本发明专利技术公开了一种时间序列数据的预测方法、装置、存储介质及处理器。其中，该方法包括：获取参考数据，其中，参考数据为预设时间段内物联网设备中目标指标的数据；将参考数据输入时间序列预测模型，预测得到目标指标在目标时间段内的时间序列预测数据，其中，时间序列预测模型是基于卷积的神经网络；对时间序列预测数据进行去噪处理，得到目标指标在目标时间段内的时间序列数据。本发明专利技术解决了相关技术中获取时间序列数据的效率较低的技术问题。取时间序列数据的效率较低的技术问题。取时间序列数据的效率较低的技术问题。
【技术实现步骤摘要】
时间序列数据的预测方法、装置、存储介质及处理器
[0001]本专利技术涉及信息处理
，具体而言，涉及一种时间序列数据的预测方法、装置、存储介质及处理器。
技术介绍
[0002]作为物联网平台最主要的数据模式：时间序列数据，对其进行智能化处理和预测具有重要的意义，可以应用在设备运行状态监测、各行业生产指标预测等多个领域。
[0003]为了得到时间序列数据，传统时序建模方法采用的是ARMA/ARIMA等线性模型，其中，ARIMA是一种比较常用的基于历史数据来做预测的时间序列模型，ARIMA的全称是auto
‑
regressive integrated moving average，主要是由三个参数确定的，即(p,d,q)。参数p是指回归过程中某个时间点的取值依赖于过去的p个时间点的取值。参数d表示差分 I(d) 的阶，差分即为用当前的值减去之前的值。差分主要用于将不平稳的序列平稳化。阶数q表示当前的误差依赖于之前q个误差。这三个成分使得ARIMA模型不具有季节性，可以写成线性方程。另外，采用的xgboot等传统机器学习模型,XGBoost的全称是eXtreme Gradient Boosting，它是经过优化的分布式梯度提升数，旨在高效、灵活且可移植，本质是决策树的升级。然而，传统时序建模方法，要求时序数据是稳定的，或者是通过差分化后是稳定的，本质上只能捕捉线性关系，而不能捕捉非线性关系。另外，xgboot等传统机器学习模型，需要针对不同领域的时间序列构建人工特征，不适合进行产品化标准，因此，获取时间序列数据的效率较低。
[0004]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本专利技术实施例提供了一种时间序列数据的预测方法、装置、存储介质及处理器，以至少解决相关技术中获取时间序列数据的效率较低的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种时间序列数据的预测方法，包括：获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
[0007]进一步地，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。
[0008]进一步地，根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态，包括：计算所述实际数据与所述时间序列数据的差值；若所述差值超过预设阈值，则确定所述物联网设备的运行状态存在异常。
[0009]进一步地，若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。
[0010]进一步地，所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。
[0011]进一步地，所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据包括：将所述参考数据输入所述因果卷积层和所述门控控制层；将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。
[0012]进一步地，在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，所述方法还包括：搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。
[0013]进一步地，采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，包括：将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二；将所述时间序列数据一和所述时间序列数据二通过所述残差网络层，得到差异向量；将所述差异向量通过多个卷积处理，得到时间序列预测数据。
[0014]进一步地，所述门控控制层中包括第一预设激活函数和第二预设激活函数， 所述第一预设激活函数和所述第二预设激活函数用于增加时间序列数据一的非线性关系，将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二，包括：将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；将所述处理后的第一时间序列数据和所述处理后的第二时间序列数据相乘，得到所述时间序列数据二。
[0015]进一步地，所述多个卷积包括：第一卷积层，第二卷积层以及全连接网络层，将所述差异向量通过多个卷积处理，得到时间序列预测数据，包括：将所述差异向量输入所述第一卷积层进行处理，得到处理后的差异向量一；将所述处理后的差异向量一输入所述第二卷积层进行处理，得到处理后的差异向量二；将所述处理后的差异向量二通过所述全连接网络层进行处理，得到所述时间序列预测数据。
[0016]进一步地，对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据，包括：对所述时间序列预测数据进行小波多尺度分解，得到分解后的时间序列预测数据；对所述时间序列预测数据的小波变换系数进行非线性阈值处理，得到处理后的小波变换系数；采用所述处理后的小波变换系数对所述分解后的时间序列预测数据进行重构，得到所述目标指标在所述目标时间段内的时间序列数据。
[0017]根据本专利技术实施例的另一方面，还提供了一种一种时间序列数据的预测装置，包括：第一获取单元，用于获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；预测单元，用于将所述参考数据输入时间序列预测模型，预测得到所述目
标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；第一处理单元，用于对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。
[0018]进一步地，所述装置还包括：采集单元，用于在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；监控单元，用于根据所述实际数据和所述时间序列数据监控所述物联本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种时间序列数据的预测方法，其特征在于，包括：获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。2.根据权利要求1所述的方法，其特征在于，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。3.根据权利要求2所述的方法，其特征在于，根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态，包括：计算所述实际数据与所述时间序列数据的差值；若所述差值超过预设阈值，则确定所述物联网设备的运行状态存在异常。4.根据权利要求1所述的方法，其特征在于，若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。5.根据权利要求1所述的方法，其特征在于，所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。6.根据权利要求5所述的方法，其特征在于，所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据包括：将所述参考数据输入所述因果卷积层和所述门控控制层；将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。7.根据权利要求6所述的方法，其特征在于，在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，所述方法还包括：搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。8.根据权利要求7所述的方法，其特征在于，采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，包括：将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；将所述时间序列数据...
【专利技术属性】
技术研发人员：王巍巍，陈曦，罗伟，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。