【技术实现步骤摘要】
数据处理方法、存储介质和电子设备
[0001]本申请涉及计算机技术和人工智能领域，具体而言，涉及一种数据处理方法、存储介质和电子设备。
技术介绍
[0002]时间序列预测是许多应用场景（如电力场景和气象场景等）中常见且重要的任务之一。然而现有技术提供的时间序列预测方法是基于训练数据不存在异常点的假设完成的，这一假设并不符合场景现实情况，因此，现有的时间序列预测方法难以满足应用场景中时间序列预测任务的准确度和鲁棒性需求。如何基于存在异常点的训练数据训练时间序列预测模型以提高时间序列预测的准确度进一步提升电力场景或网络场景中数据分析准确度以及决策和运营效率成为相关
中的重要问题之一，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
[0003]本申请实施例提供了一种数据处理方法、存储介质和电子设备，以至少解决由于现有技术中缺乏准确的数据处理方法造成的时间序列预测准确度低、对多种异常值类型鲁棒性差的技术问题。
[0004]根据本申请实施例的一个方面，提供了一种数据处理方法，包括：获取时间序列...
【技术保护点】
【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取时间序列数据，其中，所述时间序列数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据，所述时间序列数据为预设应用场景中的时间序列数据，所述目标应用属性为所述预设应用场景对应的场景应用属性，所述预设应用场景为电力应用场景或网络应用场景；对所述时间序列数据进行时序分解，得到时序分解结果；对所述时序分解结果进行样本选择，得到样本选择结果；对所述样本选择结果进行时序预测，得到时序预测结果，其中，所述时序预测结果用于表示所述目标应用属性在未来时间范围内的预测数据。2.根据权利要求1所述的数据处理方法，其特征在于，对所述时序分解结果进行样本选择，得到所述样本选择结果包括：采用样本选择模型对所述时序分解结果进行样本选择，得到所述样本选择结果，其中，所述样本选择模型用于通过对所述时序分解结果进行趋势分析，从所述时序分解结果中获取所述样本选择结果。3.根据权利要求2所述的数据处理方法，其特征在于，对所述时序分解结果进行样本选择，得到所述样本选择结果包括：对所述时序分解结果进行趋势分析，得到趋势分析结果；对所述趋势分析结果与所述时间序列数据对应的观测值进行残差计算，得到第一计算结果；基于所述第一计算结果确定所述时间序列数据的异常得分；通过所述异常得分从所述时间序列数据中选取部分数据，得到所述样本选择结果。4.根据权利要求3所述的数据处理方法，其特征在于，对所述时序分解结果进行趋势分析，得到所述趋势分析结果包括：基于所述时间序列数据的异常类型对所述时序分解结果进行趋势分析，得到趋势分析结果，其中，所述异常类型包括：常数型异常、缺失型异常和高斯型异常。5.根据权利要求1所述的数据处理方法，其特征在于，对所述样本选择结果进行时序预测，得到所述时序预测结果包括：采用目标时间序列预测模型对所述样本选择结果进行时序预测，得到所述时序预测结果，其中，所述目标时间序列预测模型采用多组数据通过机器学习训练得到，所述多组数据包括：目标时间序列样本和所述目标时间序列样本对应的标签。6.根据权利要求5所述的数据处理方法，其特征在于，所述数据处理方法还包括：采用样本选择模型对初始时间序列样本进行样本选择，得到所述目标时间序列样本。7.根据权利要求6所述的数据处理方法，其特征在于，所述数据处理方法还包括：采用初始时间序列预测模型对所述目标时间序列样本进行时序预测，得到时间序列表征；对所述时间序列表征与标签进行损失计算，得到第二计算结果，其中，所述标签由所述目标时间序列样本对应的异常类型确定；基于所述第二计算结果对所述初始时间序列预测模型的超参数进行更新，得到所述目标时间序列预测模型。
8.根据权利要求1所述的数据处理方法，其特征在于，通过终端设备提供一图形用户界面，所述图形用户界面所显示的内容至少部分地包含一时间序列预测场景，所述数据处理方法还包括：响应作用于所述图形用户界面的第一触控操作，选取目标应用场景类型；响应作用于所述图形用户界面的第二触控操作，选取所述目标应用场景类型对应的所述目标应用属性与所述历史时间范围，确定所述时间序列数据；响应作用于所述图形用户界面的第三触控操作，选取时序分解方式和样本选择方式；响应作用于所述图形用户界面的第四触控操作，采用所述时序分解方式对所述时间序列数据进行时序分解以得...
【专利技术属性】
技术研发人员：文青松，程昊，孙亮，
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。