时序数据的处理方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种时序数据的处理方法、装置、电子设备及存储介质。该方法包括，实时获取目标时序数据在多个时间跨度下的时间关联属性序列，并获取目标时序数据的至少一个时间无关属性；将各时间关联属性序列和各时间无关属性组合得到波动检测属性，并根据标准波动样本属性和波动增幅标注结果间的映射关系，以及波动检测属性，检测目标时序数据是否能在检测时间段内达到波动增幅门限；若是，则对目标时序数据进行提示；响应于用户针对目标时序数据发送的数据操作指令，识别数据操作指令的指令类型；如果指令类型符合目标时序数据的波动增幅特征，则执行数据操作指令。本发明专利技术实施例的技术方案可以有效提高检测结果的准确性，并保证检测的时效性。检测的时效性。检测的时效性。

【技术实现步骤摘要】
时序数据的处理方法、装置、电子设备及存储介质


[0001]本专利技术涉及时序数据处理的
，尤其涉及一种时序数据的处理方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，人们在日常的工作和生活中，越来越多的使用到了时序数据。所谓时序数据，是指设定指标的指标值随时间进行不断变化的数据，例如，天气数据(典型的，气温或者降雨量等)、证券交易指数数据或者某一区域的单日用电量数据等。
[0003]人们在使用时序数据时，往往希望能够对时序数据进行有效的检测，例如，检测何时能够达到当日的最高温度值等。时序数据检测是时间序列分析领域的一个重要分支，现有技术中，主要通过学习过去的时间序列的特征规律，从而预测未来一段时间内的时间序列。
[0004]然而，现有的时序数据检测技术存在检测准确度低，时效性差等问题，因此，如何能够提供一种高效、准确的时序数据检测方法是目前有待解决的一项重要问题。

技术实现思路

[0005]本专利技术实施例提供了一种时序数据的处理方法、装置、电子设备及存储介质，以实现对时序数据进行高效、准确的处理。
[0006]根据本专利技术实施例的一方面，提供了一种时序数据的处理方法，该方法包括：
[0007]实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列，并获取目标时序数据的至少一个时间无关属性；
[0008]将各时间关联属性序列和各时间无关属性组合得到波动检测属性，并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系，以及波动检测属性，检测目标时序数据是否能在检测时间段内达到波动增幅门限；
[0009]若是，则对所述目标时序数据进行提示；
[0010]响应于用户针对所述目标时序数据发送的数据操作指令，识别所述数据操作指令的指令类型；
[0011]如果所述指令类型符合所述目标时序数据的波动增幅特征，则执行所述数据操作指令。
[0012]根据本专利技术实施例的另一方面，提供了一种时序数据的处理装置，该装置包括：
[0013]属性获取模块，用于实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列，并获取目标时序数据的至少一个时间无关属性；
[0014]波动增幅检测模块，用于将各时间关联属性序列和各时间无关属性组合得到波动检测属性，并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系，以及波动检测属性，检测目标时序数据是否能在检测时间段内达到波动增幅门限；
[0015]提示模块，用于若是，则对所述目标时序数据进行提示；
[0016]指令类型识别模块，用于响应于用户针对所述目标时序数据发送的数据操作指令，识别所述数据操作指令的指令类型；
[0017]数据操作指令执行模块，用于如果所述指令类型符合所述目标时序数据的波动增幅特征，则执行所述数据操作指令。
[0018]根据本专利技术实施例的另一方面，还提供了一种电子设备，所述电子设备包括：
[0019]至少一个处理器；以及
[0020]与所述至少一个处理器通信连接的存储器；其中，
[0021]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的时序数据的处理方法。
[0022]根据本专利技术实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的时序数据的处理方法。
[0023]本专利技术实施例的技术方案，通过实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列，并获取目标时序数据的至少一个时间无关属性；将各时间关联属性序列和各时间无关属性组合得到波动检测属性，并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系，以及波动检测属性，检测目标时序数据是否能在检测时间段内达到波动增幅门限；若是，则对所述目标时序数据进行提示；响应于用户针对所述目标时序数据发送的数据操作指令，识别所述数据操作指令的指令类型；如果所述指令类型符合所述目标时序数据的波动增幅特征，则执行所述数据操作指令的技术手段，使用时序数据在多个时间跨度下的时间关联属性序列以及至少一个时间无关属性，检测时序数据是否能在检测时间段内达到波动增幅门限，综合考虑了时序数据的时移属性和时不移属性进行单一波动增幅门限的检测，可以有效提高检测结果的准确性，并保证检测的时效性，同时，本专利技术实施例的技术方案还可以对用户针对该时序数据所做的操作基于检测结果进行有效约束，避免用户误触发与该检测结果相悖的用户操作。
[0024]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0025]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是根据本专利技术实施例一提供的一种时序数据的处理方法的流程图；
[0027]图2是根据本专利技术实施例二提供的一种时序数据的处理方法的流程图；
[0028]图3是本专利技术实施例所适用的一种波动检测模型的结构示意图；
[0029]图4是本专利技术实施例所适用的另一种波动检测模型的结构示意图；
[0030]图5是根据本专利技术实施例三提供的一种时序数据的处理方法的流程图；
[0031]图6是根据本专利技术实施例四提供的一种时序数据的处理装置的结构示意图；
[0032]图7是实现本专利技术实施例的时序数据的处理方法的电子设备的结构示意图。
具体实施方式
[0033]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0034]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0035]实施例一
[0036]图1为本专利技术实施例一提供的一种时序数据的处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时序数据的处理方法，其特征在于，包括：实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列，并获取目标时序数据的至少一个时间无关属性；将各时间关联属性序列和各时间无关属性组合得到波动检测属性，并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系，以及波动检测属性，检测目标时序数据是否能在检测时间段内达到波动增幅门限；若是，则对所述目标时序数据进行提示；响应于用户针对所述目标时序数据发送的数据操作指令，识别所述数据操作指令的指令类型；如果所述指令类型符合所述目标时序数据的波动增幅特征，则执行所述数据操作指令。2.根据权利要求1所述的方法，其特征在于，在实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列之前，还包括：实时获取各备选时序数据的波动增幅，并将波动增幅超过备选增幅门限的备选时序数据确定为目标时序数据。3.根据权利要求1所述的方法，其特征在于，实时获取目标时序数据在至少两个时间跨度下的时间关联属性序列，包括：获取当前时间跨度，并针对当前时间跨度确定与目标时序数据匹配的当前历史检测区间；将当前历史检测区间按照当前时间跨度划分为多个当前历史时间段，并获取目标时序数据在每个当前历史时间段内的至少一个时间关联属性；按照各当前历史时间段的时间延伸顺序，将各当前时间关联属性组合得到与当前时间跨度匹配的时间关联属性序列。4.根据权利要求1所述的方法，其特征在于，将各时间关联属性序列和各时间无关属性组合得到波动检测属性，并根据预先构建的标准波动样本属性和波动增幅标注结果之间的映射关系，以及波动检测属性，检测目标时序数据是否能在检测时间段内达到波动增幅门限，包括：将与第一时间跨度对应的第一时间关联属性序列、与第二时间跨度对应的第二时间关联属性序列、以及各时间无关属性组合得到波动检测属性，输入至波动检测模型中；其中，波动检测模型使用预先标注有波动增幅标注结果的多个标准波动样本属性训练得到；通过波动检测模型中的第一特征提取网络对第一时间关联属性序列进行特征提取，得到第一时间关联属性特征；通过波动检测模型中的第二特征提取网络对第二时间关联属性序列进行特征提取，得到第二时间关联属性特征；通过波动检测模型中的全连接网络对第一时间关联属性特征、第二时间关联属性特征以及各时间无关属性进行全连接检测，得到目标时序数据是否能在检测时间段内达到波动增幅门限的检测结果。5.根据权利要求4所述的方法，其特征在于，第一特征提取网络以及第二特征提取网络
均为基于注意力机制的长短期记忆网络。6.根据权利要求4所述的方法，其特征在于，第一时间跨度小于第二时间跨度...

【专利技术属性】
技术研发人员：吴锴文，张莹，
申请(专利权)人：智臻人工智能科技上海有限公司，
类型：发明
国别省市：