数据预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例提供一种数据预测方法、装置、电子设备及存储介质。本发明专利技术实施例通过利用异常检测模型对各个第一指标对应的指标数据序列分别进行检测，得到异常数据序列，根据所述异常数据序列，确定异常指标特征序列，将所述异常数据序列和所述异常指标特征序列输入已训练好的时间卷积网络模型，得到所述时间卷积网络模型输出的异常指标的下一个预测数据值，能够实时自动获得多个指标的预测结果，为辅助决策提供更好的支撑。

【技术实现步骤摘要】
数据预测方法、装置、电子设备及存储介质
本专利技术涉及数据处理
，尤其涉及一种数据预测方法、装置、电子设备及存储介质。
技术介绍
在城市发展的进程中，对于城市的管理和运行监控也在进行数字化转型。城市的管理者需要基于覆盖城市运行的各个领域的指标数据来辅助决策。相关技术中，能够在同一个平台中接入多个领域对应的指标数据，并进行展示。这种技术所能够提供的信息十分有限，无法为辅助决策提供有力的支撑。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供了一种数据预测方法、装置、电子设备及存储介质。根据本专利技术实施例的第一方面，提供一种数据预测方法，包括：利用异常检测模型对各个第一指标对应的指标数据序列分别进行检测，得到异常数据序列；所述指标数据序列中的各个数据按照数据产生的时间顺序排列；根据所述异常数据序列，确定异常指标特征序列；将所述异常数据序列和所述异常指标特征序列输入已训练好的时间卷积网络模型，得到所述时间卷积网络模型输出的异常指标的下一个预测数据值，所述异常指标为所述异常数据序列对应的指标。根据本专利技术实施例的第二方面，提供一种数据预测装置，包括：第一检测模块，用于利用异常检测模型对各个第一指标对应的指标数据序列分别进行检测，得到异常数据序列；所述指标数据序列中的各个数据按照数据产生的时间顺序排列；确定模块，用于根据所述异常数据序列，确定异常指标特征序列；预测模块，用于将所述异常数据序列和所述异常指标特征序列输入已训练好的时间卷积网络模型，得到所述时间卷积网络模型输出的异常指标的下一个预测数据值，所述异常指标为所述异常数据序列对应的指标。根据本专利技术实施例的第三方面，提供一种电子设备，包括：用于存储处理器的可执行指令的存储器；所述处理器，用于执行所述指令，以实现第一方面任一项所述的方法。根据本专利技术实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有若干计算机指令，所述计算机指令被执行时实现第一方面任一项所述的方法。本专利技术实施例提供的技术方案可以包括以下有益效果：本专利技术实施例，通过利用异常检测模型对各个第一指标对应的指标数据序列分别进行检测，得到异常数据序列，根据所述异常数据序列，确定异常指标特征序列，将所述异常数据序列和所述异常指标特征序列输入已训练好的时间卷积网络模型，得到所述时间卷积网络模型输出的异常指标的下一个预测数据值，能够实时自动获得多个指标的预测结果，为辅助决策提供更好的支撑。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。图1是本专利技术实施例提供的数据预测方法的流程示例图。图2是本专利技术实施例提供的数据预测装置的功能方块图。图3是本专利技术实施例提供的电子设备的一个硬件结构图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术实施例的一些方面相一致的装置和方法的例子。在本专利技术实施例使用的术语是仅仅出于描述特定本专利技术实施例的目的，而非旨在限制本专利技术实施例。在本专利技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本专利技术实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本专利技术实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。本专利技术实施例提供的数据预测方法，可以用于对整个城市的多领域多专题的多个指标进行预测预警，以方便对城市进行管理和运行监控。在本专利技术实施例中，数据预测方法可以运行在服务器上。该服务器可以首先接入多个指标的指标数据。其中，每个指标中的指标数据均按照该数据产生的时间顺序进行排列。其中，多个指标可以包括城市级的经济、政治、文化、生态、民生等领域的指标。服务器可以为每个指标设置相应的指标编码，不同指标对应的指标编码不同。例如，经济领域的指标对应的指标编码可以设置为A，政治领域的指标对应的指标编码可以设置为B……等等。对于不同的指标，其对应的指标数据的产生周期可以是不同的。例如，对于指标C，可以每个月产生一个指标数据，对于指标D，可以每天产生一个指标数据，对于指标E，可以每周产生一个指标数据。服务器可以按照指标数据的产生周期，读取对应指标的数据。例如，对于上述的指标C，读取周期可以设置为一个月，对于上述的指标D，读取周期可以设置为一天。本实施例中，将所有指标分为两种，一种指标本文中称为第一指标，另一种指标本文中称为第二指标。其中，第一指标是通过模型来预测的指标，第一指标采用如下图1所示实施例的方法进行处理。第二指标是通过业务阈值来预测的指标。在应用中，可以为每种指标的数据设置对应的标签信息，其中标签信息用于指示标签类型(标签类型例如为第一指标、第二指标)，通过标签信息指示指标为第一指标还是第二指标。例如，标签信息为1表示第一指标，标签信息为0表示第二指标。则系统在读取指标数据时，可以通过指标对应的标签信息来确定指标的预测方式。下面通过实施例对本专利技术提供的数据预测方法进行详细说明。图1是本专利技术实施例提供的数据预测方法的流程示例图。如图1所示，数据预测方法可以包括：S101，利用异常检测模型对各个第一指标对应的指标数据序列分别进行检测，得到异常数据序列；所述指标数据序列中的各个数据按照数据产生的时间顺序排列。S102，根据所述异常数据序列，确定异常指标特征序列。S103，将所述异常数据序列和所述异常指标特征序列输入已训练好的时间卷积网络TCN(TemporalConvolutionalNetworks)模型，得到所述时间卷积网络模型输出的异常指标的下一个预测数据值，所述异常指标为所述异常数据序列对应的指标。在一个示例中，在步骤S101之前，还可以包括：从当前指标数据中读取用于指示指标类型的标签信息；根据所述标签信息，识别当前指标类型；若当前指标类型为第一指标，执行利用异常检测模型对各个第一指标对应的指标数据序列分别进行检测，得到异常数据序列的步骤。需要说明的是，每个第一指标对应一个指标数据序列。其中，不同第一指标对本文档来自技高网...

【技术保护点】
1.一种数据预测方法，其特征在于，包括：/n利用异常检测模型对各个第一指标对应的指标数据序列分别进行检测，得到异常数据序列；所述指标数据序列中的各个数据按照数据产生的时间顺序排列；/n根据所述异常数据序列，确定异常指标特征序列；/n将所述异常数据序列和所述异常指标特征序列输入已训练好的时间卷积网络模型，得到所述时间卷积网络模型输出的异常指标的下一个预测数据值，所述异常指标为所述异常数据序列对应的指标。/n

【技术特征摘要】
1.一种数据预测方法，其特征在于，包括：
利用异常检测模型对各个第一指标对应的指标数据序列分别进行检测，得到异常数据序列；所述指标数据序列中的各个数据按照数据产生的时间顺序排列；
根据所述异常数据序列，确定异常指标特征序列；
将所述异常数据序列和所述异常指标特征序列输入已训练好的时间卷积网络模型，得到所述时间卷积网络模型输出的异常指标的下一个预测数据值，所述异常指标为所述异常数据序列对应的指标。


2.根据权利要求1所述的方法，其特征在于，还包括：
获取所述异常指标的下一个实际指标数据值；
根据所述实际指标数据值与所述预测数据值，确定所述预测数据值对应的异常特征值；
根据所述异常特征值更新所述异常指标特征序列，根据所述实际指标数据值更新所述异常数据序列；
利用更新后的异常指标特征序列和更新后的异常数据序列对所述时间卷积网络模型进行优化。


3.根据权利要求2所述的方法，其特征在于，利用更新后的异常指标特征序列和更新后的异常数据序列对所述时间卷积网络模型进行优化，包括：
根据更新后的异常指标特征序列和更新后的异常数据序列，更新所述异常指标的历史数据；
根据更新后的所述异常指标的历史数据，构造所述异常指标对应的训练数据；
基于所述训练数据对所述时间卷积网络模型进行训练，得到参数优化后的时间卷积网络模型。


4.根据权利要求1所述的方法，其特征在于，所述异常检测模型对指标数据序列进行检测的方法包括：
根据指标数据序列中的所有数据值，确定指标数据序列中所有数据的平均值和标准差；
根据所述平均值和所述标准差，确定指标数据序列对应的目标区间范围；
判断指标数据序列中的所有数据值是否都处于所述目标区间范围内，若是则确定指标数据序列为正常数据序列，否则确定指标数据序列为异常数据序列，并确定指标数据序列中不处于所述目标区间范围内的数据值为异常值。


5.根据权利要求2所述的方法，其特征在于，根据所述实际指标数据值与所述预测数据值，确定所述预测数据值对应的异常特征值，包括：
根据所述预测数据值，确定对应的预测指标数据值；
根据所述实际指标数据值与所述预测指标数据值，确定波动函数值；
若所述波动函数值大于预设的波动阈值，输出第一值；所述第一值用于指示指标异常；
若接收到针对所述第一值返回的确认异常信息，则将所述预测数据值对应的异常特征值设置为第一值。


6.根据权利要求1所述的方法，其特征在于，利用异常检测模型对各个第一指标对应的指标数据序列分别进行检测，得到异常数据序列之前...

【专利技术属性】
技术研发人员：周菲菲，
申请(专利权)人：杭州数梦工场科技有限公司，
类型：发明
国别省市：浙江;33