CN117575685A - 数据分析预警系统及方法 - Google Patents

Abstract

本申请公开了一种数据分析预警系统及方法，其通过采集预定时间周期内的销售额，并在后端引入数据处理和分析算法来进行销售额的时序分析，然后，利用生成式人工智能（AIGC）技术来进行销售额的预测，并基于预测结果来判断是否需要发出预警信号。这样，能够对销售额数据进行监测、预测和预警，帮助决策者及时做出相应的决策来解决解决潜在的问题，从而提高企业的竞争力和应对风险的能力。

Description

数据分析预警系统及方法

技术领域

本申请涉及数据分析领域，且更为具体地，涉及一种数据分析预警系统及方法。

背景技术

在现代社会中，随着互联网、物联网和移动互联网的快速发展，各个行业和领域都面临着大量的数据产生和积累，这些数据蕴含着重要的信息和价值，可以帮助组织和企业发现潜在的问题和机会，并做出更明智的决策。

然而，由于数据量庞大、数据类型多样、数据变化快速等特点，传统的数据处理和预警系统已经无法满足对数据的实时监测和分析需求。具体来说，传统的数据分析预警系统通常需要人工进行数据的提取、清洗和分析，这是一项耗时且容易出错的过程，无法满足实时性和大规模数据处理的需求。并且，传统系统往往只能处理少量的数据维度，无法充分利用多源、多维度的数据信息，导致分析结果的局限性，无法满足对实时数据的及时监测和预警需求。

因此，期望一种优化的数据分析预警系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种数据分析预警系统及方法，其通过采集预定时间周期内的销售额，并在后端引入数据处理和分析算法来进行销售额的时序分析，然后，利用生成式人工智能（AIGC）技术来进行销售额的预测，并基于预测结果来判断是否需要发出预警信号。这样，能够对销售额数据进行监测、预测和预警，帮助决策者及时做出相应的决策来解决解决潜在的问题，从而提高企业的竞争力和应对风险的能力。

根据本申请的一个方面，提供了一种数据分析预警系统，其包括：

销售额采集模块，用于获取预定时间周期内的销售额时序序列；

销售额时序排列模块，用于将所述销售额时序序列按照时间维度进行排列以得到销售额时序输入向量；

销售额第一尺度时序特征提取模块，用于通过基于第一深度神经网络模型的销售额第一时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第一尺度销售额时序特征向量；

销售额第二尺度时序特征提取模块，用于通过基于第二深度神经网络模型的销售额第二时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第二尺度销售额时序特征向量；

销售额多尺度时序特征融合模块，用于融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征；

销售额预测及预警模块，用于基于所述多尺度销售额时序特征，确定销售额预测值，并判断是否需要发出预警信号。

根据本申请的另一个方面，提供了一种数据分析预警方法，其包括：

获取预定时间周期内的销售额时序序列；

将所述销售额时序序列按照时间维度进行排列以得到销售额时序输入向量；

通过基于第一深度神经网络模型的销售额第一时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第一尺度销售额时序特征向量；

通过基于第二深度神经网络模型的销售额第二时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第二尺度销售额时序特征向量；

融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征；

基于所述多尺度销售额时序特征，确定销售额预测值，并判断是否需要发出预警信号。

与现有技术相比，本申请提供的一种数据分析预警系统及方法，其通过采集预定时间周期内的销售额，并在后端引入数据处理和分析算法来进行销售额的时序分析，然后，利用生成式人工智能（AIGC）技术来进行销售额的预测，并基于预测结果来判断是否需要发出预警信号。这样，能够对销售额数据进行监测、预测和预警，帮助决策者及时做出相应的决策来解决解决潜在的问题，从而提高企业的竞争力和应对风险的能力。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的数据分析预警系统的框图；

图2为根据本申请实施例的数据分析预警系统的系统架构图；

图3为根据本申请实施例的销售额预测及预警模块中销售额预测及预警模块的框图；

图4为根据本申请实施例的销售额预测及预警模块中销售额时序特征分布优化单元的框图；

图5为根据本申请实施例的数据分析预警方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

传统的数据分析预警系统通常需要人工进行数据的提取、清洗和分析，这是一项耗时且容易出错的过程，无法满足实时性和大规模数据处理的需求。并且，传统系统往往只能处理少量的数据维度，无法充分利用多源、多维度的数据信息，导致分析结果的局限性，无法满足对实时数据的及时监测和预警需求。针对上述技术问题，在本申请的技术方案中，提出了一种数据分析预警系统，其能够对历史数据进行学习和理解，以根据数据的变化趋势生成未来数据的可能情况，并根据可能情况判断是否需要发出预警，从而帮助决策者及时发现和解决问题。

在本申请的技术方案中，提出了一种数据分析预警系统。图1为根据本申请实施例的数据分析预警系统的框图。图2为根据本申请实施例的数据分析预警系统的系统架构图。如图1和图2所示，根据本申请的实施例的数据分析预警系统300，包括：销售额采集模块310，用于获取预定时间周期内的销售额时序序列；销售额时序排列模块320，用于将所述销售额时序序列按照时间维度进行排列以得到销售额时序输入向量；销售额第一尺度时序特征提取模块330，用于通过基于第一深度神经网络模型的销售额第一时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第一尺度销售额时序特征向量；销售额第二尺度时序特征提取模块340，用于通过基于第二深度神经网络模型的销售额第二时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第二尺度销售额时序特征向量；销售额多尺度时序特征融合模块350，用于融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征；销售额预测及预警模块360，用于基于所述多尺度销售额时序特征，确定销售额预测值，并判断是否需要发出预警信号。

特别地，所述销售额采集模块310，用于获取预定时间周期内的销售额时序序列。

特别地，所述销售额时序排列模块320，用于将所述销售额时序序列按照时间维度进行排列以得到销售额时序输入向量。考虑到所述销售额在预定时间周期内具有着时序的动态变化规律，也就是说，所述销售额时序序列中的各个销售额之间具有着时序的关联关系，因此，为了能够将销售额数据按照时间的先后顺序进行整合和表示，以便后续的数据处理和分析，在本申请的技术方案中，进一步将所述销售额时序序列按照时间维度进行排列以得到销售额时序输入向量。

特别地，所述销售额第一尺度时序特征提取模块330和所述销售额第二尺度时序 特征提取模块340，用于通过基于第一深度神经网络模型的销售额第一时序尺度特征提取 器对所述销售额时序输入向量进行特征提取以得到第一尺度销售额时序特征向量；以及， 通过基于第二深度神经网络模型的销售额第二时序尺度特征提取器对所述销售额时序输 入向量进行特征提取以得到第二尺度销售额时序特征向量。应可以理解，在数据分析预警 系统中，由于销售额数据具有着波动性，因此，其往往在不同的时间尺度上具有着不同的时 序模式和动态特征。例如，销售额可能存在短期波动、中期趋势和长期周期等特征。因此，为 了更全面地捕捉到销售额的时序特征，在本申请的技术方案中，使用不同尺度的一维卷积 核的一维卷积神经网络模型来进行销售额的时序分析，以此来有效地捕捉销售额在不同时 间尺度上的时序特征信息，从而提高预测的准确性。具体地，在本申请的技术方案中，将所 述销售额时序输入向量通过基于第一一维卷积神经网络模型的销售额第一时序尺度特征 提取器中进行特征挖掘，以提取出所述销售额在时间维度上的第一尺度时序特征信息，从 而得到第一尺度销售额时序特征向量。接着，再将所述销售额时序输入向量通过基于第二 一维卷积神经网络模型的销售额第二时序尺度特征提取器中进行特征挖掘，以提取出所述 销售额在时间维度上的第二尺度时序特征信息，从而得到第二尺度销售额时序特征向量。 特别地，这里，所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使 用具有不同尺度的一维卷积核，以此来分别捕捉到销售额数据在时间维度上的不同时间尺 度上的时序特征信息，有利于更全面地捕捉销售额数据中的时序特征和模式，提高销售额 预测和预警的准确性。更具体地，将所述销售额时序输入向量通过基于第一一维卷积神经 网络模型的销售额第一时序尺度特征提取器中进行特征挖掘以得到所述第一尺度销售额 时序特征向量，例如：使用所述基于第一一维卷积神经网络模型的销售额第一时序尺度特 征提取器的卷积层以如下一维卷积公式对所述销售额时序输入向量进行一维卷积编码以 得到所述第一尺度销售额时序特征向量；其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与 卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述销售额时序输入 向量，表示对所述销售额时序输入向量进行一维卷积编码；以及，将所述销售额时序 输入向量通过基于第二一维卷积神经网络模型的销售额第二时序尺度特征提取器中进行 特征挖掘以得到所述第二尺度销售额时序特征向量，包括：使用所述基于第二一维卷积神 经网络模型的销售额第二时序尺度特征提取器的卷积层以如下一维卷积公式对所述销售 额时序输入向量进行一维卷积编码以得到所述第二尺度销售额时序特征向量；其中，所述 公式为：

其中，b为第二卷积核在x方向上的宽度、为第二 卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺 寸，X表示所述销售额时序输入向量，表示对所述销售额时序输入向量进行一维卷积 编码。

值得注意的是，一维卷积神经网络（1D CNN）是卷积神经网络的一种变体，用于处理具有时序结构的数据。1D CNN 的基本结构与二维卷积神经网络类似，包括输入层、卷积层、池化层和全连接层。下面是一维卷积神经网络的主要组成部分：输入层：接受时序数据作为输入，数据的形状通常为 [Batch Size, Temporal Length, Channels]，其中 BatchSize 表示批量大小，Temporal Length 表示时序长度，Channels 表示通道数；卷积层：1DCNN 使用一维卷积核对输入数据进行卷积操作。卷积核的大小可以根据问题的需求进行选择，通常在时间维度上滑动以提取局部特征。卷积操作通过计算输入数据与卷积核之间的卷积运算，并应用激活函数来引入非线性。卷积层的输出形状取决于卷积核的数量和步幅设置；池化层：在卷积层之后，可以使用池化层来减少特征维度和参数数量。常见的池化操作包括最大池化和平均池化，它们分别提取局部区域的最大值或平均值作为池化层的输出。池化层可以降低数据的维度，并且对平移和缩放不变性具有一定的鲁棒性；全连接层：在经过一系列的卷积和池化操作后，可以使用全连接层来将特征映射到最终的输出空间。全连接层将所有特征连接在一起，并将其输入到一个或多个全连接神经元层中。最后的全连接层可以用于分类、回归或其他任务。1D CNN 在许多领域中被广泛应用，包括自然语言处理、语音识别、时间序列分析等。它可以有效地处理时序数据，并从中提取有用的特征，为后续的任务提供更好的输入。

特别地，所述销售额多尺度时序特征融合模块350，用于融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征。应可以理解，由于所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量分别表示销售额数据在不同时间尺度上的时序特征信息，但是这种时序特征向量仅代表了各自尺度上的销售额时序特征信息，还没有进行综合和融合。因此，为了更全面地表示销售额数据中的特征和模式，在本申请的技术方案中，进一步使用投影层来融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征向量。特别地，这里，所述投影层可以将所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量映射到一个共享的特征空间中，从而可以综合利用销售额数据在不同时间尺度上的特征信息，以更全面地表示销售额数据中的特征和模式，提高预测和分析的准确性。并且，通过所述投影层来融合销售额的时序多尺度特征，可以减少对单一尺度特征的依赖，提高模型的鲁棒性和泛化能力，这有助于应对销售额数据中的噪声和异常情况。具体地，使用投影层来融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征向量作为所述多尺度销售额时序特征，包括：使用投影层以如下公式来融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到所述多尺度销售额时序特征向量；其中，所述公式为：

其中，是所述第一尺度销售额时序特征向量，是所述第二尺度销售额时序特 征向量，是所述多尺度销售额时序特征向量，表示所述投影层。

特别地，所述销售额预测及预警模块360，用于基于所述多尺度销售额时序特征，确定销售额预测值，并判断是否需要发出预警信号。特别地，在本申请的一个具体示例中，如图3所示，所述销售额预测及预警模块360，包括：销售额时序特征分布优化单元361，用于对所述多尺度销售额时序特征向量进行特征优化以得到优化后多尺度销售额时序特征向量；销售额预测单元362，用于将所述优化后多尺度销售额时序特征向量通过基于AIGC模型的销售额预测器以得到销售额预测值；预警信号发出检测单元363，用于基于所述销售额预测值与设定阈值之间的比较，判断是否需要发出预警信号。

具体地，所述销售额时序特征分布优化单元361，用于对所述多尺度销售额时序特征向量进行特征优化以得到优化后多尺度销售额时序特征向量。特别地，在本申请的一个具体示例中，如图4所示，所述销售额时序特征分布优化单元361，包括：特征校正子单元3611，用于对所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量进行融合校正以获得校正特征向量；校正特征融合子单元3612，用于将所述校正特征向量与所述多尺度销售额时序特征向量进行融合以得到所述优化后多尺度销售额时序特征向量。

更具体地，所述特征校正子单元3611，用于对所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量进行融合校正以获得校正特征向量。特别地，在上述技术方案中，所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量分别表达所述销售额数据的基于不同局部时序关联尺度的局部时序关联特征，由此，考虑到所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量的时序关联特征的局部关联尺度差异，在使用投影层来融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量时，期望抑制由于时序关联特征的局部关联尺度差异导致的所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量在高维特征空间内基于与不同尺度集合变换对应的特征分布方向的高维几何变化差异，从而提升融合效果。基于此，本申请对所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量进一步进行融合校正，以获得校正特征向量，具体为：

其中是所述第一尺度销售额时序特征向量，是所述第二尺度销售额时序特征 向量，、和分别是所述第一尺度销售额时序特征向量、所述第二尺度销售额时序 特征向量和所述校正特征向量的特征值，和分别是特征向量的1范数和2范数，是 特征向量的长度，且是权重超参数，（）表示指数运算，是所述校正特征向量。具体地， 为了在进行融合时提升特征对不同特征分布对应的空间变换的感知和认知能力，基于所述 第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量的距离结构参数 来从向量尺度维度进行特征向量的特征分布在不同方向上的旋转控制，以通过相对旋转解 缠来保留融合特征的旋转不变性，从而避免融合特征时在高维特征空间内的几何变换导致 的特征分布的高维几何变化差异。这样，再将所述校正特征向量与所述多尺度销售额时序 特征向量进行融合，就可以提升所述多尺度销售额时序特征向量的融合表达效果，从而改 进其通过基于AIGC模型的销售额预测器得到的销售额预测值的准确性。这样，能够对销售 额数据进行监测、预测和预警，帮助决策者及时做出相应的决策来解决解决潜在的问题，从 而提高企业的竞争力和应对风险的能力。

更具体地，所述校正特征融合子单元3612，用于将所述校正特征向量与所述多尺度销售额时序特征向量进行融合以得到所述优化后多尺度销售额时序特征向量。应可以理解，校正特征向量可能包含对销售额时序特征向量进行增强或纠正的信息。通过将两者进行融合，可以利用校正特征向量中的信息对销售额时序特征向量进行修正，提高特征的质量和准确性。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多尺度销售额时序特征向量进行特征优化以得到优化后多尺度销售额时序特征向量，例如：对特征向量进行标准化处理，以消除不同特征之间的尺度差异；为了平滑时间序列中的噪声和突变，可以应用平滑技术，如移动平均或指数平滑；通过引入其他相关特征来增强多尺度销售额时序特征向量；通过将不同尺度的特征组合起来，得到更丰富的特征表示。

具体地，所述销售额预测单元362和所述预警信号发出检测单元363，用于将所述优化后多尺度销售额时序特征向量通过基于AIGC模型的销售额预测器以得到销售额预测值；以及，基于所述销售额预测值与设定阈值之间的比较，判断是否需要发出预警信号。也就是说，通过将所述多尺度销售额时序特征向量输入到AIGC模型中，模型可以自动学习历史销售额时序数据中的复杂关系和非线性模式来预测未来的销售额。特别地，所述AIGC模型可以通过反向传播算法和梯度下降优化方法来调整模型参数，以最小化预测误差，并提高预测的准确性。继而，基于所述销售额预测值与设定阈值之间的比较，判断是否需要发出预警信号。例如，当销售额预测值超过或低于设定的阈值范围，即超过了正常的波动范围或达到了预警条件，这表示销售额可能存在异常情况，可以触发预警信号。这有助于快速响应和采取相应的措施，避免潜在的损失或风险。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述多尺度销售额时序特征，确定销售额预测值，并判断是否需要发出预警信号，例如：从多尺度销售额时序特征中选择与销售额相关性较高的特征。可以使用特征选择方法，如相关系数、互信息等，来评估特征与销售额之间的关联性，并选择具有较高关联性的特征；选择适合销售额预测的模型；根据所选的模型，对特征进行进一步的处理和转换；使用训练集对选择的模型进行训练；使用训练好的模型对测试集进行销售额预测；根据预测值与实际销售额的差距，判断是否需要发出预警信号。可以设置一个阈值，当预测值与实际销售额的差距超过阈值时，发出预警信号。预警信号可以通过邮件、短信或其他适当的方式通知相关人员。

如上所述，根据本申请实施例的数据分析预警系统300可以实现在各种无线终端中，例如具有数据分析预警算法的服务器等。在一种可能的实现方式中，根据本申请实施例的数据分析预警系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该数据分析预警系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该数据分析预警系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该数据分析预警系统300与该无线终端也可以是分立的设备，并且该数据分析预警系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

进一步地，还提供一种数据分析预警方法。

图5为根据本申请实施例的数据分析预警方法的流程图。如图5所示，根据本申请实施例的数据分析预警方法，包括步骤：S1，获取预定时间周期内的销售额时序序列；S2，将所述销售额时序序列按照时间维度进行排列以得到销售额时序输入向量；S3，通过基于第一深度神经网络模型的销售额第一时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第一尺度销售额时序特征向量；S4，通过基于第二深度神经网络模型的销售额第二时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第二尺度销售额时序特征向量；S5，融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征；S6，基于所述多尺度销售额时序特征，确定销售额预测值，并判断是否需要发出预警信号。

综上，根据本申请实施例的数据分析预警方法被阐明，其通过采集预定时间周期内的销售额，并在后端引入数据处理和分析算法来进行销售额的时序分析，然后，利用生成式人工智能（AIGC）技术来进行销售额的预测，并基于预测结果来判断是否需要发出预警信号。这样，能够对销售额数据进行监测、预测和预警，帮助决策者及时做出相应的决策来解决解决潜在的问题，从而提高企业的竞争力和应对风险的能力。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种数据分析预警系统，其特征在于，包括：

销售额采集模块，用于获取预定时间周期内的销售额时序序列；

销售额时序排列模块，用于将所述销售额时序序列按照时间维度进行排列以得到销售额时序输入向量；

销售额第一尺度时序特征提取模块，用于通过基于第一深度神经网络模型的销售额第一时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第一尺度销售额时序特征向量；

销售额第二尺度时序特征提取模块，用于通过基于第二深度神经网络模型的销售额第二时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第二尺度销售额时序特征向量；

销售额多尺度时序特征融合模块，用于融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征；

销售额预测及预警模块，用于基于所述多尺度销售额时序特征，确定销售额预测值，并判断是否需要发出预警信号。

2.根据权利要求1所述的数据分析预警系统，其特征在于，所述基于第一深度神经网络模型的销售额第一时序尺度特征提取器为基于第一一维卷积神经网络模型的销售额第一时序尺度特征提取器，所述基于第二深度神经网络模型的销售额第二时序尺度特征提取器为基于第二一维卷积神经网络模型的销售额第二时序尺度特征提取器。

3.根据权利要求2所述的数据分析预警系统，其特征在于，所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核。

4.根据权利要求3所述的数据分析预警系统，其特征在于，所述销售额多尺度时序特征融合模块，用于：使用投影层来融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征向量作为所述多尺度销售额时序特征。

5.根据权利要求4所述的数据分析预警系统，其特征在于，所述销售额多尺度时序特征融合模块，用于：使用投影层以如下公式来融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到所述多尺度销售额时序特征向量；

其中，所述公式为：

其中，/>是所述第一尺度销售额时序特征向量，/>是所述第二尺度销售额时序特征向量，/>是所述多尺度销售额时序特征向量，/>表示所述投影层。

6.根据权利要求5所述的数据分析预警系统，其特征在于，所述销售额预测及预警模块，包括：

销售额时序特征分布优化单元，用于对所述多尺度销售额时序特征向量进行特征优化以得到优化后多尺度销售额时序特征向量；

销售额预测单元，用于将所述优化后多尺度销售额时序特征向量通过基于AIGC模型的销售额预测器以得到销售额预测值；

预警信号发出检测单元，用于基于所述销售额预测值与设定阈值之间的比较，判断是否需要发出预警信号。

7.根据权利要求6所述的数据分析预警系统，其特征在于，所述销售额时序特征分布优化单元，包括：

特征校正子单元，用于对所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量进行融合校正以获得校正特征向量；

校正特征融合子单元，用于将所述校正特征向量与所述多尺度销售额时序特征向量进行融合以得到所述优化后多尺度销售额时序特征向量。

8.一种数据分析预警方法，其特征在于，包括：

获取预定时间周期内的销售额时序序列；

将所述销售额时序序列按照时间维度进行排列以得到销售额时序输入向量；

通过基于第一深度神经网络模型的销售额第一时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第一尺度销售额时序特征向量；

通过基于第二深度神经网络模型的销售额第二时序尺度特征提取器对所述销售额时序输入向量进行特征提取以得到第二尺度销售额时序特征向量；

融合所述第一尺度销售额时序特征向量和所述第二尺度销售额时序特征向量以得到多尺度销售额时序特征；

基于所述多尺度销售额时序特征，确定销售额预测值，并判断是否需要发出预警信号。