CN116028552A - 一种热点数据预测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种热点数据预测方法、装置、设备及存储介质，涉及工业领域，包括：基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和热点项信息执行相应的热点项值查询统计操作得到历史热点数据；热点项信息包括热点名称、热点项类型、热点项值名称；基于历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点及相应的目标热点数据；对目标热点数据进行相应的数据清洗操作，并利用清洗后的目标热点数据对LSTM模型进行模型训练，并利用训练好的LSTM模型进行热点数据的预测。本申请通过将对历史热点数据进行筛选并利用筛选后得到的目标热点数据以及LSTM模型进行预测，能够提高预测效率及用户使用体验，并降低预测成本。

Description

一种热点数据预测方法、装置、设备及存储介质

技术领域

本发明涉及工业领域，特别涉及一种热点数据预测方法、装置、设备及存储介质。

背景技术

现有的工业组态软件用户通过组态热点数据添加趋势或者组态报表，用于记录工业生产状况，排查可能产生的故障及风险。对于现有的工业控制领域的组态软件，当前如果想要检测历史数据需要使用组态软件手动创建报表，并进行主观预测热点数据，组态到报表模板中，由于各个工业现场差异及工艺流程的改动使得观察的和记录到报表中的数据未必是现场操作人员真正需要关心的热点数据，从而忽略了对真正的热点数据的观察和记录。随着工程量的增加及规模的扩大，对于大量工程数据筛选整理、组态报表会花费的成本将会不断增加。

发明内容

有鉴于此，本发明的目的在于提供一种热点数据预测方法、装置、设备及存储介质，能够提高预测效率及用户使用体验，并降低预测成本。其具体方案如下：

第一方面，本申请提供了一种热点数据预测方法，包括：

基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据；所述热点项信息包括热点名称、热点项类型、热点项值名称；

基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据；

对所述目标热点数据进行相应的数据清洗操作，并利用清洗后的所述目标热点数据对LSTM模型进行模型训练，并利用训练好的所述LSTM模型进行热点数据的预测。

可选的，所述利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据，包括：

调用预设历史数据库并利用所述热点项信息中的热点项类型对所述预设历史数据库中的热点数据表进行查询，并统计查询到的热点数据表中所记录的与所述预先配置的热点对应的热点项在预设时间段内的热点项值，以得到历史热点数据。

可选的，所述对所述目标热点数据进行相应的数据清洗操作，包括：

对与所述目标热点数据对应的日期信息进行相应的整合统一；

根据不同的预设数据类型以及与各预设数据类型对应的预设取值区间对所述目标热点数据进行相应的区间划分操作、数值规范操作以及数据标记操作以得到清洗后的所述目标热点数据。

可选的，所述对所述目标热点数据进行相应的数据清洗操作之后，还包括：

基于清洗后的所述目标热点数据构建矩阵，以得到用于保存作为预测因子的清洗后的所述目标热点数据的第一矩阵以及用于保存作为预测目标的预测数据的第二矩阵。

可选的，所述利用清洗后的所述目标热点数据对LSTM模型进行模型训练之前，还包括：

按照预设数据分割比例对清洗后的所述目标热点数据进行划分，得到相应的目标训练数据集和目标测试数据集，以便利用所述目标训练数据集和所述目标测试数据集分别对所述LSTM模型进行模型训练以及模型测试。

可选的，所述利用清洗后的所述目标热点数据对LSTM模型进行模型训练，包括：

利用所述目标训练数据集以及与所述目标训练数据集对应的第一时间步长窗口对所述LSTM模型进行训练，并在满足预设训练终止条件时确定训练后的所述LSTM模型；

基于所述目标测试数据集以及与所述目标测试数据集对应的第二时间步长窗口对训练后的所述LSTM模型进行验证。

可选的，所述基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据，包括：

对所述历史热点数据中各热点的热点数据进行相应的比较计算，以确定各热点的变化程度；

从所述预先配置的热点中确定变化程度最大的预设数量个目标热点，并从所述历史热点数据中确定与所述目标热点对应的目标热点数据。

第二方面，本申请提供了一种热点数据预测装置，包括：

数据统计模块，用于基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据；所述热点项信息包括热点名称、热点项类型、热点项值名称；

数据筛选模块，用于基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据；

数据预测模块，用于对所述目标热点数据进行相应的数据清洗操作，并利用清洗后的所述目标热点数据对LSTM模型进行模型训练，并利用训练好的所述LSTM模型进行热点数据的预测。

第三方面，本申请提供了一种电子设备，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序，以实现前述的热点数据预测方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的热点数据预测方法的步骤。

可见，本申请中，基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据；所述热点项信息包括热点名称、热点项类型、热点项值名称；基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据；对所述目标热点数据进行相应的数据清洗操作，并利用清洗后的所述目标热点数据对LSTM模型进行模型训练，并利用训练好的所述LSTM模型进行热点数据的预测。本申请通过将对历史热点数据进行筛选并利用筛选后得到的目标热点数据以及LSTM模型进行预测，能够提高预测效率及用户使用体验，并减少了现有技术在进行预测时的人为主观判断，降低成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种热点数据预测方法流程图；

图2为本申请提供的一种具体的数据管理流程示意图；

图3为本申请提供的一种具体的数据预测流程示意图；

图4为本申请提供的一种具体的热点数据预测方法示意图；

图5为本申请提供的一种热点数据预测装置结构示意图；

图6为本申请提供的一种电子设备结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

当前如果想要检测历史数据需要使用组态软件手动创建报表，并进行主观预测热点数据，组态到报表模板中，由于各个工业现场差异及工艺流程的改动使得观察的和记录到报表中的数据未必是现场操作人员真正需要关心的热点数据，从而忽略了对真正的热点数据的观察和记录。随着工程量的增加及规模的扩大，对于大量工程数据筛选整理、组态报表会花费的成本将会不断增加。为此，本申请提供了一种热点数据预测方案，能够提高预测效率及用户使用体验，并降低成本。

参见图1所示，本发明实施例公开了一种热点数据预测方法，包括：

步骤S11、基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据；所述热点项信息包括热点名称、热点项类型、热点项值名称。

本实施例中，结合图2所示，先通过选点服务查询预设热点项配置表中预先配置的热点的热点项信息，然后利用历史库服务进行热点数据查询。所述利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据，包括：调用预设历史数据库并利用所述热点项信息中的热点项类型对所述预设历史数据库中的热点数据表进行查询，并统计查询到的热点数据表中所记录的与所述预先配置的热点对应的热点项在预设时间段内的热点项值，以得到历史热点数据。其中，所述预设时间段可以由系统默认配置，也可以由用户自主配置，例如可以设置所述预设时间段为前一天。可以理解的是，预设历史数据库中包括若干个所述热点数据表，用于保存历史热点数据。

步骤S12、基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据。

本实施例中，所述基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据，包括：对所述历史热点数据中各热点的热点数据进行相应的比较计算，以确定各热点的变化程度；从所述预先配置的热点中确定变化程度最大的预设数量个目标热点，并从所述历史热点数据中确定与所述目标热点对应的目标热点数据。其中，所述预设数量可以由系统默认配置，也可以由用户自主配置。在一种具体实施方式中，基于所述历史热点数据利用预设热点数据筛选规则确定出变化最大的10个目标热点以及与所述目标热点对应的目标热点数据。如图2所示，将筛选得到的所述目标热点数据保存至数据库中，并通知热点数据预测模块执行相应的数据预测操作。

步骤S13、对所述目标热点数据进行相应的数据清洗操作，并利用清洗后的所述目标热点数据对LSTM模型进行模型训练，并利用训练好的所述LSTM模型进行热点数据的预测。

具体地，结合图3所示，通过回调通知启动数据预测，然后从所述预设数据库中获取所述目标热点数据并进行数据清洗、数据分割、模型构建、模型训练以及数据预测操作，最后通知进行相应的数据展示。在进行数据预测之前，需要对所述目标热点数据进行相应的数据清洗操作，包括：对与所述目标热点数据对应的日期信息进行相应的整合统一，以整合为一个日期时间信息，可以将所述日期时间信息作为索引值，方便后续执行相应操作。然后根据不同的预设数据类型以及与各预设数据类型对应的预设取值区间对所述目标热点数据进行相应的区间划分操作、数值规范操作以及数据标记操作以得到清洗后的所述目标热点数据。例如，模拟量根据量程将整体取值为100，时间点数据按照总量程计算占比，若量程0～1000，则当前值为100时取值为10。例如在一天内每秒累加值的变化率可以标记为当前点一天内的活跃度。

进一步的，所述对所述目标热点数据进行相应的数据清洗操作之后，还包括：基于清洗后的所述目标热点数据构建矩阵，以得到用于保存作为预测因子的清洗后的所述目标热点数据的第一矩阵以及用于保存作为预测目标的预测数据的第二矩阵。所述利用清洗后的所述目标热点数据对LSTM模型进行模型训练之前，还包括：按照预设数据分割比例对清洗后的所述目标热点数据进行划分，得到相应的目标训练数据集和目标测试数据集，以便利用所述目标训练数据集和所述目标测试数据集分别对所述LSTM模型进行模型训练以及模型测试。其中，所述预设数据分割比例可以由系统默认配置，也可以由用户自主配置。使用tensorflow(符号数学系统)库搭建LSTM模型。

需要理解的是，所述利用清洗后的所述目标热点数据对LSTM模型进行模型训练，包括：利用所述目标训练数据集以及与所述目标训练数据集对应的第一时间步长窗口对所述LSTM模型进行训练，并在满足预设训练终止条件时确定训练后的所述LSTM模型；基于所述目标测试数据集以及与所述目标测试数据集对应的第二时间步长窗口对训练后的所述LSTM模型进行验证。输入至所述LSTM模型的数据格式为样本数，时间步长，特征量，新词需要对清洗后的所述目标热点数据进行归一化处理。其中，所述样本量为数据数量，所述时间步长为数据采集频率，所述特征量为具体数据。例如进行日报时利用前1天的数据预测未来12个小时的数据，每6秒钟取得一个特征值总共14400行数据，11520行数据用作训练集，2880行作测试集，没有设置验证集，其中6秒即为所述时间步长。模型建立后判断是否有训练过的模型，如果有加载所述训练过的模型继续进行训练。当连续多个batch_size损失函数没有产生变化时调整学习率，新的学习率为旧的学习率与预设factor值的乘积，当学习率小于预设阈值时判定满足所述预设训练终止条件。或当模型连续15个所述batch size损失函数没有产生变化时判定满足所述预设训练终止条件。在模型建立的最后一步，就是使用目标测试数据集进行重新验证和评估。其中，所述batch size可以由系统默认配置，也可以由用户自主配置。

进一步需要理解的是，通过调用相应接口将将预测数据绘图保存到本地，并创建热点数据日报及未来12小时的预测数据报，然后调用报表打印服务对所述热点数据日报及所述预测数据报进行打印以便进行数据展示，以便用户及时掌握热点数据的变化并对可能发生的风险进行预处理。

由此可见，本申请实施例中，基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据；所述热点项信息包括热点名称、热点项类型、热点项值名称；基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据；对所述目标热点数据进行相应的数据清洗操作，并利用清洗后的所述目标热点数据对LSTM模型进行模型训练，并利用训练好的所述LSTM模型进行热点数据的预测。本实施例通过将对历史热点数据进行筛选并利用筛选后得到的目标热点数据以及LSTM模型进行预测，能够提高预测效率及用户使用体验，减少现有技术在进行数据预测时的减少人为主观判断，降低时间及人力成本，对真正的热点数据的观察与记录。然后基于预测数据及历史热点数据创建并打印相应的日报及预测数据报以进行数据展示操作，以便用户及时掌握热点数据的变化并对可能发生的风险进行预处理。

下面结合图4中公开的示意图，对本申请实施例的技术方案进行具体说明。

本实施例应用于DCS(Distributed Control System，分布式控制系统)热点数据筛选及热点数据的预测，主要分为数据管理、数据预测、数据展示三个模块。

其中，所述热点数据管理模块通过选点服务获取需要统计的热点的热点项信息，通过历史库服务获取历史数据并对所述历史数据进行变化统计并筛选出变化最活跃的多个热点，然后将最活跃的所述多个热点的热点数据发送到LSTM算法模型服务中。LSTM模型服务根据采集到的所述热点数据进行相应模型匹配和预测，基于所述热点数据及预测数据进行绘图得到相应的趋势图并进行保存，然后并将上述热点数据的变化值同步生成日报以及预测数据报并发送到.报表服务进行打印，最终将结果展示给用户，使得所述用户及时掌握热点数据变化情况，并对未来12小时可能产生的变化进行提前预测及对可能发生的风险进行预处理。这样一来，当存在数据异常时，所述用户能够第一时间发现并进行处理，避免了现有技术中预先设置警限并仅当异常数据超过所述警限值时才触发报警所导致的一系列问题。

参见图5所示，本申请实施例还相应公开了一种热点数据预测装置，包括：

数据统计模块11，用于基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据；所述热点项信息包括热点名称、热点项类型、热点项值名称；

数据筛选模块12，用于基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据；

数据预测模块13，用于对所述目标热点数据进行相应的数据清洗操作，并利用清洗后的所述目标热点数据对LSTM模型进行模型训练，并利用训练好的所述LSTM模型进行热点数据的预测。

其中，关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

可见，本申请中，基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据；所述热点项信息包括热点名称、热点项类型、热点项值名称；基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据；对所述目标热点数据进行相应的数据清洗操作，并利用清洗后的所述目标热点数据对LSTM模型进行模型训练，并利用训练好的所述LSTM模型进行热点数据的预测。本申请通过将对历史热点数据进行筛选并利用筛选后得到的目标热点数据以及LSTM模型进行预测，能够提高预测效率及用户使用体验，并减少了现有技术在进行预测时的人为主观判断，降低预测成本。

在一些具体实施例中，所述数据统计模块11，具体可以包括：

历史数据查询单元，用于调用预设历史数据库并利用所述热点项信息中的热点项类型对所述预设历史数据库中的热点数据表进行查询，并统计查询到的热点数据表中所记录的与所述预先配置的热点对应的热点项在预设时间段内的热点项值，以得到历史热点数据。

在一些具体实施例中，所述数据预测模块13，具体可以包括：

日期整合单元，用于对与所述目标热点数据对应的日期信息进行相应的整合统一；

数据处理单元，用于根据不同的预设数据类型以及与各预设数据类型对应的预设取值区间对所述目标热点数据进行相应的区间划分操作、数值规范操作以及数据标记操作以得到清洗后的所述目标热点数据。

在一些具体实施例中，所述热点数据预测装置，具体还可以包括：

矩阵构建单元，用于基于清洗后的所述目标热点数据构建矩阵，以得到用于保存作为预测因子的清洗后的所述目标热点数据的第一矩阵以及用于保存作为预测目标的预测数据的第二矩阵。

在一些具体实施例中，所述热点数据预测装置，具体还可以包括：

数据分割单元，用于按照预设数据分割比例对清洗后的所述目标热点数据进行划分，得到相应的目标训练数据集和目标测试数据集，以便利用所述目标训练数据集和所述目标测试数据集分别对所述LSTM模型进行模型训练以及模型测试。

在一些具体实施例中，所述数据预测模块13，具体可以包括：

模型训练单元，用于利用所述目标训练数据集以及与所述目标训练数据集对应的第一时间步长窗口对所述LSTM模型进行训练，并在满足预设训练终止条件时确定训练后的所述LSTM模型；

模型验证单元，用于基于所述目标测试数据集以及与所述目标测试数据集对应的第二时间步长窗口对训练后的所述LSTM模型进行验证。

在一些具体实施例中，所述数据筛选模块12，具体可以包括：

数据变化程度确定单元，用于对所述历史热点数据中各热点的热点数据进行相应的比较计算，以确定各热点的变化程度；

目标热点确定单元，用于从所述预先配置的热点中确定变化程度最大的预设数量个目标热点，并从所述历史热点数据中确定与所述目标热点对应的目标热点数据。

进一步的，本申请实施例还公开了一种电子设备，图6是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图6为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的热点数据预测方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的热点数据预测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。

进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的热点数据预测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种热点数据预测方法，其特征在于，包括：

基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据；所述热点项信息包括热点名称、热点项类型、热点项值名称；

基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据；

对所述目标热点数据进行相应的数据清洗操作，并利用清洗后的所述目标热点数据对LSTM模型进行模型训练，并利用训练好的所述LSTM模型进行热点数据的预测。

2.根据权利要求1所述的热点数据预测方法，其特征在于，所述利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据，包括：

调用预设历史数据库并利用所述热点项信息中的热点项类型对所述预设历史数据库中的热点数据表进行查询，并统计查询到的热点数据表中所记录的与所述预先配置的热点对应的热点项在预设时间段内的热点项值，以得到历史热点数据。

3.根据权利要求1所述的热点数据预测方法，其特征在于，所述对所述目标热点数据进行相应的数据清洗操作，包括：

对与所述目标热点数据对应的日期信息进行相应的整合统一；

根据不同的预设数据类型以及与各预设数据类型对应的预设取值区间对所述目标热点数据进行相应的区间划分操作、数值规范操作以及数据标记操作以得到清洗后的所述目标热点数据。

4.根据权利要求1所述的热点数据预测方法，其特征在于，所述对所述目标热点数据进行相应的数据清洗操作之后，还包括：

基于清洗后的所述目标热点数据构建矩阵，以得到用于保存作为预测因子的清洗后的所述目标热点数据的第一矩阵以及用于保存作为预测目标的预测数据的第二矩阵。

5.根据权利要求1所述的热点数据预测方法，其特征在于，所述利用清洗后的所述目标热点数据对LSTM模型进行模型训练之前，还包括：

按照预设数据分割比例对清洗后的所述目标热点数据进行划分，得到相应的目标训练数据集和目标测试数据集，以便利用所述目标训练数据集和所述目标测试数据集分别对所述LSTM模型进行模型训练以及模型测试。

6.根据权利要求5所述的热点数据预测方法，其特征在于，所述利用清洗后的所述目标热点数据对LSTM模型进行模型训练，包括：

利用所述目标训练数据集以及与所述目标训练数据集对应的第一时间步长窗口对所述LSTM模型进行训练，并在满足预设训练终止条件时确定训练后的所述LSTM模型；

基于所述目标测试数据集以及与所述目标测试数据集对应的第二时间步长窗口对训练后的所述LSTM模型进行验证。

7.根据权利要求1至6任一项所述的热点数据预测方法，其特征在于，所述基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据，包括：

对所述历史热点数据中各热点的热点数据进行相应的比较计算，以确定各热点的变化程度；

从所述预先配置的热点中确定变化程度最大的预设数量个目标热点，并从所述历史热点数据中确定与所述目标热点对应的目标热点数据。

8.一种热点数据预测装置，其特征在于，包括：

数据统计模块，用于基于预设热点项配置表确定预先配置的热点的热点项信息，并利用预设历史数据库和所述热点项信息执行相应的热点项值查询统计操作，以得到历史热点数据；所述热点项信息包括热点名称、热点项类型、热点项值名称；

数据筛选模块，用于基于所述历史热点数据利用预设热点数据筛选规则确定预设数量个目标热点以及与所述目标热点对应的目标热点数据；

数据预测模块，用于对所述目标热点数据进行相应的数据清洗操作，并利用清洗后的所述目标热点数据对LSTM模型进行模型训练，并利用训练好的所述LSTM模型进行热点数据的预测。

9.一种电子设备，其特征在于，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序以实现如权利要求1至7任一项所述的热点数据预测方法。

10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的热点数据预测方法。

Images