激活函数和所述第二预设激活函数用于增加时间序列数据一的非线性关系，将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二，包括：将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；将所述处理后的第一时间序列数据和所述处理后的第二时间序列数据相乘，得到所述时间序列数据二。
可选的，上述处理器还可以执行如下步骤的程序代码：所述多个卷积包括：第一卷积层，第二卷积层以及全连接网络层，将所述差异向量通过多个卷积处理，得到时间序列预测数据，包括：将所述差异向量输入所述第一卷积层进行处理，得到处理后的差异向量一；将所述处理后的差异向量一输入所述第二卷积层进行处理，得到处理后的差异向量二；将所述处理后的差异向量二通过所述全连接网络层进行处理，得到所述时间序列预测数据。
可选的，上述处理器还可以执行如下步骤的程序代码：对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据，包括：对所述时间序列预测数据进行小波多尺度分解，得到分解后的时间序列预测数据；对所述时间序列预测数据的小波变换系数进行非线性阈值处理，得到处理后的小波变换系数；采用所述处理后的小波变换系数对所述分解后的时间序列预测数据进行重构，得到所述目标指标在所述目标时间段内的时间序列数据。
采用本发明实施例，提供了一种时间序列数据的预测方法的方案。通过采用依据时间序列预测模型，预测得到目标指标在目标时间段内的时间序列预测数据，然后对时间序列预测数据进行小波去燥，得到时间序列数据的方式，通过获取参考数据，其中，参考数据为预设时间段内物联网设备中目标指标的数据；将参考数据输入时间序列预测模型，预测得到目标指标在目标时间段内的时间序列预测数据，其中，时间序列预测模型是基于卷积的神经网络；对时间序列预测数据进行去噪处理，得到目标指标在目标时间段内的时间序列数据，解决了相关技术中获取时间序列数据的效率较低的技术问题，达到了采用基于卷积神经网络的时间序列预测模型提升获取时间序列预测数据效率的目的，对时间序列预测数据进行去噪处理，从而保证了得到的时间序列数据的准确性的技术效果。
本领域普通技术人员可以理解，图6所示的结构仅为示意，计算机终端也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌声电脑以及移动互联网设备（MobileInternet Devices，MID）、PAD等终端设备。图6其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图6中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图6所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（RandomAccess Memory，RAM）、磁盘或光盘等。
实施例4
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的时间序列数据的预测方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
存储介质还被设置为存储用于执行以下步骤的程序代码：在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。
存储介质还被设置为存储用于执行以下步骤的程序代码：根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态，包括：计算所述实际数据与所述时间序列数据的差值；若所述差值超过预设阈值，则确定所述物联网设备的运行状态存在异常。
存储介质还被设置为存储用于执行以下步骤的程序代码：若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。
存储介质还被设置为存储用于执行以下步骤的程序代码：所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。
存储介质还被设置为存储用于执行以下步骤的程序代码：所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据包括：将所述参考数据输入所述因果卷积层和所述门控控制层；将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。
存储介质还被设置为存储用于执行以下步骤的程序代码：在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，所述方法还包括：搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。
存储介质还被设置为存储用于执行以下步骤的程序代码：采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，包括：将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二；将所述时间序列数据一和所述时间序列数据二通过所述残差网络层，得到差异向量；将所述差异向量通过多个卷积处理，得到时间序列预测数据。
存储介质还被设置为存储用于执行以下步骤的程序代码：所述门控控制层中包括第一预设激活函数和第二预设激活函数， 所述第一预设激活函数和所述第二预设激活函数用于增加时间序列数据一的非线性关系，将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二，包括：将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；将所述处理后的第一时间序列数据和所述处理后的第二时间序列数据相乘，得到所述时间序列数据二。
存储介质还被设置为存储用于执行以下步骤的程序代码：所述多个卷积包括：第一卷积层，第二卷积层以及全连接网络层，将所述差异向量通过多个卷积处理，得到时间序列预测数据，包括：将所述差异向量输入所述第一卷积层进行处理，得到处理后的差异向量一；将所述处理后的差异向量一输入所述第二卷积层进行处理，得到处理后的差异向量二；将所述处理后的差异向量二通过所述全连接网络层进行处理，得到所述时间序列预测数据。
存储介质还被设置为存储用于执行以下步骤的程序代码：对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据，包括：对所述时间序列预测数据进行小波多尺度分解，得到分解后的时间序列预测数据；对所述时间序列预测数据的小波变换系数进行非线性阈值处理，得到处理后的小波变换系数；采用所述处理后的小波变换系数对所述分解后的时间序列预测数据进行重构，得到所述目标指标在所述目标时间段内的时间序列数据。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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全部或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（可为个人计算机、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、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种时间序列数据的预测方法，其特征在于，包括：
获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；
将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；
对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
2.根据权利要求1所述的方法，其特征在于，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：
在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；
根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。
3.根据权利要求2所述的方法，其特征在于，根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态，包括：
计算所述实际数据与所述时间序列数据的差值；
若所述差值超过预设阈值，则确定所述物联网设备的运行状态存在异常。
4.根据权利要求1所述的方法，其特征在于，若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：
依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。
5.根据权利要求1所述的方法，其特征在于，所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。
6.根据权利要求5所述的方法，其特征在于，所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据包括：
将所述参考数据输入所述因果卷积层和所述门控控制层；
将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；
将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。
7.根据权利要求6所述的方法，其特征在于，在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，所述方法还包括：
搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；
采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。
8.根据权利要求7所述的方法，其特征在于，采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，包括：
将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；
将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二；
将所述时间序列数据一和所述时间序列数据二通过所述残差网络层，得到差异向量；
将所述差异向量通过多个卷积处理，得到时间序列预测数据。
9.根据权利要求8所述的方法，其特征在于，所述门控控制层中包括第一预设激活函数和第二预设激活函数， 所述第一预设激活函数和所述第二预设激活函数用于增加时间序列数据一的非线性关系，将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二，包括：
将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；
将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；
将所述处理后的第一时间序列数据和所述处理后的第二时间序列数据相乘，得到所述时间序列数据二。
10.根据权利要求8所述的方法，其特征在于，所述多个卷积包括：第一卷积层，第二卷积层以及全连接网络层，将所述差异向量通过多个卷积处理，得到时间序列预测数据，包括：
将所述差异向量输入所述第一卷积层进行处理，得到处理后的差异向量一；
将所述处理后的差异向量一输入所述第二卷积层进行处理，得到处理后的差异向量二；
将所述处理后的差异向量二通过所述全连接网络层进行处理，得到所述时间序列预测数据。
11.根据权利要求1所述的方法，其特征在于，对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据，包括：
对所述时间序列预测数据进行小波多尺度分解，得到分解后的时间序列预测数据；
对所述时间序列预测数据的小波变换系数进行非线性阈值处理，得到处理后的小波变换系数；
采用所述处理后的小波变换系数对所述分解后的时间序列预测数据进行重构，得到所述目标指标在所述目标时间段内的时间序列数据。
12.一种时间序列数据的预测装置，其特征在于，包括：
第一获取单元，用于获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；
预测单元，用于将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；
第一处理单元，用于对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
13.一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至11中任意一项所述的时间序列数据的预测方法。
14.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至11中任意一项所述的时间序列数据的预测方法。
CN202111514027.9A 2021-12-13 2021-12-13 时间序列数据的预测方法、装置、存储介质及处理器 Pending CN113919604A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111514027.9A CN113919604A (zh) 2021-12-13 2021-12-13 时间序列数据的预测方法、装置、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111514027.9A CN113919604A (zh) 2021-12-13 2021-12-13 时间序列数据的预测方法、装置、存储介质及处理器

Publications (1)

Publication Number Publication Date
CN113919604A true CN113919604A (zh) 2022-01-11

Family

ID=79248640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111514027.9A Pending CN113919604A (zh) 2021-12-13 2021-12-13 时间序列数据的预测方法、装置、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN113919604A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN111767930A (zh) * 2019-04-01 2020-10-13 北京百度网讯科技有限公司 物联网时序数据异常检测方法及其相关设备
CN112598065A (zh) * 2020-12-25 2021-04-02 天津工业大学 一种基于记忆的门控卷积神经网络语义处理系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767930A (zh) * 2019-04-01 2020-10-13 北京百度网讯科技有限公司 物联网时序数据异常检测方法及其相关设备
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN112598065A (zh) * 2020-12-25 2021-04-02 天津工业大学 一种基于记忆的门控卷积神经网络语义处理系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ANASTASIA BOROVYKH ET AL: "Conditional time series forecasting with convolutional neural networks", 《ARXIV》 *
唐宋元: "《微弱信号处理理论》", 31 October 2018 *
王超: "云环境中时序数据的预测和异常检测算法的研究", 《中国优秀硕士学位论文全文数据库》 *
蒋文武: "基于WaveNet-LSTM网络的商品销量预测研究", 《中国优秀硕士学位论文全文数据库》 *

Similar Documents

Publication Publication Date Title
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN111091278B (zh) 机械设备异常检测的边缘检测模型构建方法及装置
CN108510058B (zh) 神经网络中的权重存储方法以及基于该方法的处理器
CN115936180A (zh) 光伏发电功率预测方法、装置和计算机设备
CN113222170B (zh) 一种用于物联网ai协同服务平台的智能算法和模型
CN114722091A (zh) 数据处理方法、装置、存储介质以及处理器
CN113361698A (zh) 神经网络模型的处理方法和装置、数据处理方法和装置
CN108256626A (zh) 时间序列的预测方法及装置
CN115034430A (zh) 碳排放量预测方法、装置、终端及存储介质
CN117688984A (zh) 神经网络结构搜索方法、装置及存储介质
CN117114056B (zh) 一种电力负荷预测模型及其构建方法、装置及应用
CN116701887B (zh) 用电量预测方法、装置、电子设备及存储介质
CN113743650A (zh) 电力负荷预测方法、装置、设备与存储介质
CN110837889A (zh) 神经网络的训练方法及装置、存储介质、电子装置
CN113919604A (zh) 时间序列数据的预测方法、装置、存储介质及处理器
CN115424725A (zh) 数据的分析方法和装置、存储介质及处理器
CN116362301A (zh) 一种模型的量化方法以及相关设备
CN114267422B (zh) 地表水质参数预测方法、系统、计算机设备及存储介质
CN115795005A (zh) 一种融合对比学习去噪优化的会话推荐方法及装置
CN114968933A (zh) 数据中心的日志的分类方法和装置
CN112036554B (zh) 神经网络模型的处理方法、装置、计算机设备和存储介质
CN114332522A (zh) 图像识别方法及装置、残差网络模型的构建方法
CN116802646A (zh) 数据处理的方法和装置
CN113051445A (zh) 工业生产数据处理方法、装置、计算机设备和存储介质
CN113608063B (zh) 电力线路故障识别方法、装置及电子设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40065677

Country of ref document: HK

RJ01 Rejection of invention patent application after publication

Application publication date: 20220111

RJ01 Rejection of invention patent application after publication