CN116756210A - 时序数据的处理方法、装置、电子设备及存储介质 - Google Patents
时序数据的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116756210A CN116756210A CN202310715498.9A CN202310715498A CN116756210A CN 116756210 A CN116756210 A CN 116756210A CN 202310715498 A CN202310715498 A CN 202310715498A CN 116756210 A CN116756210 A CN 116756210A
- Authority
- CN
- China
- Prior art keywords
- time
- fluctuation
- attribute
- detection
- data
- 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 abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 229
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 116
- 230000003321 amplification Effects 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 16
- 230000007787 long-term memory Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000036962 time dependent Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010259 detection of temperature stimulus Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 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
- 230000008961 swelling Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly 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
- G06F16/24—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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种时序数据的处理方法、装置、电子设备及存储介质。该方法包括,实时获取目标时序数据在多个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据标准波动样本属性和波动增幅标注结果间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;若是,则对目标时序数据进行提示;响应于用户针对目标时序数据发送的数据操作指令,识别数据操作指令的指令类型;如果指令类型符合目标时序数据的波动增幅特征,则执行数据操作指令。本发明实施例的技术方案可以有效提高检测结果的准确性,并保证检测的时效性。
Description
技术领域
本发明涉及时序数据处理的技术领域,尤其涉及一种时序数据的处理方法、装置、电子设备及存储介质。
背景技术
目前,人们在日常的工作和生活中,越来越多的使用到了时序数据。所谓时序数据,是指设定指标的指标值随时间进行不断变化的数据,例如,天气数据(典型的,气温或者降雨量等)、证券交易指数数据或者某一区域的单日用电量数据等。
人们在使用时序数据时,往往希望能够对时序数据进行有效的检测,例如,检测何时能够达到当日的最高温度值等。时序数据检测是时间序列分析领域的一个重要分支,现有技术中,主要通过学习过去的时间序列的特征规律,从而预测未来一段时间内的时间序列。
然而,现有的时序数据检测技术存在检测准确度低,时效性差等问题,因此,如何能够提供一种高效、准确的时序数据检测方法是目前有待解决的一项重要问题。
发明内容
本发明实施例提供了一种时序数据的处理方法、装置、电子设备及存储介质,以实现对时序数据进行高效、准确的处理。
根据本发明实施例的一方面,提供了一种时序数据的处理方法,该方法包括:
实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;
将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;
若是,则对所述目标时序数据进行提示;
响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型;
如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令。
根据本发明实施例的另一方面,提供了一种时序数据的处理装置,该装置包括:
属性获取模块,用于实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;
波动增幅检测模块,用于将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;
提示模块,用于若是,则对所述目标时序数据进行提示;
指令类型识别模块,用于响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型;
数据操作指令执行模块,用于如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令。
根据本发明实施例的另一方面,还提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的时序数据的处理方法。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的时序数据的处理方法。
本发明实施例的技术方案,通过实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;若是,则对所述目标时序数据进行提示;响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型;如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令的技术手段,使用时序数据在多个时间跨度下的时间关联属性序列以及至少一个时间无关属性,检测时序数据是否能在检测时间段内达到波动增幅门限,综合考虑了时序数据的时移属性和时不移属性进行单一波动增幅门限的检测,可以有效提高检测结果的准确性,并保证检测的时效性,同时,本发明实施例的技术方案还可以对用户针对该时序数据所做的操作基于检测结果进行有效约束,避免用户误触发与该检测结果相悖的用户操作。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种时序数据的处理方法的流程图;
图2是根据本发明实施例二提供的一种时序数据的处理方法的流程图;
图3是本发明实施例所适用的一种波动检测模型的结构示意图;
图4是本发明实施例所适用的另一种波动检测模型的结构示意图;
图5是根据本发明实施例三提供的一种时序数据的处理方法的流程图;
图6是根据本发明实施例四提供的一种时序数据的处理装置的结构示意图;
图7是实现本发明实施例的时序数据的处理方法的电子设备的结构示意图。
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。
实施例一
图1为本发明实施例一提供的一种时序数据的处理方法的流程图,本实施例可适用于检测特定类型的时序数据是否能在检测时间段内达到波动增幅门限的情况,该方法可以由时序数据的处理装置来执行,该时序数据的处理装置可以采用软件和/或硬件的形式实现,该时序数据的处理装置可配置于具有数据处理功能的电子设备中,例如:终端或者服务器中。如图1所示,该方法包括:
S110、实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性。
如前所述,时序数据为设定指标的指标值随时间进行不断变化的数据。其可以理解为映射至二维空间中的一个数据曲线,该数据曲线的横轴为时间轴,纵轴为设定指标的指标值。相应的,该数据曲线上的一点可以理解为目标时序数据在设定时间点下,针对该设定指标的指标值。
在本实施例中,目标时序数据可以理解为需要进行检测的,特定场景下的时序数据中的一个数据子集。其中,该特定场景下的时序数据可以为温度数据、降雨量数据、证券交易价格数据或者用电量数据等符合时序数据特点的数据,本实施例对此并不进行限制。
作为示例而非限定,如果时序数据为温度数据,则该目标时序数据可以为某一具体城市中的温度数据,如果时序数据为证券数据中的股票交易价格数据,则该目标时序数据可以为某一支具体的股票的交易价格数据,如果时序数据为用电量数据,则该目标时序数据可以为某一特定区域内的用电量数据。
进一步的,续前例,该设定指标可以为温度、用电量或者设定类型证券的价格等。
在本实施例中,为了检测该目标时序数据是否能在检测时间段内达到波动增幅门限,需要首先收集用于在一个或者多个维度下衡量该目标时序数据的一项或者多项属性参数,进而可以基于上述各项属性参数实现对目标时序数据的检测。
在本实施例中,上述属性参数包括:目标时序数据在至少两个时间跨度下的时间关联属性序列,以及目标时序数据的至少一个时间无关属性。
具体的,某一项具体的时序数据一般同时具有时移属性和非时移属性。所谓时移属性,是指属性值随着时间的变化而动态变化的属性,所谓非时移属性,是指属性值一般不随着时间的变化而动态变化的属性。现有技术中主要根据时移属性进行时序数据的预测,但是,非时移属性实际上也会对预测结果进行一定的影响,基于此,本发明实施例考虑同时使用时移属性和非时移属性对目标时序数据进行检测。
进一步的,发明人进一步考虑在不同的时间跨度(例如,年、月、天、小时或者分钟等)下,时移属性的属性值一般也不相同。进而,为了进一步准确捕捉目标时序数据的波动特性,考虑同时获取目标时序数据在至少两个时间跨度下的时间关联属性序列作为时移属性。
在一个具体的例子中,如果以分钟为时间跨度,可以获取连续5分钟、连续10分钟或者连续420分钟内目标时序数据的一项或者多项时间关联属性组成时间关联属性序列。
例如,如果第一分钟获取的三个时间关联属性包括a1、b1和c1,第二分钟获取的三个时间关联属性为a2、b2和c2,第三分钟获取的三个时间关联属性为a3、b3和c3,第四分钟获取的三个时间关联属性为a4、b4和c4,第五分钟获取的三个时间关联属性为a5、b5和c5。相应的,与连续5分钟对应的时间关联属性序列可以形如:{(a1、b1、c1);(a2、b2、c2);(a3、b3、c3);(a4、b4、c4);(a5、b5、c5)}。
作为示例而非限定,如果目标时序数据为某一具体城市中的温度数据,则时间关联属性可以包括该城市的平均温度值、平均湿度值、最高温度值、以及最低温度值等,时间无关属性可以包括该城市的常驻人口数量、工厂总数量、平均海拔值以及最高海拔值等。
在另一个具体的示例中,如果目标时序数据为某一支股票的交易价格数据,则时间关联属性可以包括是否高开低收、换手率、成交量以及成交额的变化量等,时间无关属性可以包括流通市值、股票价格、市盈率、市销率、市现率以及大中小单占比等。
S120、将各时间关联属性序列和各时间无关属性组合得到波动检测属性。
在本实施例中,为了实现在未来的检测时间段内对目标时序数据进行检测,可以使用该检测时间段作为时间终点,向前回溯设定历史时间区间,并在该历史时间区间下,获取匹配的时间关联属性序列。可选的,可以针对不同的时间跨度,设置不同的历史时间区间。
在一个具体的例子中,如果想要在某一天的某一个时间点(例如,2023.05.10的下午4:00)预测某一地区的温度值,可以设置两个时间跨度,一个是小时,另一个是天,则可以将2023.05.10的下午4:00作为时间终点,向前回溯连续100个小时内的一个或者多个时间关联属性,形成一个时间关联属性序列,同时还可以将2023.05.10这一天作为时间终点,向前回溯连续30天内的一个或者多个时间关联属性,形成另一个时间关联属性序列。
通过将上述各时间关联属性序列和各时间无关属性进行组合,可以形成波动检测属性。具体的组合方式可以为直接的追加(不同类型的属性之间没有相互作用)组合方式,也可以为全连接处理(不同类型的属性之间具有相互作用关系)后的组合方式,本实施例对此并不进行限制。
S130、根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限:若是,执行S140;否则,返回执行S110。
在本实施例中,可以首先基于目标时序数据所属的时序数据,挖掘出标准波动样本属性和波动增幅标注结果之间的映射关系。
具体的,该标准波动样本属性的数据形式与该波动检测属性的数据形式一致,均由至少两个时间跨度下的时间关联属性序列和至少一个时间无关属性组合构成。波动增幅标注结果可以理解为在与标准波动样本属性匹配的检测时间段内,该时序数据实际的波动增幅。其中,该波动增幅中的起始指标值可以为检测时间段的时间起点下的指标值,也可以为检测时间段之前(例如,前10小时或者前4小时等)的设定时间点下的指标值,本实施例对此并不进行限制。
可选的,标准波动样本属性和波动增幅标注结果之间的映射关系可以为显式映射关系,例如通过曲线拟合方式得到的映射关系曲线,也可以为隐式映射关系,例如,通过对设定人工智能模型进行训练得到的预测模型等。
进一步的,基于该映射关系,可以实现对波动检测属性下,目标时序数据是否能在检测时间段内达到波动增幅门限进行预测。其中,该波动增幅门限可以根据实际的应用场景进行预设,本实施例对此并不进行限制。
具体的,可以根据该映射关系以及目标时序数据的波动检测属性,首先预测出该目标时序数据具体的波动增幅预测值,进而,通过将该波动增幅预测值与该波动增幅门限值进行比较,可以得出目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果。
S140、对所述目标时序数据进行提示。
在本实施例中,在检测到目标时序数据能在检测时间段内达到波动增幅门限且该波动增幅门限被设置的较大时,说明该目标时序数据在未来的检测时间段内可能会达到一个异常巨大的增幅,根据实际的预测场景(例如,高温预测场景、高用电量预测场景或者股票的涨停封盘预测场景等),需要对该目标时序数据进行及时的用户提示。
S150、响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型。
在本实施例中,针对目标时序数据所适配的不同应用场景,用户可以针对该目标时序数据发送不同类型的数据操作指令。例如,如果目标时序数据的类型为设定城市的温度数据,则数据操作指令可以为针对该城市的一项或者多项室外工作部署指令;如果目标时序数据为针对某一支股票的交易价格数据,则数据操作指令可以为针对该股票的买入或者卖出指令等;如果目标时序数据为设定城市的用电量数据,则该数据操作指令可以为针对该城市的供电策略的调整指令等。
其中,数据操作指令的指令类型可以包括:消减波动增幅特征指令以及增强波动增幅特征指令。其中,消减波动增幅特征指令可以理解为能够有效消减目标时序数据的异常波动增幅的负面影响的指令,增强波动增幅特征指令可以理解为会增强目标时序数据的异常波动增幅的负面影响的指令。
在本实施例中,可以根据实际情况预先设置与不同类型的时序数据类型分别对应的消减波动增幅特征指令以及增强波动增幅特征指令。
S160、如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令。
其中,所述指令类型符合所述目标时序数据的波动增幅特征可以理解为该指令类型为消减波动增幅特征指令。可以理解的是,在识别到用户针对目标时序数据发布了消减波动增幅特征指令,则上述指令可以有效缓解目标时序数据的异常波动增幅的负面影响,进而可以直接执行该数据操作指令。
进一步的,如果所述指令类型不符合所述目标时序数据的波动增幅特征,典型的,该指令类型为增强波动增幅特征指令,那么用户发布的数据操作指令可能会增大目标时序数据的异常波动增幅的负面影响,例如,在检测到某一天会产生异常高温后,检测到用户针对这一天发布了多项户外工作部署任务,或者,在检测到某一支股票在某一天可能会发生涨停时,检测到用户针对该股票的卖出指令等。此时,可以通过一次或者多次询问的方式,或者将目标时序数据在检测时间段内达到波动增幅门限的检测结果进行重新发送的方式,对用户的上述数据操作指令的执行进行一次或者多次确认,以最大程度的避免用户误触发与该检测结果相悖的用户操作。
本发明实施例的技术方案,通过实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;若是,则对所述目标时序数据进行提示;响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型;如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令的技术手段,使用时序数据在多个时间跨度下的时间关联属性序列以及至少一个时间无关属性,检测时序数据是否能在检测时间段内达到波动增幅门限,综合考虑了时序数据的时移属性和时不移属性进行单一波动增幅门限的检测,可以有效提高检测结果的准确性,并保证检测的时效性,同时,本发明实施例的技术方案还可以对用户针对该时序数据所做的操作基于检测结果进行有效约束,避免用户误触发与该检测结果相悖的用户操作。
在上述各实施例的基础上,在实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列之前,还可以包括:
实时获取各备选时序数据的波动增幅,并将波动增幅超过备选增幅门限的备选时序数据确定为目标时序数据。
如前所述,设定场景下的时序数据包括多个数据子集,每个数据子集可以理解为一个备选时序数据。续前例,如果设定场景下的时序数据为温度数据,则每个备选时序数据可以对应一个城市中的温度数据。如果设定场景下的时序数据为股票交易数据,则每个备选时序数据可以对应某一支股票的交易数据,如果设定场景下的时序数据为用电量数据,则每个备选时序数据可以对应某一城市中一个特定区域中的用电量数据等。
在本实施例中,为了减少不必要的计算消耗,并不是对时序数据中的全部备选时序数据均进行前述是否能在检测时间段内达到波动增幅门限的检测,而是首先设置一个前序筛选条件,只有各备选时序数据中满足该前序筛选条件的目标时序数据,才会进行复杂的计算以获取上述检测结果。
具体的,该前序筛选条件为波动增幅是否超过备选增幅门限。可以理解的是,该备选增幅门限是小于该波动增幅门限的,典型的,该备选增幅门限可以设置为波动增幅门限的设定比例,例如,50%或者80%等。
作为示例而非限定,假设需要预测某一天,例如:2024.05.11,的最高温度增幅,则可以从实时统计各城市从2024.05.11早晨6点起的最高温度增幅(以早晨6点的温度为起始指标值),并将在中午12点之前,最高温度增幅已达20%的各城市的温度数据,确定为目标时序数据。
通过上述设置,可以在保证检测精准度的前提下,最大程度的降低数据计算量,避免了大量的无效计算消耗,在最大程度保证检测准确性的同时,提高了检测的有效性。
实施例二
图2为本发明实施例二提供的一种时序数据的处理方法的流程图,本实施例以上述各实施例为基础进行优化,在本实施例中,将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限的操作进行具体化。
相应的,如图2所示,该方法包括:
S210、实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性。
在本实施例中,具体使用目标时序数据在两个时间跨度下的时间关联属性序列构建波动检测属性,以实现后续的检测过程。也即,与第一时间跨度对应的第一时间关联属性序列,以及与第二时间跨度对应的第二时间关联属性序列。
在本实施例中,可以根据目标数据所适配的具体场景,合理选择第一时间跨度和第二时间跨度。例如,如果是基于温度数据的检测,则第一时间跨度可以为周,第二时间跨度可以为月。如果是基于股票交易价格数据的检测,则第一时间跨度可以为分钟,第二时间跨度可以为日。
在本实施例的一个可选的实施方式中,实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,可以包括:
获取当前时间跨度,并针对当前时间跨度确定与目标时序数据匹配的当前历史检测区间;
将当前历史检测区间按照当前时间跨度划分为多个当前历史时间段,并获取目标时序数据在每个当前历史时间段内的至少一个时间关联属性;
按照各当前历史时间段的时间延伸顺序,将各当前时间关联属性组合得到与当前时间跨度匹配的时间关联属性序列。
在本可选实施方式中,可以针对不同的时间跨度,自定义设置不同的历史检测区间的时间长度。例如,如果时间跨度为分钟,则历史检测区间的时间长度可以为420分钟,如果时间跨度为天,则历史检测区间的时间长度可以为10天等。
相应的,在确定当前历史检测区间时,可以采用当前的系统时间,作为历史检测区间的时间终点,结合历史检测区间的时间长度,准确确定出与当前时间跨度匹配的当前历史检测区间。
例如,如果当前时间跨度为分钟,当前系统时间为2023.05.11,11点16分,进而,可以采用当前分钟作为时间终点,向前回溯420分钟,获取时间起点,并将上述时间起点和时间终点的组合,作为与分钟匹配的当前历史检测区间。
在得到当前历史检测区间后,可以按照当前时间跨度,将该当前历史检测区间划分为多个当前历史时间段,续前例,针对上述420时长的当前历史检测区间,可以按照分钟为单位,划分得到420个当前历史时间段。进而,可以获取每个当前历史时间段内的至少一个时间关联属性,并最终可以将全部当前历史时间段内获取的各时间关联属性,组合得到与当前时间跨度匹配的时间关联属性序列。
S220、将与第一时间跨度对应的第一时间关联属性序列、与第二时间跨度对应的第二时间关联属性序列、以及各时间无关属性组合得到波动检测属性,输入至波动检测模型中。
在本实施例中,波动检测模型中具体可以包括:第一特征提取网络、第二特征提取网络以及全连接网络。
第一特征提取网络和第二特征提取网络的输出分别与全连接网络的输入相连。第一特征提取网络用于输入与第一时间跨度对应的第一时间关联属性序列,第二特征提取网络用于输入与第二时间跨度对应的第二时间关联属性序列,全连接网络用于同时输入第一特征提取网络的输出结果,第二特征提取网络的输出结果,以及各时间无关属性,全连接网络用于输出目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果。
其中,波动检测模型使用预先标注有波动增幅标注结果的多个标准波动样本属性训练得到。
S230、通过波动检测模型中的第一特征提取网络对第一时间关联属性序列进行特征提取,得到第一时间关联属性特征。
在本实施例中,通过使用第一特征提取网络对第一时间关联属性序列进行特征提取,可以得到目标时序数据以第一时间跨度为观测区间提取到的数据特征,也即第一时间关联属性特征。
可选的,该第一特征提取网络可以为LSTM(Long Short-Term Memory,长短期记忆)网络,也可以为TCN(Temporal Convolutional Network,时间卷积网络)等,还可以为基于注意力(Attention)机制的LSTM网络等用于对时序数据进行处理的神经网络。
S240、通过波动检测模型中的第二特征提取网络对第二时间关联属性序列进行特征提取,得到第二时间关联属性特征。
在本实施例中,通过使用第二特征提取网络对第二时间关联属性序列进行特征提取,可以得到目标时序数据以第二时间跨度为观测区间提取到的数据特征,也即第二时间关联属性特征。
可选的,该第二特征提取网络可以为LSTM(Long Short-Term Memory,长短期记忆)网络,也可以为TCN(Temporal Convolutional Network,时间卷积网络)等,还可以为基于注意力(Attention)机制的LSTM网络等用于对时序数据进行处理的神经网络。
S250、通过波动检测模型中的全连接网络对第一时间关联属性特征、第二时间关联属性特征以及各时间无关属性进行全连接检测,得到目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果。
在本实施例中,全连接网络中包括一个或者多个全连接层,用于将在两种时间跨度下分别提取到的数据特征,结合目标时序数据的时不移特征,也即时间无关属性,共同抽象得到该目标时序数据的全连接特征,进而,后续通过全连接网络中包括的Softmax子网络,可以得到目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果。
相应的,该波动检测模型的输出结果可以为1(达到波动增幅门限)和0(未达到波动增幅门限),同时,输出结果中同时还具有波动检测模型对上述两个结果的预测置信度,例如,1,96%;0,4%。
可选的,在图3中示出本发明实施例所适用的一种波动检测模型的结构示意图。如图3所示,该波动检测模型中的第一特征提取网络以及第二特征提取网络均为基于注意力机制的长短期记忆网络。
可选的,在图4中示出了本发明实施例所适用的另一种波动检测模型的结构示意图。如图4所示,在第一时间跨度小于第二时间跨度时,该波动检测模型中的第一特征提取网络为时间卷积网络,第二特征提取网络为长短期记忆网络。
发明人通过多次实验发现,上述两种构建波动检测模型的方式,模型的预测准确性以及时效性都能达到较优的效果。进一步的,发明人通过研究分析发现,图3所示的波动检测模型在检测结果置信度较高时,预测准确度较高,置信度下降后,预测准确度可能会急速下降;然而,图4所示的波动检测模型在不同的置信度区间内,预测准确度不会有较大的差异。
S260、若该检测结果为目标时序数据能在检测时间段内达到波动增幅门限,则对所述目标时序数据进行提示。
S270、响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型。
S280、如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令。
本发明实施例的技术方案通过使用波动检测模型预测得到目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果,可以准确捕捉波动属性与波动增幅之间的隐性映射关系,进一步提高检测结果的准确性和时效性。
实施例三
图5为本发明实施例三提供的一种时序数据的处理方法的流程图,本实施例以上述各实施例为基础进行优化,在本实施例中,将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限的操作进行具体化。在本实施例中,为了充分利用图3以及图4所示的两种波动检测模型的优点,提出了在一次检测过程中综合使用上述两类波动检测模型的技术方案。
相应的,如图5所示,所述方法具体可以包括:
S510、实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性。
S520、将与第一时间跨度对应的第一时间关联属性序列、与第二时间跨度对应的第二时间关联属性序列、以及各时间无关属性组合得到波动检测属性,输入至第一波动检测模型中,获取第一模型输出结果。
其中,第一波动检测模型为如图3所示结构的波动检测模型,该模型在输出结果置信度较高时,可以具有较高的准确度。
S530、检测第一模型输出结果的置信度是否小于或等于置信度阈值:若否,执行S540;若是,执行S550。
其中,第一模型输出结果的置信度可以理解为输出结果中的最高置信度。例如,如果输出结果中包括:1,4%;0,96%,则第一模型输出结果的置信度为96%;如果输出结果中包括:1,93%;0,7%,则第一模型输出结果的置信度为93%。
具体的,该置信度阈值可以根据实际试验结果以及实际的应用场景需求进行预设,本实施例对此并不进行限制。
S540、将第一模型输出结果作为目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果,执行S560。
如果第一模型输出结果的置信度大于置信度阈值,则可以直接使用第一模型输出结果作为目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果,以保证较高的检测准确性。
S550、重新将波动检测属性输入至第二波动检测模型中,并将第二模型输出结果作为目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果,执行S560。
如果第一模型输出结果的置信度小于或者等于置信度阈值,则第一模型输出结果的准确度则无法保证,此时,可以选择使用第二波动检测模型的第二模型输出结果作为目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果。
其中,第二波动检测模型为如图4所示结构的波动检测模型,该模型在输出结果的全置信度区间中,均具有较稳定的准确度。
其中,第一波动检测模型和第二波动检测模型均使用预先标注有波动增幅标注结果的多个标准波动样本属性训练得到,且均包括第一特征提取网络、第二特征提取网络和全连接网络;
在第一波动检测模型中,第一特征提取网络以及第二特征提取网络均为基于注意力机制的长短期记忆网络,在第二波动检测模型中,第一特征提取网络为时间卷积网络,第二特征提取网络为长短期记忆网络,第一时间跨度小于第二时间跨度。
S560、若该检测结果为目标时序数据能在检测时间段内达到波动增幅门限,则对所述目标时序数据进行提示。
S570、响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型。
S580、如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令。
本发明实施例的技术方案通过综合使用第一波动检测模型和第二波动检测模型,可以充分利用上述两种波动检测模型的优势,进一步提高检测结果的准确性。
实施例四
图6为本发明实施例四提供的一种时序数据的处理装置的结构示意图。如图6所示,该装置包括:属性获取模块610、波动增幅检测模块620、提示模块630、指令类型识别模块640以及数据操作指令执行模块650。
属性获取模块610,用于实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;
波动增幅检测模块620,用于将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;
提示模块630,用于若是,则对所述目标时序数据进行提示;
指令类型识别模块640,用于响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型;
数据操作指令执行模块650,用于如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令。
本发明实施例的技术方案,通过实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;若是,则对所述目标时序数据进行提示;响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型;如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令的技术手段,使用时序数据在多个时间跨度下的时间关联属性序列以及至少一个时间无关属性,检测时序数据是否能在检测时间段内达到波动增幅门限,综合考虑了时序数据的时移属性和时不移属性进行单一波动增幅门限的检测,可以有效提高检测结果的准确性,并保证检测的时效性,同时,本发明实施例的技术方案还可以对用户针对该时序数据所做的操作基于检测结果进行有效约束,避免用户误触发与该检测结果相悖的用户操作。
在上述各实施例的基础上,还可以包括,目标时序数据确定模块,用于:
在实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列之前,实时获取各备选时序数据的波动增幅,并将波动增幅超过备选增幅门限的备选时序数据确定为目标时序数据。
在上述各实施例的基础上,属性获取模块610可以具体用于:
获取当前时间跨度,并针对当前时间跨度确定与目标时序数据匹配的当前历史检测区间;
将当前历史检测区间按照当前时间跨度划分为多个当前历史时间段,并获取目标时序数据在每个当前历史时间段内的至少一个时间关联属性;
按照各当前历史时间段的时间延伸顺序,将各当前时间关联属性组合得到与当前时间跨度匹配的时间关联属性序列。
在上述各实施例的基础上,波动增幅检测模块620可以具体用于:
将与第一时间跨度对应的第一时间关联属性序列、与第二时间跨度对应的第二时间关联属性序列、以及各时间无关属性组合得到波动检测属性,输入至波动检测模型中;
其中,波动检测模型使用预先标注有波动增幅标注结果的多个标准波动样本属性训练得到;
通过波动检测模型中的第一特征提取网络对第一时间关联属性序列进行特征提取,得到第一时间关联属性特征;
通过波动检测模型中的第二特征提取网络对第二时间关联属性序列进行特征提取,得到第二时间关联属性特征;
通过波动检测模型中的全连接网络对第一时间关联属性特征、第二时间关联属性特征以及各时间无关属性进行全连接检测,得到目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果。
在上述各实施例的基础上,第一特征提取网络以及第二特征提取网络均为基于注意力机制的长短期记忆网络。
在上述各实施例的基础上,第一时间跨度小于第二时间跨度;
第一特征提取网络为时间卷积网络,第二特征提取网络为长短期记忆网络。
在上述各实施例的基础上,波动增幅检测模块620可以具体用于:
将与第一时间跨度对应的第一时间关联属性序列、与第二时间跨度对应的第二时间关联属性序列、以及各时间无关属性组合得到波动检测属性,输入至第一波动检测模型中,获取第一模型输出结果;
如果第一模型输出结果的置信度小于或等于置信度阈值,则重新将波动检测属性输入至第二波动检测模型中,并将第二模型输出结果作为目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果;
其中,第一波动检测模型和第二波动检测模型均使用预先标注有波动增幅标注结果的多个标准波动样本属性训练得到,且均包括第一特征提取网络、第二特征提取网络和全连接网络;
在第一波动检测模型中,第一特征提取网络以及第二特征提取网络均为基于注意力机制的长短期记忆网络,在第二波动检测模型中,第一特征提取网络为时间卷积网络,第二特征提取网络为长短期记忆网络,第一时间跨度小于第二时间跨度。
本发明实施例所提供的时序数据的处理装置可执行本发明任意实施例所提供的时序数据的处理方法,具备执行方法相应的功能模块和有益效果。
实施例五
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如执行如本发明实施例所述的时序数据的处理方法。
在一些实施例中,本发明实施例所述的时序数据的处理方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的本发明实施例所述的时序数据的处理方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本发明实施例所述的时序数据的处理方法。
也即:实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;
将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;
若是,则对所述目标时序数据进行提示;
响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型;
如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令。
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、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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种时序数据的处理方法,其特征在于,包括:
实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;
将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;
若是,则对所述目标时序数据进行提示;
响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型;
如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令。
2.根据权利要求1所述的方法,其特征在于,在实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列之前,还包括:
实时获取各备选时序数据的波动增幅,并将波动增幅超过备选增幅门限的备选时序数据确定为目标时序数据。
3.根据权利要求1所述的方法,其特征在于,实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,包括:
获取当前时间跨度,并针对当前时间跨度确定与目标时序数据匹配的当前历史检测区间;
将当前历史检测区间按照当前时间跨度划分为多个当前历史时间段,并获取目标时序数据在每个当前历史时间段内的至少一个时间关联属性;
按照各当前历史时间段的时间延伸顺序,将各当前时间关联属性组合得到与当前时间跨度匹配的时间关联属性序列。
4.根据权利要求1所述的方法,其特征在于,将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限,包括:
将与第一时间跨度对应的第一时间关联属性序列、与第二时间跨度对应的第二时间关联属性序列、以及各时间无关属性组合得到波动检测属性,输入至波动检测模型中;
其中,波动检测模型使用预先标注有波动增幅标注结果的多个标准波动样本属性训练得到;
通过波动检测模型中的第一特征提取网络对第一时间关联属性序列进行特征提取,得到第一时间关联属性特征;
通过波动检测模型中的第二特征提取网络对第二时间关联属性序列进行特征提取,得到第二时间关联属性特征;
通过波动检测模型中的全连接网络对第一时间关联属性特征、第二时间关联属性特征以及各时间无关属性进行全连接检测,得到目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果。
5.根据权利要求4所述的方法,其特征在于,第一特征提取网络以及第二特征提取网络均为基于注意力机制的长短期记忆网络。
6.根据权利要求4所述的方法,其特征在于,第一时间跨度小于第二时间跨度;
第一特征提取网络为时间卷积网络,第二特征提取网络为长短期记忆网络。
7.根据权利要求1所述的方法,其特征在于,将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限,包括:
将与第一时间跨度对应的第一时间关联属性序列、与第二时间跨度对应的第二时间关联属性序列、以及各时间无关属性组合得到波动检测属性,输入至第一波动检测模型中,获取第一模型输出结果;
如果第一模型输出结果的置信度小于或等于置信度阈值,则重新将波动检测属性输入至第二波动检测模型中,并将第二模型输出结果作为目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果;
其中,第一波动检测模型和第二波动检测模型均使用预先标注有波动增幅标注结果的多个标准波动样本属性训练得到,且均包括第一特征提取网络、第二特征提取网络和全连接网络;
在第一波动检测模型中,第一特征提取网络以及第二特征提取网络均为基于注意力机制的长短期记忆网络,在第二波动检测模型中,第一特征提取网络为时间卷积网络,第二特征提取网络为长短期记忆网络,第一时间跨度小于第二时间跨度。
8.一种时序数据的处理装置,其特征在于,包括:
属性获取模块,用于实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列,并获取目标时序数据的至少一个时间无关属性;
波动增幅检测模块,用于将各时间关联属性序列和各时间无关属性组合得到波动检测属性,并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系,以及波动检测属性,检测目标时序数据是否能在检测时间段内达到波动增幅门限;
提示模块,用于若是,则对所述目标时序数据进行提示;
指令类型识别模块,用于响应于用户针对所述目标时序数据发送的数据操作指令,识别所述数据操作指令的指令类型;
数据操作指令执行模块,用于如果所述指令类型符合所述目标时序数据的波动增幅特征,则执行所述数据操作指令。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的时序数据的处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的时序数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715498.9A CN116756210A (zh) | 2023-06-15 | 2023-06-15 | 时序数据的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715498.9A CN116756210A (zh) | 2023-06-15 | 2023-06-15 | 时序数据的处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756210A true CN116756210A (zh) | 2023-09-15 |
Family
ID=87950907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310715498.9A Pending CN116756210A (zh) | 2023-06-15 | 2023-06-15 | 时序数据的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756210A (zh) |
-
2023
- 2023-06-15 CN CN202310715498.9A patent/CN116756210A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907064B (zh) | 基于自适应窗的电量预测方法、装置、存储介质及终端 | |
CN114580916A (zh) | 一种企业风险评估方法、装置、电子设备及存储介质 | |
CN115915708B (zh) | 制冷设备控制参数预测方法、装置、电子设备及存储介质 | |
CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
CN116523140A (zh) | 窃电检测方法、装置、电子设备和存储介质 | |
CN113592136A (zh) | 一种交通数据预测方法、装置及电子设备 | |
CN112767935A (zh) | 唤醒指标监测方法、装置及电子设备 | |
CN116756210A (zh) | 时序数据的处理方法、装置、电子设备及存储介质 | |
CN115168154A (zh) | 一种基于动态基线的异常日志检测方法、装置及设备 | |
CN115563507A (zh) | 可再生能源发电场景的生成方法、装置及设备 | |
CN115600607A (zh) | 一种日志检测方法、装置、电子设备及介质 | |
CN114511225A (zh) | 一种断面识别方法、装置、设备以及存储介质 | |
CN114118562A (zh) | 流量预测方法、模型训练方法、装置以及电子设备 | |
JP2023547002A (ja) | ケイ線パターンの識別方法及び電子機器 | |
CN114120180A (zh) | 一种时序提名的生成方法、装置、设备及介质 | |
CN117094452B (zh) | 干旱状态预测方法、干旱状态预测模型的训练方法及设备 | |
CN115373449B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN117131315B (zh) | 基于求解多元二次函数极值的超差电能表确定方法及介质 | |
CN117688499A (zh) | 一种多指标异常检测方法、装置、电子设备和存储介质 | |
CN116128296A (zh) | 风险预测方法、装置、电子设备及存储介质 | |
CN118245622A (zh) | 案件数据分析方法、装置、电子设备和存储介质 | |
CN117932474A (zh) | 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 | |
CN117056730A (zh) | 数据预测的方法、装置、设备及存储介质 | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN116227731A (zh) | 负荷预测方法、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 |