时序数据处理模型训练方法、数据处理方法、装置及存储介质制造方法及图纸

本发明专利技术提供了一种时序数据处理模型训练方法，包括：获取训练样本集合，通过时序数据处理模型对训练样本集合进行处理，以确定时序数据处理模型的初始参数；通过时序数据处理模型的输出结果和所述时序数据处理模型的时序特征提取网络的动态时间规整处理结果对时序数据处理模型进行处理，确定时序数据处理模型的更新参数；根据时序数据处理模型的更新参数，通过训练样本集合对所述时序数据处理模型的编码器网络参数和解码器网络参数进行迭代更新。发明专利技术还提供了时序数据处理方法、装置及存储介质。本发明专利技术能够使得时序数据处理模型的泛化能力更强，提升时序数据处理模型的训练精度与训练速度，提升对时序数据处理的准确性与可读性。

Training method, data processing method, device and storage medium of time series data processing model

【技术实现步骤摘要】
时序数据处理模型训练方法、数据处理方法、装置及存储介质
本专利技术涉及信息处理技术，尤其涉及时序数据处理模型的训练方法、数据处理方法、装置及存储介质。
技术介绍
在深度神经网络中，对已有信号的拟合过程中，需要计算原始数据与拟合参数之间的相似度。通常，深度神经网络中对相似度的计算都只是闵可夫斯基距离或者马氏距离。然而，这几种距离在应用到时序数据时，无法捕捉到时序数据中因多普勒效应而产生偏差的两个信号的相似度，因此，使得时序数据处理模型难以产生高质量的处理结果，进而影响对大规模时序数据的处理，也影响了用户的使用体验。
技术实现思路
有鉴于此，本专利技术实施例提供一时序数据处理模型训练方法、数据处理方法、装置及存储介质，本专利技术实施例的技术方案是这样实现的：本专利技术实施例通提供了一种时序数据处理模型训练方法，所述方法包括：获取训练样本集合，其中所述训练样本集合包括至少一组时序数据的训练样本；通过时序数据处理模型对所述训练样本集合进行处理，以确定所述时序数据处理模型的初始参数；响应于所述时序数据处理模型的初始参数，在保持所述时序数据处理模型的初始参数不变时，通过所述时序数据处理模型的输出结果和所述时序数据处理模型的时序特征提取网络的动态时间规整处理结果对所述时序数据处理模型进行处理，确定所述时序数据处理模型的更新参数；根据所述时序数据处理模型的更新参数，通过所述训练样本集合对所述时序数据处理模型的编码器网络参数和解码器网络参数进行迭代更新，以实现通过所述时序数据处理模型对包含时序数据的样本进行处理。上述方案中，所述方法还包括：对所述训练样本集合进行负例处理，以形成与所述训练样本集合相对应的负例样本集合，其中，所述负例样本集合用于调整所述时序数据处理模型的编码器参数和解码器参数调整；根据所述负例样本集合确定相应的评估研究值，其中，所述评估研究值，用于作为监督参数对所述时序数据处理模型的处理结果进行评价。上述方案中，所述对所述训练样本集合进行负例处理，包括：将所述时序数据处理模型的解码器中待输出处理结果进行随机组合，以形成与所述训练样本集合相对应的负例样本集合；或者，对所述时序数据处理模型的解码器中待输出处理结果进行随机删除处理或替换处理以形成与所述训练样本集合相对应的负例样本集合。本专利技术实施例还提供了一种时序数据处理模型的数据处理方法，所述方法包括：获取待处理时序数据信息，并将所述待处理时序数据信息转换为相应的可识别向量信息；通过时序数据处理模型的编码器网络，确定与向量信息所对应的至少一个隐变量；通过所述时序数据处理模型的时序特征提取网络，确定与所述待处理时序数据信息相匹配的动态时间规整处理结果；响应于所述动态时间规整处理结果通过所述时序数据处理模型的解码器网络，根据所述至少一个隐变量，生成与所述隐变量相对应的数据处理结果以及所述数据处理结果的被选取概率；根据所述数据处理结果的被选取概率，组成与所述向量信息相对应的数据处理结果；输出所述数据处理结果；其中，所述时序数据处理模型基于前序实施例训练得到。本专利技术实施例还提供了一种时序数据处理模型训练装置，所述装置包括：数据传输模块，用于获取训练样本集合，其中所述训练样本集合包括至少一组时序数据的训练样本；时序数据处理模型训练模块，用于通过时序数据处理模型对所述训练样本集合进行处理，以确定所述时序数据处理模型的初始参数；所述时序数据处理模型训练模块，用于响应于所述时序数据处理模型的初始参数，在保持所述时序数据处理模型的初始参数不变时，通过所述时序数据处理模型的输出结果和所述时序数据处理模型的时序特征提取网络的动态时间规整处理结果对所述时序数据处理模型进行处理，确定所述时序数据处理模型的更新参数；所述时序数据处理模型训练模块，用于根据所述时序数据处理模型的更新参数，通过所述训练样本集合对所述时序数据处理模型的编码器网络参数和解码器网络参数进行迭代更新，以实现通过所述时序数据处理模型对包含时序数据的样本进行处理。上述方案中，所述数据传输模块，用于确定与所述时序数据处理模型的使用环境相匹配的动态噪声阈值；所述数据传输模块，用于在与所述时序数据处理模型的使用环境相对应的数据源中获取原始数据；所述数据传输模块，用于根据所述动态噪声阈值对所述原始数据进行去噪处理，并触发与所述动态噪声阈值相匹配的动态分词策略；所述数据传输模块，用于根据与所述动态噪声阈值相匹配的动态分词策略，对所述原始数据进行分词处理，形成与所述时序数据处理模型的使用环境相匹配的训练样本集合。上述方案中，所述数据传输模块，用于确定与所述时序数据处理模型的使用环境相匹配的固定噪声阈值；所述数据传输模块，用于在与所述时序数据处理模型的使用环境相对应的数据源中获取原始数据；所述数据传输模块，用于根据所述固定噪声阈值对所述原始数据进行去噪处理，并触发与所述固定噪声阈值相匹配的固定分词策略；所述数据传输模块，用于根据与所述固定噪声阈值相匹配的固定分词策略，对所述原始数据进行分词处理，形成与所述时序数据处理模型的使用环境相匹配的训练样本集合。上述方案中，所述时序数据处理模型训练模块，用于通过所述时序数据处理模型的时序特征提取网络对所述训练样本集合中不同训练样本进行处理，以确定相应的动态时间规整处理结果；所述时序数据处理模型训练模块，用于响应于所述动态时间规整处理结果，将所述训练样本集合中不同训练样本，代入由所述时序数据处理模型的编码器和所述解码器构成的自编码网络对应的损失函数；所述时序数据处理模型训练模块，用于确定所述损失函数满足收敛条件时对应所述时序数据处理模型中编码器的参数和相应的解码器参数作为所述时序数据处理模型的更新参数。上述方案中，所述时序数据处理模型训练模块，用于通过所述时序数据处理模型的更新参数，确定与所述训练样本集合相匹配的噪声参数，所述噪声参数用于表征所述训练样本集合中平行语句样本的噪声值；所述时序数据处理模型训练模块，用于当所述噪声参数到达相应的噪声值阈值时，根据所述噪声参数的噪声值，对所述时序数据处理模型的编码器参数和解码器参数进行迭代更新，直至所述时序数据处理模型的编码器和所述解码器构成的自编码网络对应的损失函数满足对应的收敛条件。上述方案中，所述时序数据处理模型训练模块，用于提取所述训练样本集合中的时序数据样本；所述时序数据处理模型训练模块，用于通过所述时序数据样本对所述时序数据处理模型的时序特征提取网络进行训练，以实现确定与所述时序特征提取网络相适配的网络参数。上述方案中，所述时序数据处理模型训练模块，用于对所述训练样本集合进行负例处理，以形成与所述训练样本集合相对应的负例样本集合，其中，所述负例样本集合用于调整所述时序数据处理模型的编码器参数和解码器参数调整；所述时序数本文档来自技高网...

【技术保护点】
1.一种时序数据处理模型训练方法，其特征在于，所述方法包括：/n获取训练样本集合，其中所述训练样本集合包括至少一组时序数据的训练样本；/n通过时序数据处理模型对所述训练样本集合进行处理，以确定所述时序数据处理模型的初始参数；/n响应于所述时序数据处理模型的初始参数，在保持所述时序数据处理模型的初始参数不变时，通过所述时序数据处理模型的输出结果和所述时序数据处理模型的时序特征提取网络的动态时间规整处理结果对所述时序数据处理模型进行处理，确定所述时序数据处理模型的更新参数；/n根据所述时序数据处理模型的更新参数，通过所述训练样本集合对所述时序数据处理模型的编码器网络参数和解码器网络参数进行迭代更新，以实现通过所述时序数据处理模型对包含时序数据的样本进行处理。/n

【技术特征摘要】
1.一种时序数据处理模型训练方法，其特征在于，所述方法包括：
获取训练样本集合，其中所述训练样本集合包括至少一组时序数据的训练样本；
通过时序数据处理模型对所述训练样本集合进行处理，以确定所述时序数据处理模型的初始参数；
响应于所述时序数据处理模型的初始参数，在保持所述时序数据处理模型的初始参数不变时，通过所述时序数据处理模型的输出结果和所述时序数据处理模型的时序特征提取网络的动态时间规整处理结果对所述时序数据处理模型进行处理，确定所述时序数据处理模型的更新参数；
根据所述时序数据处理模型的更新参数，通过所述训练样本集合对所述时序数据处理模型的编码器网络参数和解码器网络参数进行迭代更新，以实现通过所述时序数据处理模型对包含时序数据的样本进行处理。


2.根据权利要求1所述的方法，其特征在于，所述获取训练样本集合，包括：
确定与所述时序数据处理模型的使用环境相匹配的动态噪声阈值；
在与所述时序数据处理模型的使用环境相对应的数据源中获取原始数据；
根据所述动态噪声阈值对所述原始数据进行去噪处理，并触发与所述动态噪声阈值相匹配的动态分词策略；
根据与所述动态噪声阈值相匹配的动态分词策略，对所述原始数据进行分词处理，形成与所述时序数据处理模型的使用环境相匹配的训练样本集合。


3.根据权利要求1所述的方法，其特征在于，所述获取训练样本集合，包括：
确定与所述时序数据处理模型的使用环境相匹配的固定噪声阈值；
在与所述时序数据处理模型的使用环境相对应的数据源中获取原始数据；
根据所述固定噪声阈值对所述原始数据进行去噪处理，并触发与所述固定噪声阈值相匹配的固定分词策略；
根据与所述固定噪声阈值相匹配的固定分词策略，对所述原始数据进行分词处理，形成与所述时序数据处理模型的使用环境相匹配的训练样本集合。


4.根据权利要求1所述的方法，其特征在于，所述响应于所述时序数据处理模型的初始参数，在保持所述时序数据处理模型的初始参数不变时，通过所述时序数据处理模型的输出结果和所述时序数据处理模型的时序特征提取网络的动态时间规整处理结果对所述时序数据处理模型进行处理，确定所述时序数据处理模型的更新参数，包括：
通过所述时序数据处理模型的时序特征提取网络对所述训练样本集合中不同训练样本进行处理，以确定相应的动态时间规整处理结果；
响应于所述动态时间规整处理结果，将所述训练样本集合中不同训练样本，代入由所述时序数据处理模型的编码器和所述解码器构成的自编码网络对应的损失函数；
确定所述损失函数满足收敛条件时对应所述时序数据处理模型中编码器的参数和相应的解码器参数作为所述时序数据处理模型的更新参数。


5.根据权利要求4所述的方法，其特征在于，所述根据所述时序数据处理模型的更新参数，通过所述训练样本集合对所述时序数据处理模型的编码器网络参数和解码器网络参数进行迭代更新，包括：
通过所述时序数据处理模型的更新参数，确定与所述训练样本集合相匹配的噪声参数，所述噪声参数用于表征所述训练样本集合中平行语句样本的噪声值；
当所述噪声参数到达相应的噪声值阈值时，
根据所述噪声参数的噪声值，对所述时序数据处理模型的编码器参数和解码器参数进行迭代更新，直至所述时序数据处理模型的编码器和所述解码器构成的自编码网络对应的损失函数满足对应的收敛条件。


6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
提取所述训练样本集合中的时序数据样本；
通过所述时序数据样本对所述时序数据处理模型的时序特征提取网络进行训练，以实现确定与所述时序特征提取网络相适配的网络参数。


7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述时序数据处理模型的使用环境为金融数据监控进程时，
根据所时序数据处理模型的多模态时序数据对应的特征向量，调整所述解码器网络中的基于多重注意力机制的循环卷积神经网络的参数，以实现所述基于多重注意力机制的循环卷积神经网络的参数与所多模态时序数据融合特征向量相适配。


8.一种时序数据处理模型的数据处理方法，其特征在于，所述方法包括：
获取待处理时序数据信息，并将所述待处理时序数据信息转换为相应的可识别向量信息；
通过时序数据处理模型的编码器网络，确定与向量信息所对应的至少一个隐变量；
通过所述时序数据处理模型的时序特征提取网络，确定与所述待处理时序数据信息相匹配的动态时间规整处理结果；
响应于所述动态时间规整处理结果通过所述时序数据处理模型的...

【专利技术属性】
技术研发人员：徐挺洋，蔡兴宇，黄俊洲，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44