时间序列数据预测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种时间序列数据预测方法、装置、设备及存储介质，该方法包括：获取待处理时间序列，确定待处理时间序列的时域特征数据，并根据时域特征数据确定待处理时间序列的频域特征数据；待处理时间序列用于表征待预测对象在多个检测时间的运行数据；将时域特征数据通过预测模型进行特征提取处理，得到时域特征表示，以及将频域特征数据通过预测模型进行特征提取处理，得到频域特征表示；利用预测模型对时域特征表示和频域特征表示进行融合处理，得到融合特征数据，并对融合特征数据进行分类预测，得到待预测对象的预测结果。该方案能够通过预测模型提取到更全面的时间序列表征信息，并基于更为全面的信息进行分类预测，提高了预测的准确度。提高了预测的准确度。提高了预测的准确度。

【技术实现步骤摘要】
时间序列数据预测方法、装置、设备及存储介质


[0001]本专利技术一般涉及数据处理
，具体涉及一种时间序列数据预测方法、装置、设备及存储介质。

技术介绍

[0002]随着信息化技术的快速发展，时间序列的表征学习能够以向量嵌入的形式提供时间表示，并自动捕捉细粒度的时序特征，其作为一种人工智能算法能够自动从数据中学习和提取时序信息，已经被越来越多地应用在各个不同场景中，例如电力、燃气、风力、供热负荷预测、机械设备故障诊断、异常点检测和智能运维等场景。为了更好地利用时间序列表征学习来预测目标任务，研究如何进行对目标任务进行预测显得尤为重要。
[0003]目前，相关技术中可以基于参考数据集构建时间序列预训练模型，然后采用时间序列预训练模型对特征数据进行预测，然而该方案在进行预测的过程中所利用的数据集存在特征片面的问题，难以提取到时间序列数据的内在特性，导致在对目标任务进行预测的准确度较低。

技术实现思路

[0004]鉴于现有技术中的上述缺陷或不足，期望提供一种时间序列数据预测方法、装置、设备及存储介质。
[0005]第一方面，本专利技术提供了一种时间序列数据预测方法，该方法包括：
[0006]获取待处理时间序列，确定待处理时间序列的时域特征数据，并根据时域特征数据确定待处理时间序列的频域特征数据；待处理时间序列用于表征待预测对象在多个检测时间的运行数据；
[0007]将时域特征数据通过预测模型进行特征提取处理，得到时域特征表示，以及将频域特征数据通过预测模型进行特征提取处理，得到频域特征表示；
[0008]利用预测模型对时域特征表示和频域特征表示进行融合处理，得到融合特征数据，并对融合特征数据进行分类预测，得到待预测对象的预测结果。
[0009]在其中一个实施例中，预测模型包括第一编码模块，将时域特征数据通过预测模型进行特征提取处理，得到时域特征表示，包括：
[0010]将时域特征数据数输入第一编码模块，利用第一编码模块对输入的时域特征数据进行归一化和分片处理，得到时域分片数据；
[0011]将时域分片数据映射至高维空间得到时域高维数据，并对时域高维数据进行位置编码，得到添加位置编码后的时域高维数据；
[0012]对添加位置编码后的时域高维数据进行编码处理，得到时域编码数据；
[0013]对时域编码数据进行线性映射处理，得到时域线性特征；
[0014]将时域线性特征通过分类模块进行映射处理，得到时域特征表示。
[0015]在其中一个实施例中，预测模型还包括第二编码模块，将频域特征数据通过预测
模型进行特征提取处理，得到频域特征表示，包括：
[0016]将频域特征数据数输入第二编码模块，利用第二编码模块对输入的频域特征数据进行归一化和分片处理，得到频域分片数据；
[0017]将频域分片数据映射至高维空间得到频域高维数据，并对频域高维数据进行位置编码，得到添加位置编码后的频域高维数据；
[0018]对添加位置编码后的频域高维数据进行编码处理，得到频域编码数据；
[0019]对频域编码数据进行线性映射处理，得到频域线性特征；
[0020]将频域线性特征通过分类模块进行映射处理，得到频域特征表示。
[0021]在其中一个实施例中，预测模型的训练过程包括如下步骤：
[0022]获取样本时间序列；样本时间序列包括时域样本特征数据和频域样本特征数据，样本时间序列数据标注有历史标注结果；
[0023]分别对时域样本特征数据进行两次数据增强处理得到两组时域增强数据，并对频域样本特征数据进行两次数据增强处理得到两组频域增强数据；
[0024]基于两组时域增强数据、两组频域增强数据和历史标注结果对初始预测模型进行迭代训练，得到预测模型。
[0025]在其中一个实施例中，初始预测模型包括初始特征提取网络和初始分类网络，基于两组时域增强数据、两组频域增强数据和历史标注结果对初始预测模型进行迭代训练，得到预测模型，包括：
[0026]将两组时域增强数据分别通过初始特征提取网络中的第一编码模块进行特征提取处理，得到两组样本时域特征表示，并行地将两组频域增强数据通过初始特征提取网络中的第二编码模块进行特征提取处理，得到两组样本频域特征表示；
[0027]基于两组样本时域特征表示和两组样本频域特征表示通过初始特征提取网络中的融合编码模块进行融合和特征提取处理，得到时域融合特征信息和频域融合特征信息；
[0028]基于两组样本时域特征表示、两组样本频域特征表示、时域融合特征信息和频域融合特征信息构建对比损失函数，按照对比损失函数最小化迭代训练第一编码模块、第二编码模块和融合编码模块的参数，得到预测模型的特征提取网络；
[0029]基于特征提取网络和历史标注结果对初始预测模型的初始分类网络进行迭代训练，得到预测模型。
[0030]在其中一个实施例中，基于特征提取网络和历史标注结果对初始预测模型的初始分类网络进行迭代训练，得到预测模型，包括：
[0031]将时域样本特征数据通过特征提取网络中的第一编码模块进行特征提取处理，得到时域数据，并将频域样本特征数据通过特征提取网络中的第二编码模块进行特征提取处理，得到频域数据；
[0032]将时域数据和频域数据进行融合处理得到融合数据，将融合数据通过特征提取网络中的融合编码模块进行特征提取处理，得到融合结果；
[0033]将融合结果通过初始分类网络进行分类预测，得到输出结果；
[0034]基于输出结果和历史标注结果构建分类损失函数，按照分类损失函数最小化，迭代训练初始分类网络的参数，得到预测模型的分类网络。
[0035]在其中一个实施例中，对比损失函数包括第一分量、第二分量以及第三分量；
[0036]第一分量用于表征两组样本时域特征表示之间的差异损失；
[0037]第二分量用于表征两组样本频域特征表示之间的差异损失；
[0038]第三分量用于表征时域融合特征信息和频域融合特征信息之间的差异损失。
[0039]在其中一个实施例中，两组时域增强数据中的任一时域增强数据通过如下至少一种方式进行处理得到：对时域样本特征数据进行上采样、下采样、添加噪声、翻转和分解处理；
[0040]两组频域增强数据中的任一频域增强数据通过如下至少一种方式进行处理得到：将频域样本特征数据进行幅值、相位调整、扰动、增加和删除处理。
[0041]第二方面，本申请实施例提供了时间序列数据预测装置，该装置包括：
[0042]获取模块，用于获取待处理时间序列，确定待处理时间序列的时域特征数据，并根据时域特征数据确定待处理时间序列的频域特征数据；待处理时间序列用于表征待预测对象在多个检测时间的运行数据；
[0043]特征提取模块，用于将时域特征数据通过预测模型进行特征提取处理，得到时域特征表示，以及将频域特征数据通过预测模型进行特征提取处理，得到频域特征表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时间序列数据预测方法，其特征在于，该方法包括：获取待处理时间序列，确定所述待处理时间序列的时域特征数据，并根据所述时域特征数据确定所述待处理时间序列的频域特征数据；所述待处理时间序列用于表征待预测对象在多个检测时间的运行数据；将所述时域特征数据通过预测模型进行特征提取处理，得到时域特征表示，以及将所述频域特征数据通过预测模型进行特征提取处理，得到频域特征表示；利用所述预测模型对所述时域特征表示和所述频域特征表示进行融合处理，得到融合特征数据，并对所述融合特征数据进行分类预测，得到所述待预测对象的预测结果。2.根据权利要求1所述的方法，其特征在于，所述预测模型包括第一编码模块，将所述时域特征数据通过预测模型进行特征提取处理，得到时域特征表示，包括：将所述时域特征数据数输入所述第一编码模块，利用所述第一编码模块对输入的时域特征数据进行归一化和分片处理，得到时域分片数据；将所述时域分片数据映射至高维空间得到时域高维数据，并对所述时域高维数据进行位置编码，得到添加位置编码后的时域高维数据；对所述添加位置编码后的时域高维数据进行编码处理，得到时域编码数据；对所述时域编码数据进行线性映射处理，得到时域线性特征；将所述时域线性特征通过分类模块进行映射处理，得到时域特征表示。3.根据权利要求1或2所述的方法，其特征在于，所述预测模型还包括第二编码模块，将所述频域特征数据通过预测模型进行特征提取处理，得到频域特征表示，包括：将所述频域特征数据数输入所述第二编码模块，利用所述第二编码模块对输入的频域特征数据进行归一化和分片处理，得到频域分片数据；将所述频域分片数据映射至高维空间得到频域高维数据，并对所述频域高维数据进行位置编码，得到添加位置编码后的频域高维数据；对所述添加位置编码后的频域高维数据进行编码处理，得到频域编码数据；对所述频域编码数据进行线性映射处理，得到频域线性特征；将所述频域线性特征通过分类模块进行映射处理，得到频域特征表示。4.根据权利要求1所述的方法，其特征在于，所述预测模型的训练过程包括如下步骤：获取样本时间序列；所述样本时间序列包括时域样本特征数据和频域样本特征数据，所述样本时间序列数据标注有历史标注结果；分别对所述时域样本特征数据进行两次数据增强处理得到两组时域增强数据，并对所述频域样本特征数据进行两次数据增强处理得到两组频域增强数据；基于所述两组时域增强数据、所述两组频域增强数据和所述历史标注结果对初始预测模型进行迭代训练，得到所述预测模型。5.根据权利要求4所述的方法，其特征在于，所述初始预测模型包括初始特征提取网络和初始分类网络，基于所述两组时域增强数据、所述两组频域增强数据和所述历史标注结果对初始预测模型进行迭代训练，得到所述预测模型，包括：将所述两组时域增强数据分别通过所述初始特征提取网络中的第一编码模块进行特征提取处理，得到两组样本时域特征表示，并行地将所述两组频域增强数据通过所述初始特征提取网络中的第二编码模块进行特征提取处理，得到两组样本频域特征表示；
基于所述两组样本时域特征表示和所述两组样本频域特征表示通过所述初始特征提取网络中的融合编码模块进行融合和...

【专利技术属性】
技术研发人员：赵书宝，
申请(专利权)人：新奥新智科技有限公司，
类型：发明
国别省市：