CN114707586A - 一种数据处理方法、装置、电子设备及存储介质 - Google Patents
一种数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114707586A CN114707586A CN202210297653.5A CN202210297653A CN114707586A CN 114707586 A CN114707586 A CN 114707586A CN 202210297653 A CN202210297653 A CN 202210297653A CN 114707586 A CN114707586 A CN 114707586A
- Authority
- CN
- China
- Prior art keywords
- data
- dynamic
- target
- static
- feature extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 230000003068 static effect Effects 0.000 claims abstract description 246
- 238000000605 extraction Methods 0.000 claims abstract description 128
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据处理方法、装置、电子设备及存储介质,其中,该方法包括:获取目标用户的待检测数据集;基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征;基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征;基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果。解决了人工检测用户是否存在异常用电时,检测效率低且准确度不高问题,实现了快速、准确及自动化的对用户是否存在供用电使用异常的情况进行检测的效果。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
在日常生活中,存在大量的用电违规操作,如私自转接供电线路、乱拉电线、高价低接以及使用不符合规格的用电行为等,都会存在较大的安全隐患,因此,需要对违规供用电的用户进行筛查,以减少安全隐患。
目前,通常是通过人工巡查的方式,逐个对可疑的违规供用电的用户进行检查,但是这样的检查方式存在检查不精准和效率低等问题;或者还可以通过人工经验和先验知识对各用户的用电数据进行排查,但是这样的方式缺乏时效性和泛化性。
为了能够准确快速的确定违规供用电用户,需要对违规用电的检测方式进行改进。
发明内容
本发明提供一种数据处理方法、装置、电子设备及存储介质,以实现快速、准确以及自动化确定供用电是否存在异常的效果。
第一方面,本发明实施例提供了一种数据处理方法,包括:
获取目标用户的待检测数据集;其中,所述待检测数据集中包括静态数据和动态数据,所述静态数据为不随时间信息变化的基本信息,所述动态数据为随时间变化的用电相关数据;
基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征;
基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征;
基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果;其中,所述目标分类结果中包括正常用电或异常用电。
第二方面,本发明实施例还提供了一种数据处理装置,包括:
待检测数据集获取模块,用于获取目标用户的待检测数据集;其中,所述待检测数据集中包括静态数据和动态数据,所述静态数据为不随时间信息变化的基本信息,所述动态数据为随时间变化的用电相关数据;
静态特征确定模块,用于基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征;
动态特征确定模块,用于基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征;
分类结果确定模块,用于基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果;其中,所述目标分类结果中包括正常用电或异常用电。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例任一所述的数据处理方法。
第四方面,本发明实施例还提供了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如本发明实施例任一所述的数据处理方法。
本实施例的技术方案,获取目标用户的待检测数据集,并确定目标用户所对应的静态数据和动态数据,以从静态数据中确定目标静态特征,从动态数据中确定出至少一组动态特征。基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征,通过静态特征提取模型对静态数据进行重构,当损失函数所对应的损失值最小时,可以将得到的静态数据作为目标静态特征。基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征,基于动态数据所对应的各生成时刻,确定各时刻所对应的图数据结构,进一步的可以得到目标图数据结构,然后基于目标图数据结构进行矩阵化,得到目标矩阵,以基于目标矩阵确定至少一组动态特征。基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果,将目标静态特征和至少一组动态特征进行融合,得到融合特征,并将融合特征输入至目标分类模型中,基于预设标签对融合特征进行分类,以确定目标用户所对应的目标分类结果。解决了人工确定用户是否存在异常用电时,检测效率低且准确度不高问题,实现了快速、准确以及自动化的对用户是否存在供用电使用异常的情况进行检测的效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种数据处理方法的流程示意图;
图2为本发明实施例一所提供的一种待整合图数据结构的示意图;
图3为本发明实施例一所提供的一种目标图数据结构的示意图;
图4为本发明实施例二所提供的一种数据处理方法的流程示意图;
图5为本发明实施例三所提供的一种数据处理方法的流程示意图;
图6为本发明实施例四所提供的一种数据处理装置的结构示意图;
图7为本发明实施例五所提供的一种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发明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发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种数据处理方法流程示意图,本实施例可适用于对用户的供用电是否存在异常进行检测的情况,该方法可以由数据处理装置来执行,该装置可以通过软件和/或硬件的形式实现,硬件可以是电子设备,如,移动终端或PC端等。
如图1所示,该方法包括:
S110、获取目标用户的待检测数据集。
其中,在整个电网系统中,可以为各用户进行供电,如企业用户或家庭用户等,在确定各用户当前所使用的供电线路是否为符合用电规范的线路时,需要对各用户使用的供电线路进行检测。目标用户可以理解为进行供电线路检测的用户。待检测数据集可以理解为目标用户所对应的数据信息的集合,在待检测数据集中包括静态数据和动态数据,其中,以企业用户为例,静态数据可以理解为与企业用户相对应的,不随时间信息变化的基本信息,如企业用户的名称信息、规模信息以及是否使用配电系统等信息;动态数据可以理解为与企业用户相对应的额,随时间变化的用电相关数据,如电流信息、电压信息以及电荷信息等。
具体的,在电网系统中,存储了各用户所对应的数据信息,如,用户的静态数据信息,且在用户的用电过程中,电网系统可以自动获取与各用户相关联的动态数据信息,也就是用户的用电信息。为了确定电网系统中的各使用用户是否存在不规范用电的行为,如,私自转接供用电线路,可以对各用户的供用电线路进行检测。
示例性地,确定当前需要判别的目标用户,并从电网系统中获取与目标用户相对应的待检测数据集,其中,在待检测数据集中包括与目标用户相对应的名称信息以及规模信息等基本信息,还包括与目标用户相对应的动态数据信息,如一段时间内的用电信息等。
可选的,所述获取目标用户的待检测数据集,包括:获取与目标用户相对应的待检测数据集,并获取所述待检测数据集中的至少一个待检测数据;基于目标映射表中各待检测数据与数据类型的对应关系,确定出所述各待检测数据中的静态数据和动态数据。
其中,待检测数据可以理解为待检测数据集中的静态数据和动态数据,为了确定各待检测数据的数据类型为静态数据还是动态数据,可以预先设置目标映射表,在目标映射表中,包括数据类型各待检测数据,数据类型包括静态数据类型和动态数据类型,且各待检测数据和各数据类型相匹配。将待检测数据以及所对应的数据类型对应存储在目标映射表中,以根据目标映射表确定待检测数据的数据类型为静态数据还是动态数据。
具体的,确定目标用户所对应的待检测数据集时,首先从电网系统的数据库中,根据目标用户的标识信息获取与目标用户相对应的待检测数据集。在待检测数据集中有多个待检测数据,包括静态数据和动态数据,根据目标映射表中预先存储的各待检测数据与数据类型的对应关系,可以确定待检测数据所对应的数据类型,可以确定各待检测数据为静态数据还是动态数据,进一步的,可以将待检测数据集划分为静态数据集和动态数据集。
S120、基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征。
其中,静态特征提取模型可以理解用于对静态数据进行特征提取的模型,基于静态特征提取模型可以得到目标静态特征,如,静态特征提取模型可以为自编码器。在基于静态特征提取模型对各静态数据进行特征提取时,根据少量的静态数据即可完成对静态数据集的构建,则可以将能够完成静态数据集重建的静态数据作为目标静态特征。
具体的,在静态数据集中包括与目标用户相对应的多个静态数据,用以表示目标用户的基本信息,或者根据静态数据可以确定关联到相关的目标用户。通常情况下,根据少量的静态数据即可确定相对应的目标用户,若可以根据少量静态数据即可确定目标用户,则将提取出来的静态数据作为目标静态特征。
可选的,所述基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征,包括:基于目标损失函数,对待调节静态特征提取模型的模型参数进行调节,得到静态特征提取模型;基于所述静态特征提取模型对所述静态数据进行重构,得到目标静态数据,并确定与所述目标静态数据相对应的目标静态特征。
其中,在基于静态特征提取模型进行静态特征提取时,需要确定与静态特征提取模型相对应的损失函数,根据损失函数对静态特征提取模型的模型参数进行调节,并将损失值最低的损失函数作为目标损失函数。目标静态数据为静态特征提取模型输出的静态数据。目标静态特征可以理解为目标静态数据所对应的特征信息,根据目标静态特征信息可以完成对静态数据集的重构。
在实际应用中,以静态特征提取模型为自编码器为例,在确定目标静态特征时,可以将静态数据集输入自编码器中,并基于自编码器对静态数据集进行无监督重构操作,并通过自编码器的神经网络重建静态数据集,同时采用目标损失函数对自编码器进行训练,通过降低损失函数值为训练目标,对自编码器进行训练,直至自编码器输出的目标静态数据与输入的静态数据相一致时,完成对自编码器的训练,并将训练完成的自编码器作为静态特征提取模型。
具体的,在确定与静态特征提取模型相对应的目标损失函数,并基于目标损失函数完成对静态特征提取模型的训练后,将静态数据集输入至静态特征提取模型中,以基于静态特征提取模型得到与输入的静态数据相一致的目标静态数据,并在得到目标静态数据时,可以确定与目标静态数据相对应的目标静态特征。
S130、基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征。
其中,动态数据为目标用户相关的用电信息,如,电流信息、电压信息以及电荷信息等可以随时间变化的用电信息,也就是说,动态数据可以根据时间变化,不同的时刻所对应的动态数据不完全一样,将各动态数据产生的时刻作为各动态数据相对应的生成时刻。动态序列数据可以理解为基于与各动态数据以及相应的生成时刻所得到的,以时间为序列的动态数据。动态特征提取模型可以理解为用于提取动态数据中的动态特征的模型,如,可以为自注意力池化机制图卷积模型。动态特征可以理解为用于表征与目标用户相对应的动态数据的特征数据。
具体的,动态数据可以随着时间的变化而变化,根据各动态数据以及相应的生成时刻,可以确定一段时间内动态数据的变化情况,并基于各动态数据以及各生成时刻得到动态序列数据。为了得到与目标用户相对应的动态特征,可以将动态数据序列输入至动态特征提取模型中,并基于动态特征提取模型对动态数据序列进行特征提取,得到至少一组动态特征。
可选的,基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征,包括:针对动态数据的生成时刻,确定当前生成时刻所对应的当前待整合图数据结构;整合各生成时刻所对应的待整合图数据结构,得到目标图数据结构;基于所述目标图数据结构构建目标矩阵,并基于所述目标矩阵确定与所述动态数据对应的动态序列数据;基于所述动态特征提取模型对所述动态序列数据进行处理,得到至少一组动态特征。
其中,待整合图数据结构可以理解为基于与某一生成时刻相关联的至少一个动态数据生成的图数据结构,如图2所示,S1表示某一生成时刻,a1、b1和c1分别表示与S1相对应的不同维度的动态数据,如电压信息、电流信息以及电荷信息。当前待整合图数据结构可以理解为与当前时刻相对应的待整合图数据结构的,目标图数据结构可以理解为基于各待整合图数据结构相连接得到的图数据结构,参见图3,S1、S2、…、St表示各生成时刻;a2、b2和c2分别表示与S2相对应的不同维度的动态数据;at、bt和ct分别表示与St相对应的不同维度的动态数据。目标矩阵可以理解为对目标图数据结构进行矩阵化得到的矩阵。
具体的,根据各生成时刻,基于与各生成时刻相关联的动态数据得到相应的待整合图数据结构,并将得到的多个待整合图数据结构进行整合,得到目标图数据结构。也就是说,得到与各生成时刻相对应的待整合图数据结构后,按照时间序列对各待整合图数据结构进行整合,可以得到目标图数据结构。然后对目标图数据结构进行矩阵化,如,构建图邻接矩阵、图节点信息以及图边信息,得到目标图数据结构,进而根据目标图数据结构确定动态序列数据。将得到的动态序列数据输入动态特征提取模型中,如可以为自注意力池化机制图卷积模型,基于模型中的图卷积对动态序列数据中的动态数据进行特征提取,可以得到至少一个动态特征。
S140、基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果;其中,所述目标分类结果中包括正常用电或异常用电。
其中,目标分类模型可以理解为用于对目标用户的用电信息进行分类的模型,如,可以为深度神经网络模型。目标分类结果可以理解为目标用户所对应的分类结果。示例性地,当目标分类结果为异常用电时,则可以根据目标分类结果确定目标用户所对应的供用电存在异常情况,如,可能存在私拉电线或者未按照用电规范用电的情况。结果为正常用电还是异常用电的结果,基于目标分类模型可以确定目标用户所对应的用电信息为正常用电,或者是异常用电。
具体的,将目标用户所对应的目标静态特征以及至少一组动态特征,输入预先训练好的目标分类模型中,通过目标分类模型对目标用户所对应的静态特征和动态特征进行分类,可以确定目标用户当前是否存在异常用电的情况。
可选的,所述基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果,包括:将所述目标静态特征和所述至少一组动态特征进行融合,得到融合特征;将所述融合特征输入目标分类模型,并基于预设标签确定所述融合特征所对应的目标分类结果。
其中,融合特征可以理解为将目标静态特征,以及至少一组动态特征进行特征拼接后得到的特征。可以理解的是,在使用目标分类模型之前,需要对目标分类模型进行训练,在训练时,通常是通过将各融合特征以及相对应的分类结果之间设置相应的标签,以根据预设标签,确定融合特征所对应的分类结果,也就是说,预设标签可以用于表征融合特征以及所对应的分类结果之间的对应关系。
具体的,为了确保目标分类模型在对目标用户的用电信息进行分类时,能够得到准确的分类结果,首先对目标分类模型进行训练,并根据预设标签确定各融合特征所对应的目标分类结果。若目标分类模型能够准确的对各融合特征进行分类,则可以确定目标分类模型训练完毕。然后将目标用户所对应的融合特征输入训练好的目标分类模型中,基于预设标签可以确定与融合特征相对应的分类结果。若目标分类结果为正常用电,则可以确定目标用户当前的供用电为正常接电线路;若目标分类结果为异常用电,则可以确定目标用户当前的供用电存在异常情况,如存在私拉电线、高价低接以及违反用电规范等情况。
本实施例的技术方案,获取目标用户的待检测数据集,并确定目标用户所对应的静态数据和动态数据,以从静态数据中确定目标静态特征,从动态数据中确定出至少一组动态特征。基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征,通过静态特征提取模型对静态数据进行重构,当损失函数所对应的损失值最小时,可以将得到的静态数据作为目标静态特征。基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征,基于动态数据所对应的各生成时刻,确定各时刻所对应的图数据结构,进一步的可以得到目标图数据结构,然后基于目标图数据结构进行矩阵化,得到目标矩阵,以基于目标矩阵确定至少一组动态特征。基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果,将目标静态特征和至少一组动态特征进行融合,得到融合特征,并将融合特征输入至目标分类模型中,基于预设标签对融合特征进行分类,以确定目标用户所对应的目标分类结果。解决了人工确定用户是否存在异常用电时,检测效率低且准确度不高问题,实现了快速、准确以及自动化的对用户是否存在供用电的情况进行检测的效果。
实施例二
作为上述实施例的一可选实施例,图2为本发明实施例二所提供的一种数据处理方法的流程示意图,可选的,对所述基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征进行细化。
如图4所示,该方法包括:
S210、获取目标用户的待检测数据集。
S220、基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征。
S230、基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据。
S240、基于所述动态特征提取模型,对所述动态序列数据中的各待排序数据进行排序,并确定出目标数据。
其中,在基于动态特征提取模型对各动态数据进行排序时,可以基于各动态数据对该模型的影响程度,确定各待排序数据的顺序。待排序数据可以理解为动态序列数据中不同时刻所对应的动态数据,目标数据可以理解为对动态特征提取模型影响程度较大的待排序数据。
具体的,在动态序列数据中,各动态数据对动态特征提取模型的影响程度不同,为了提取动态数据中的动态特征,可以通过图卷积的方式对目标用户的动态数据进行动态特征提取,并从各待排序数据中确定出目标数据。
可选的,所述基于所述动态特征提取模型,对所述动态序列数据中的各待排序数据进行排序,并确定出目标数据,包括:确定所述动态序列数据中各待排序数据的重要度,并根据所述重要度对所述各待排序数据进行排序,得到待选择数据;基于预设比例,提取排序靠前的各待选择数据为目标数据。
其中,重要度可以理解为各待排序数据对动态特征提取模型的影响度,对动态特征提取模型的影响程度越大,则重要度越高,反之,则重要度越低。待选择数据可以理解为对各待排序数据进行排序后的动态数据。预设比例可以理解为从各待选择数据中确定目标数据时,预先设置的选取目标数据的比例,如,预设比例设置为50%,待选择数据的数量为100个,则目标数据的数量为50个。
具体的,按照动态序列数据对动态特征提取模型的影响程度,对动态序列数据中的各动态数据进行排序,影响程度越大,则排序越靠前;影响程度越小,则排序越靠后。然后,基于图卷积的方式自适应的对各待排序数据的重要度进行学习,得到各待排序数据的重要度分数,并对各待排序数据进行排序,得到多个待选择数据,根据预设比例,从多个待选择数据中确定重要度分数较高的,排序靠前的待选择数据作为目标数据。
S250、对所述目标数据进行至少一次全局均值池化操作,得到与所述目标数据相对应的至少一组动态特征。
其中,全局均值池化操作可以理解为对目标数据进行池化操作,对目标数据进行降维,如目标数据为64个,对目标数据进行全局均值池化操作后,所对应的动态特征中包括16个目标数据,进一步的,对第一次池化操作后的目标数据进行进一步的全局均值池化操作,可以得到对应的动态特征,在该动态特征中包括4个目标数据,对目标数据进行逐步的降维处理。
具体的,基于动态特征提取模型对目标数据进行全局均值池化操作,可以得到至少一组动态特征。以对目标数据进行三次全局均值池化操作为例,将目标数据输入动态特征提取模型中,基于池化层对目标数据进行更新,得到池化结果,以及通过机制得到读出层结果R1;基于池化层对读出层结果R1进行池化操作,得到读出层结果R2;然后基于池化层对读出层结果R2进行池化操作,得到读出层结果R3。可以得到与动态数据相对应的三组动态特征,以将三组动态特征与目标静态特征进行融合,得到融合特征,并基于目标分类模型对融合特征进行分类。
S260、基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果;其中,所述目标分类结果中包括正常用电或异常用电。
本实施例的技术方案,基于所述动态特征提取模型,对所述动态序列数据中的各待排序数据进行排序,并确定出目标数据,根据各待排序数据对动态特征提取模型的影响程度,对各待排序数据进行排序,并基于预设比例从各确定相应的目标数据。对所述目标数据进行至少一次全局均值池化操作,得到与所述目标数据相对应的至少一组动态特征,以将得到的至少一组动态数据与目标静态特征进行融合,得到融合特征,进一步的,可以基于目标分类模型对融合特征进行分类,确定目标用户所对应的目标分类结果。解决了人工确定用户是否存在异常用电时,检测效率低且准确度不高问题,实现了快速、准确以及自动化的对用户是否存在供用电的情况进行检测的效果。
实施例三
在一个具体的例子中,如图5所示,为了确定各用户是否存在异常用电的情况,可以通过对各用户的相关数据进行分析,逐个确定各用户的用电情况。针对目标用户,获取目标用户的D=(d1,d2,...,dn)(即,待检测数据集),在待检测数据集中包括与目标用户相对应的基本信息(即,静态数据)以及用电相关信息(即,动态数据)。与目标用户相对应的静态特征可以表示为Mi=(mi1,mi2,...,mik),其中,k表示目标用户的静态特征数量。将Mi输入自编码器(即,静态特征提取模型)中,在自编码器中对静态特征数据进行无监督重构任务,通过自编码的神经网络重建特征Mi′,并确定自编码器的目标损失函数为均方损失函数MSELoss(Mi,Mi′)=(Mi-Mi′)2。通过以降低损失函数值为目标训练拟合自编码器,并在完成重构任务后从自编码器的中间隐藏层中提取出隐含特征hi,用来表示从静态特征中提取到的重要表征信息,并将每个用户di的静态数据重要特征进行保存,表示为H。
对于目标用户所对应的动态数据,可以将动态特征表示为S=(s1,s2,...,sn),对于每个用户di,假设其有3个维度的动态时序特征(即,动态数据),可以表示为a,b,c,通过将时间节点t作为中间节点,将特征at,bt,ct作为节点进行连接,则可以得到与当前生成时刻相对应的多维特征动态时序图结构(即,当前整合图数据结构)。基于同样的方式,可以得到与各生成时刻相对应的待整合图数据结构,然后将目标用户di按照总时间序列中的各生成时刻t进行图数据结构构造,将总时间T中,目标用户di的图结构数据集合(即,目标图数据结构),gi表示为gi=(git,gi2,...,giT)。依据同样的方式,可以得到各用户所对应的图结构数据集合G=(G1,G2,...,Gn)。然后将各用户所对应的图结构数据集合输入动态特征提取模型中,逐一确定各用户所对应的动态特征。
将目标用户所对应该的待整合图数据结构进行整合,得到目标图数据结构,并构建与目标图数据结构相对应的邻接矩阵、图节点信息以及图边信息,共同构建图数据集P(即,目标矩阵)。将图数据集P输入动态特征提取模型中,如,可以为自注意力池化机制图卷积模型,通过图卷积对目标用户di的图数据集pi进行特征提取,并通过图卷积的方式从图中自适应地学习到图节点(即,待排序数据)的重要性,从而得到待排序数据的重要度分数。并对各待排序数据的重要度分数并进行排序,得到待选择数据。然后根据各待选择数据的顺序以及预设比例,从各待选择数据中确定出多个目标数据。进一步的,将目标数据进行全局均值池化操作,通过自注意力池化层对图进行更新,得出池化结果以及通过读出机制得到读出层结果R1,然后将读出层结果R1再次输入池化层进行更新,得到读出层结果R2;再次将读出层结果R2再次输入池化层进行更新,得到读出层结果R3。
将得到的目标静态特征H、动态特征R1、R2和R3进行融合拼接,得到融合特征,并将融合特征作为总特征输入深度神经网络中(即,目标分类模型),通过目标分类模型中的全连接层对融合特征进行分类,可以得到最终结果(即,目标分类结果)Y=(y1,y2,...,yn),并根据预设标签确定目标用户所对应的目标分类结果为用电异常还是用电正常。
本实施例的技术方案,获取目标用户的待检测数据集,并确定目标用户所对应的静态数据和动态数据,以从静态数据中确定目标静态特征,从动态数据中确定出至少一组动态特征。基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征,通过静态特征提取模型对静态数据进行重构,当损失函数所对应的损失值最小时,可以将得到的静态数据作为目标静态特征。基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征,基于动态数据所对应的各生成时刻,确定各时刻所对应的图数据结构,进一步的可以得到目标图数据结构,然后基于目标图数据结构进行矩阵化,得到目标矩阵,以基于目标矩阵确定至少一组动态特征。基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果,将目标静态特征和至少一组动态特征进行融合,得到融合特征,并将融合特征输入至目标分类模型中,基于预设标签对融合特征进行分类,以确定目标用户所对应的目标分类结果。解决了人工确定用户是否存在异常用电时,检测效率低且准确度不高问题,实现了快速、准确以及自动化的对用户是否存在供用电使用异常的情况进行检测的效果。
实施例四
图6为本发明实施例四提供的一种数据处理装置,该装置包括:待检测数据集获取模块310、静态特征确定模块320、动态特征确定模块330和分类结果确定模块340。
其中,待检测数据集获取模块310,用于获取目标用户的待检测数据集;其中,所述待检测数据集中包括静态数据和动态数据,所述静态数据为不随时间信息变化的基本信息,所述动态数据为随时间变化的用电相关数据;
静态特征确定模块320,用于基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征;
动态特征确定模块330,用于基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征;
分类结果确定模块340,用于基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果;其中,所述目标分类结果中包括正常用电或异常用电。
本实施例的技术方案,获取目标用户的待检测数据集,并确定目标用户所对应的静态数据和动态数据,以从静态数据中确定目标静态特征,从动态数据中确定出至少一组动态特征。基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征,通过静态特征提取模型对静态数据进行重构,当损失函数所对应的损失值最小时,可以将得到的静态数据作为目标静态特征。基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征,基于动态数据所对应的各生成时刻,确定各时刻所对应的图数据结构,进一步的可以得到目标图数据结构,然后基于目标图数据结构进行矩阵化,得到目标矩阵,以基于目标矩阵确定至少一组动态特征。基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果,将目标静态特征和至少一组动态特征进行融合,得到融合特征,并将融合特征输入至目标分类模型中,基于预设标签对融合特征进行分类,以确定目标用户所对应的目标分类结果。解决了人工确定用户是否存在异常用电时,检测效率低且准确度不高问题,实现了快速、准确以及自动化的对用户是否存在供用电使用异常的情况进行检测的效果。
在本发明实施例中任一可选技术方案的基础上,可选地,所述待检测数据集获取模块,包括:
待检测数据获取子模块,用于获取与目标用户相对应的待检测数据集,并获取所述待检测数据集中的至少一个待检测数据;其中,所述至少一个待检测数据中包括静态数据和动态数据;
数据确定子模块,用于基于目标映射表中各待检测数据与数据类型的对应关系,确定出所述各待检测数据中的静态数据和动态数据;其中,所述目标映射表中所述各待检测数据与各数据类型相匹配,所述数据类型包括静态数据类型和动态数据类型。
在本发明实施例中任一可选技术方案的基础上,可选地,所述静态特征确定模块,包括:
静态特征提取模型确定子模块,用于基于目标损失函数,对待调节静态特征提取模型的模型参数进行调节,得到静态特征提取模型;
目标静态特征确定子模块,用于基于所述静态特征提取模型对所述静态数据进行重构,得到目标静态数据,并确定与所述目标静态数据相对应的目标静态特征;其中,所述目标静态数据与所述静态数据相一致。
在本发明实施例中任一可选技术方案的基础上,可选地,所述动态特征确定模块,包括:
当前待整合图数据结构确定子模块,用于针对动态数据的生成时刻,确定当前生成时刻所对应的当前待整合图数据结构;其中,所述当前待整合图数据结构包括当前生成时刻以及与所述当前生成时刻相关联的至少一个动态数据;
目标图数据结构确定子模块,用于整合各生成时刻所对应的待整合图数据结构,得到目标图数据结构;
动态序列数据确定子模块,用于基于所述目标图数据结构构建目标矩阵,并基于所述目标矩阵确定与所述动态数据对应的动态序列数据。
在本发明实施例中任一可选技术方案的基础上,可选地,所述动态特征确定模块,包括:
目标数据确定子模块,用于基于所述动态特征提取模型,对所述动态序列数据中的各待排序数据进行排序,并确定出目标数据;
动态特征确定子模块,用于对所述目标数据进行至少一次全局均值池化操作,得到与所述目标数据相对应的至少一组动态特征。
在本发明实施例中任一可选技术方案的基础上,可选地,所述目标数据确定子模块,包括:
待选择数据确定单元,用于确定所述动态序列数据中各待排序数据的重要度,并根据所述重要度对所述各待排序数据进行排序,得到待选择数据;
目标数据确定单元,用于基于预设比例,提取排序靠前的各待选择数据为目标数据。
在本发明实施例中任一可选技术方案的基础上,可选地,所述分类结果确定模块,包括:
融合特征确定子模块,用于将所述目标静态特征和所述至少一组动态特征进行融合,得到融合特征;
分类结果确定子模块,用于将所述融合特征输入目标分类模型,并基于预设标签确定所述融合特征所对应的目标分类结果。
本发明实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置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,并不用于限制本发明实施例的保护范围。
实施例五
图7为本发明实施例五提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图7显示的电子设备40仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于:一个或者多个处理器或者处理单元401,系统存储器402,连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统406可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408,可以存储在例如存储器402中,这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信,还可与一个或者多个使得用户能与该电子设备40交互的设备通信,和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且,电子设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器412通过总线403与电子设备40的其它模块通信。应当明白,尽管图7中未示出,可以结合电子设备40使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的数据处理方法。
实施例六
本发明实施例六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数据处理方法,该方法包括:获取目标用户的待检测数据集;其中,所述待检测数据集中包括静态数据和动态数据,所述静态数据为不随时间信息变化的基本信息,所述动态数据为随时间变化的用电相关数据;基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征;基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征;基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果;其中,所述目标分类结果中包括正常用电或异常用电。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明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发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取目标用户的待检测数据集;其中,所述待检测数据集中包括静态数据和动态数据,所述静态数据为不随时间信息变化的基本信息,所述动态数据为随时间变化的用电相关数据;
基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征;
基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征;
基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果;其中,所述目标分类结果中包括正常用电或异常用电。
2.根据权利要求1所述的方法,其特征在于,所述获取目标用户的待检测数据集,包括:
获取与目标用户相对应的待检测数据集,并获取所述待检测数据集中的至少一个待检测数据;其中,所述至少一个待检测数据中包括静态数据和动态数据;
基于目标映射表中各待检测数据与数据类型的对应关系,确定出所述各待检测数据中的静态数据和动态数据;其中,所述目标映射表中所述各待检测数据与各数据类型相匹配,所述数据类型包括静态数据类型和动态数据类型。
3.根据权利要求1所述的方法,其特征在于,所述基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征,包括:
基于目标损失函数,对待调节静态特征提取模型的模型参数进行调节,得到静态特征提取模型;
基于所述静态特征提取模型对所述静态数据进行重构,得到目标静态数据,并确定与所述目标静态数据相对应的目标静态特征;其中,所述目标静态数据与所述静态数据相一致。
4.根据权利要求1所述的方法,其特征在于,所述基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,包括:
针对动态数据的生成时刻,确定当前生成时刻所对应的当前待整合图数据结构;其中,所述当前待整合图数据结构包括当前生成时刻以及与所述当前生成时刻相关联的至少一个动态数据;
整合各生成时刻所对应的待整合图数据结构,得到目标图数据结构;
基于所述目标图数据结构构建目标矩阵,并基于所述目标矩阵确定与所述动态数据对应的动态序列数据。
5.根据权利要求1所述的方法,其特征在于,所述基于所述动态特征提取模型对所述动态序列数据进行处理,得到至少一组动态特征,包括:
基于所述动态特征提取模型,对所述动态序列数据中的各待排序数据进行排序,并确定出目标数据;
对所述目标数据进行至少一次全局均值池化操作,得到与所述目标数据相对应的至少一组动态特征。
6.权利要求5所述的方法,其特征在于,所述基于所述动态特征提取模型,对所述动态序列数据中的各待排序数据进行排序,并确定出目标数据,包括:
确定所述动态序列数据中各待排序数据的重要度,并根据所述重要度对所述各待排序数据进行排序,得到待选择数据;
基于预设比例,提取排序靠前的各待选择数据为目标数据。
7.权利要求1所述的方法,其特征在于,所述基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果,包括:
将所述目标静态特征和所述至少一组动态特征进行融合,得到融合特征;
将所述融合特征输入目标分类模型,并基于预设标签确定所述融合特征所对应的目标分类结果。
8.一种数据处理装置,其特征在于,包括:
待检测数据集获取模块,用于获取目标用户的待检测数据集;其中,所述待检测数据集中包括静态数据和动态数据,所述静态数据为不随时间信息变化的基本信息,所述动态数据为随时间变化的用电相关数据;
静态特征确定模块,用于基于静态特征提取模型对所述静态数据进行静态特征提取,得到所述静态特征提取模型输出的目标静态特征;
动态特征确定模块,用于基于所述动态数据,以及各动态数据相对应的生成时刻,确定与所述各动态数据相对应的动态序列数据,并基于动态特征提取模型对所述动态序列数据进行动态特征提取,得到至少一组动态特征;
分类结果确定模块,用于基于目标分类模型,对所述目标静态特征以及所述至少一组动态特征进行处理,得到目标分类结果;其中,所述目标分类结果中包括正常用电或异常用电。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的数据处理方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,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如权利要求1-7中任一所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210297653.5A CN114707586A (zh) | 2022-03-24 | 2022-03-24 | 一种数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210297653.5A CN114707586A (zh) | 2022-03-24 | 2022-03-24 | 一种数据处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707586A true CN114707586A (zh) | 2022-07-05 |
Family
ID=82170611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210297653.5A Pending CN114707586A (zh) | 2022-03-24 | 2022-03-24 | 一种数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707586A (zh) |
-
2022
- 2022-03-24 CN CN202210297653.5A patent/CN114707586A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704512A (zh) | 基于社交数据的金融产品推荐方法、电子装置及介质 | |
CN113051362B (zh) | 数据的查询方法、装置和服务器 | |
CN110990053A (zh) | 机器学习方案模板的创建方法、使用方法及装置 | |
CN110490237B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111309910A (zh) | 文本信息挖掘方法及装置 | |
CN111538852B (zh) | 多媒体资源处理方法、装置、存储介质及设备 | |
CN109582906A (zh) | 数据可靠度的确定方法、装置、设备和存储介质 | |
CN113434542B (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
WO2023272862A1 (zh) | 基于网络行为数据的风控识别方法、装置、电子设备及介质 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN112579781A (zh) | 文本归类方法、装置、电子设备及介质 | |
CN109800147B (zh) | 一种测试案例生成方法及终端设备 | |
CN116739408A (zh) | 基于数据标签的电网调度安全监控方法、系统及电子设备 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN114707586A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN115576834A (zh) | 支撑故障还原的软件测试复用方法、系统、终端及介质 | |
CN112328752B (zh) | 基于搜索内容的课程推荐方法、装置、计算机设备及介质 | |
CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
CN114443493A (zh) | 一种测试案例生成方法、装置、电子设备和存储介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN113987206A (zh) | 异常用户的识别方法、装置、设备及存储介质 | |
CN113590484A (zh) | 算法模型服务测试方法、系统、设备及存储介质 | |
CN115774797A (zh) | 视频内容检索方法、装置、设备和计算机可读存储介质 | |
CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 |
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 |