性能指标时序数据的波形识别方法和装置制造方法及图纸

本发明专利技术提供一种性能指标时序数据的波形识别方法和装置，其中，该方法包括：采集目标系统在目标时间段内的运行数据，确定至少一个性能指标的时序数据；基于预先设定的波形识别算法，对所确定的每个性能指标的时序数据进行波形特征识别；其中，所述波形识别算法包括突升突降型识别算法、周期型识别算法、趋势型识别算法和阶梯型识别算法；将识别得到的波形特征输入分类模型，得到所述分类模型输出的每个所述性能指标在所述目标时间段内波形形态的预测结果；其中，所述分类模型是基于性能指标样本的时序数据的波形特征与其所标注的波形形态训练得到。本发明专利技术可以实现对性能指标的时序数据波形形态的准确预测。数据波形形态的准确预测。数据波形形态的准确预测。

【技术实现步骤摘要】
性能指标时序数据的波形识别方法和装置


[0001]本专利技术涉及计算机
，尤其涉及一种性能指标时序数据的波形识别方法和装置。

技术介绍

[0002]现有波形识别方法大多是应用于信号处理领域，在信号处理领域由于信号的波形多为周期型，因此波形识别方法通常仅适用于周期型波形，例如，通过曲线拟合的方法和采用小波分析、傅立叶变换的方法。
[0003]其中，通过曲线拟合的方法进行波形识别，是通过预设曲线方程来拟合当前的波形形态，这种方法对于特征较为明显的周期型波形具有较高的准确率，但是对于其它类型波形识别准确率较低。采用小波分析、傅立叶变换的方法进行波形识别，分析的也大多为周期型波形，对于周期型波形具有较高的准确率，对于其它类型波形识别准确率则较低。
[0004]由于性能指标的时序数据变化复杂，类型众多，现有的应用于信号处理领域的波形识别方法无法满足对性能指标的时序数据的波形识别的需求。

技术实现思路

[0005]本专利技术提供一种性能指标时序数据的波形识别方法和装置，用以解决现有技术缺少对性能指标的时序数据的波形识别方法的缺陷，可以实现对性能指标的时序数据波形形态的准确预测。
[0006]第一方面，本专利技术提供一种性能指标时序数据的波形识别方法，包括：
[0007]采集目标系统在目标时间段内的运行数据，确定至少一个性能指标的时序数据；
[0008]基于预先设定的波形识别算法，对所确定的每个性能指标的时序数据进行波形特征识别；其中，所述波形识别算法包括突升突降型识别算法、周期型识别算法、趋势型识别算法和阶梯型识别算法；
[0009]将识别得到的波形特征输入分类模型，得到所述分类模型输出的每个所述性能指标在所述目标时间段内波形形态的预测结果；其中，所述分类模型是基于性能指标样本的时序数据的波形特征与其所标注的波形形态训练得到。
[0010]根据本专利技术提供的性能指标时序数据的波形识别方法，所述基于预先设定的波形识别算法，对所确定的每个性能指标的时序数据进行波形特征识别，包括：
[0011]基于预先设定的突升突降型识别算法，对每个所述性能指标的时序数据进行突升突降型波形特征识别；
[0012]基于预先设定的周期型识别算法，对每个所述性能指标的时序数据进行周期型波形特征识别；
[0013]基于预先设定的趋势型识别算法，对每个所述性能指标的时序数据进行趋势型波形特征识别；
[0014]基于预先设定的阶梯型识别算法，对每个所述性能指标的时序数据进行阶梯型波
形特征识别；
[0015]对每个所述性能指标的时序数据进行突升突降型波形特征识别、周期型波形特征识别、趋势型波形特征识别和阶梯型波形特征识别得到的特征进行汇聚，得到每个所述性能指标的时序数据的波形特征。
[0016]根据本专利技术提供的性能指标时序数据的波形识别方法，所述基于预先设定的突升突降型识别算法，对每个所述性能指标的时序数据进行突升突降型波形特征识别，包括：
[0017]确定每个所述性能指标的时序数据中的极值，并确定每个所述极值附近目标数量的时序数据的平均值；
[0018]基于所确定的极值及其附近时序数据的平均值，确定每个所述性能指标的时序数据中的峰值，并确定每个所述峰值在所述目标时间段的占比；
[0019]若所确定的峰值占比在预先设定的峰值占比阈值区间内，则确定对应的性能指标的时序数据具有突升突降型波形特征；和/或，
[0020]确定每个所述性能指标的时序数据的平均值，并确定每个所述性能指标的时序数据的标准差；
[0021]基于所确定的标准差的三倍标准差和对应的平均值，确定每个所述性能指标的时序数据的范围；
[0022]若所述性能指标的时序数据中具有不在所确定的对应性能指标的时序数据的范围内的数据，则确定对应的性能指标的时序数据具有突升突降型波形特征。
[0023]根据本专利技术提供的性能指标时序数据的波形识别方法，所述基于预先设定的周期型识别算法，对每个所述性能指标的时序数据进行周期型波形特征识别，包括：
[0024]基于每个所述性能指标的时序数据中每个数据与其前后数据之间的大小关系，确定每个所述性能指标的时序数据中的波峰；
[0025]若所述性能指标的时序数据中波峰的数量大于预先设定的第一数量阈值，则确定对应的性能指标的时序数据中的递增子序列和递减子序列和/或常数子序列；
[0026]若所确定的相同类型的子序列的差分为固定值，则基于数据在子序列中出现的次数大于预先设定的次数阈值，确定对应的性能指标的时序数据具有周期型波形特征；和/或，
[0027]基于每个所述性能指标的时序数据构建对应的性能指标时序数据的波形，并对所构建的每个性能指标时序数据的波形进行快速傅立叶变换，得到每个所述性能指标的时序数据的振幅谱；
[0028]若所述性能指标的时序数据的振幅谱中拐点的数量小于预先设定的第二数量阈值，则确定对应的性能指标的时序数据具有周期型波形特征；
[0029]基于预先设定的时间窗口，确定具有所述周期型波形特征的性能指标时序数据的波形在不同时间窗口中的自相关系数，得到具有所述周期型波形特征的性能指标的时序数据的周期。
[0030]根据本专利技术提供的性能指标时序数据的波形识别方法，所述基于预先设定的趋势型识别算法，对每个所述性能指标的时序数据进行趋势型波形特征识别，包括：
[0031]对每个所述性能指标的时序数据进行一阶多项式拟合，得到每个所述性能指标的时序数据对应的直线；
[0032]确定每个所述性能指标的时序数据在所确定的对应直线的两侧偏离所述直线的最大距离之和；
[0033]若所确定的所述性能指标的时序数据偏离对应直线的最大距离之和小于预先设定的距离阈值，则确定对应的性能指标的时序数据具有趋势型波形特征。
[0034]根据本专利技术提供的性能指标时序数据的波形识别方法，所述基于预先设定的阶梯型识别算法，对每个所述性能指标的时序数据进行阶梯型波形特征识别，包括：
[0035]基于预先设定的时间窗口，对每个所述性能指标的时序数据进行抽样；
[0036]若抽样数据中的数据的种类小于预先设定第三数量阈值，则确定对应的性能指标的时序数据具有阶梯型波形特征。
[0037]根据本专利技术提供的性能指标时序数据的波形识别方法，所述对每个所述性能指标的时序数据进行突升突降型波形特征识别、周期型波形特征识别、趋势型波形特征识别和阶梯型波形特征识别得到的特征进行汇聚，得到每个所述性能指标的时序数据的波形特征，包括：
[0038]对每个所述性能指标的时序数据进行突升突降型波形特征识别、周期型波形特征识别、趋势型波形特征识别和阶梯型波形特征识别得到的特征进行汇聚，并转换为数值型特征，得到每个所述性能指标的时序数据的波形特征向量；
[0039]所述将识别得到的波形特征输入分类模型，得到所述分类模型输出的每个所述性能指标在所述目标时间段内波形形态的预测结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种性能指标时序数据的波形识别方法，其特征在于，包括：采集目标系统在目标时间段内的运行数据，确定至少一个性能指标的时序数据；基于预先设定的波形识别算法，对所确定的每个性能指标的时序数据进行波形特征识别；其中，所述波形识别算法包括突升突降型识别算法、周期型识别算法、趋势型识别算法和阶梯型识别算法；将识别得到的波形特征输入分类模型，得到所述分类模型输出的每个所述性能指标在所述目标时间段内波形形态的预测结果；其中，所述分类模型是基于性能指标样本的时序数据的波形特征与其所标注的波形形态训练得到。2.根据权利要求1所述的性能指标时序数据的波形识别方法，其特征在于，所述基于预先设定的波形识别算法，对所确定的每个性能指标的时序数据进行波形特征识别，包括：基于预先设定的突升突降型识别算法，对每个所述性能指标的时序数据进行突升突降型波形特征识别；基于预先设定的周期型识别算法，对每个所述性能指标的时序数据进行周期型波形特征识别；基于预先设定的趋势型识别算法，对每个所述性能指标的时序数据进行趋势型波形特征识别；基于预先设定的阶梯型识别算法，对每个所述性能指标的时序数据进行阶梯型波形特征识别；对每个所述性能指标的时序数据进行突升突降型波形特征识别、周期型波形特征识别、趋势型波形特征识别和阶梯型波形特征识别得到的特征进行汇聚，得到每个所述性能指标的时序数据的波形特征。3.根据权利要求2所述的性能指标时序数据的波形识别方法，其特征在于，所述基于预先设定的突升突降型识别算法，对每个所述性能指标的时序数据进行突升突降型波形特征识别，包括：确定每个所述性能指标的时序数据中的极值，并确定每个所述极值附近目标数量的时序数据的平均值；基于所确定的极值及其附近时序数据的平均值，确定每个所述性能指标的时序数据中的峰值，并确定每个所述峰值在所述目标时间段的占比；若所确定的峰值占比在预先设定的峰值占比阈值区间内，则确定对应的性能指标的时序数据具有突升突降型波形特征；和/或，确定每个所述性能指标的时序数据的平均值，并确定每个所述性能指标的时序数据的标准差；基于所确定的标准差的三倍标准差和对应的平均值，确定每个所述性能指标的时序数据的范围；若所述性能指标的时序数据中具有不在所确定的对应性能指标的时序数据的范围内的数据，则确定对应的性能指标的时序数据具有突升突降型波形特征。4.根据权利要求2所述的性能指标时序数据的波形识别方法，其特征在于，所述基于预先设定的周期型识别算法，对每个所述性能指标的时序数据进行周期型波形特征识别，包括：
基于每个所述性能指标的时序数据中每个数据与其前后数据之间的大小关系，确定每个所述性能指标的时序数据中的波峰；若所述性能指标的时序数据中波峰的数量大于预先设定的第一数量阈值，则确定对应的性能指标的时序数据中的递增子序列和递减子序列和/或常数子序列；若所确定的相同类型的子序列的差分为固定值，则基于数据在子序列中出现的次数大于预先设定的次数阈值，确定对应的性能指标的时序数据具有周期型波形特征；和/或，基于每个所述性能指标的时序数据构建对应的性能指标时序数据的波形，并对所构建的每个性能指标时序数据的波形进行快速傅立叶变换，得到每个所述性能指标的时序数据的振幅谱；若所述性能...

【专利技术属性】
技术研发人员：易存道，
申请(专利权)人：北京宝兰德软件股份有限公司，
类型：发明
国别省市：