时序数据的处理方法技术

本申请公开了一种时序数据的处理方法

【技术实现步骤摘要】
时序数据的处理方法、装置、计算机可读介质及电子设备


[0001]本申请属于数据处理
，具体涉及一种时序数据的处理方法
、
装置
、
计算机可读介质以及电子设备
。

技术介绍

[0002]对现有的时间序列数据进行分析和研究来预测未来的数据变化在各个领域中有广泛应用，例如，基于历史的天气变化情况预测未来的天气变化情况
。
目前，常用的时间序列数据预测方法一般是针对具体应用场景下目标对象的运行机制构建机理模型，通过该机理模型进行时间序列数据的预测，该模型通常由一系列代数和微分方程组成
。
虽然这种方法可以较为准确地描述目标对象的运行情况，但其只能针对单一对象进行预测，而在实际环境中，对象所处环境和使用条件是变化的，这种方法的预测结果不够准确
。

技术实现思路

[0003]本申请的目的在于提供一种时序数据的处理方法
、
装置
、
计算机可读介质以及电子设备，可以提高时序数据预测的准确性
。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得
。
[0005]根据本申请实施例的一个方面，提供一种时序数据的处理方法，包括：对待处理时序数据进行多尺度采样，得到多个待处理数据；对各个待处理数据进行余弦特征提取，得到各个待处理数据对应的余弦特征，其中，不同待处理数据对应的余弦特征所对应的余弦周期不同；对所述多个待处理数据分别对应的余弦特征进行拼接，得到所述待处理时序数据对应的特征图；根据所述待处理时序数据对应的特征图进行时序数据的预测处理，得到预测时序数据
。
[0006]根据本申请实施例的一个方面，提供一种时序数据的处理装置，包括：数据采样模块，用于对待处理时序数据进行多尺度采样，得到多个待处理数据；特征提取模块，用于对各个待处理数据进行余弦特征提取，得到各个待处理数据对应的余弦特征，其中，不同待处理数据对应的余弦特征所对应的余弦周期不同；特征拼接模块，用于对所述多个待处理数据分别对应的余弦特征进行拼接，得到所述待处理时序数据对应的特征图；预测模块，用于根据所述待处理时序数据对应的特征图进行时序数据的预测处理，得到预测时序数据
。
[0007]在本申请的一个实施例中，特征提取模块具体用于：对所述各个待处理数据进行归一化处理，得到所述各个待处理数据对应的归一化数据；
基于所述各个待处理数据对应的余弦周期对所述各个待处理数据对应的归一化数据进行余弦特征提取，得到所述各个待处理数据对应的余弦特征
。
[0008]在本申请的一个实施例中，特征提取模块具体用于：计算所述各个待处理数据中最大待处理数据和最小待处理数据之间的差值；将所述待处理数据与所述差值的比值乘以预设系数，得到所述待处理数据对应的归一化数据，所述预设系数表征所述归一化数据的最大变化幅度
。
[0009]在本申请的一个实施例中，数据采样模块具体用于：基于预设长度的时间窗口从待处理时序数据中提取连续时序数据；基于多个采样周期对所述连续时序数据进行多次采样，得到多个待处理数据
。
[0010]在本申请的一个实施例中，特征提取模块具体用于：基于所述各个待处理数据对应的余弦周期对各个待处理数据进行余弦空间转换，得到各个待处理数据对应的余弦数据；对各个余弦数据进行多次特征提取，并将最后一次特征提取的输出数据作为各个余弦数据对应的余弦特征
。
[0011]在本申请的一个实施例中，特征提取模块具体用于：在第
i
次特征提取过程中，将第
i
‑1次特征提取的输出数据作为第
i
次特征提取的输入数据；其中，
2≤i≤K
，
K
为预设特征提取次数；第1次特征提取的输入数据为所述余弦数据；对所述第
i
次特征提取的输入数据进行卷积处理，得到卷积特征；对所述第
i
次特征提取的输入数据和所述卷积特征的融合结果进行激活处理，得到所述第
i
次特征提取的输出数据
。
[0012]在本申请的一个实施例中，所述装置还包括：样本采样模块，用于基于多个预设时间窗口对样本时序数据进行多尺度采样，得到各个预设时间窗口对应的多个样本训练数据；模型训练模块，用于通过各个预设时间窗口对应的多个样本训练数据对时序预测模型进行训练，得到训练好的时序预测模型；其中，在模型训练过程中，根据不同预设时间窗口对应的样本训练数据之间的相似度计算模型损失；所述训练好的时序预测模型用于对所述待处理数据进行余弦特征的提取，并用于对所述多个待处理数据分别对应的余弦特征进行拼接，以及根据所述待处理时序数据对应的特征图进行时序数据的预测处理
。
[0013]在本申请的一个实施例中，样本采样模块具体用于：基于多个预设时间窗口从样本时序数据中提取多个连续样本数据，其中，一个预设时间窗口对应于一个连续样本数据；基于多个采样周期分别对各个连续样本数据进行多次采样，得到各个预设时间窗口对应的多个样本训练数据
。
[0014]在本申请的一个实施例中，模型训练模块包括：样本特征提取单元，用于对第一预设时间窗口和第二预设时间窗口对应的多个样本训练数据分别进行余弦特征提取，得到所述第一预设时间窗口和所述第二预设时间窗口分别对应的多个样本余弦特征；其中，所述第一预设时间窗口和所述第二预设时间窗口为所述多个预设时间窗口中不同的预设时间窗口；
第一损失计算单元，用于根据所述第一预设时间窗口和所述第二预设时间窗口分别对应的样本余弦特征之间的相似度计算第一模型损失；样本特征拼接单元，用于对所述第一预设时间窗口对应的多个样本余弦特征进行拼接，得到样本特征图，并根据所述样本特征图进行时序预测，得到所述第一预设时间窗口对应的样本预测数据；第二损失计算单元，用于根据所述第一预设时间窗口对应的预测标签数据和所述样本预测数据计算第二模型损失；参数更新单元，用于根据所述第一模型损失和所述第二模型损失更新所述时序预测模型的模型参数
。
[0015]在本申请的一个实施例中，所述第一损失计算单元具体用于：确定与所述第一预设时间窗口对应的第一样本余弦特征具有相同采样位置的所述第二预设时间窗口对应的第二样本余弦特征；将所述第一样本余弦特征和所述第二样本余弦特征之间的余弦相似度作为第一模型损失
。
[0016]在本申请的一个实施例中，所述第二损失计算单元具体用于：将所述样本训练数据对应的预测标签数据和所述样本预测数据之间的均方差作为第二模型损失
。
[0017]在本申请的一个实施例中，所述参数更新单元具体用于：对所述第一模型损失和所述第二模型损失进行加权求和，得到目标模型损失；根据所述目标模型损失更新所述时序预测模型的模型参数
。
[0018]根据本申请实施例的一个方面，提供一种计本文档来自技高网...

【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：对待处理时序数据进行多尺度采样，得到多个待处理数据；对各个待处理数据进行余弦特征提取，得到各个待处理数据对应的余弦特征，其中，不同待处理数据对应的余弦特征所对应的余弦周期不同；对所述多个待处理数据分别对应的余弦特征进行拼接，得到所述待处理时序数据对应的特征图；根据所述待处理时序数据对应的特征图进行时序数据的预测处理，得到预测时序数据
。2.
根据权利要求1所述的时序数据的处理方法，其特征在于，对各个待处理数据进行余弦特征提取，得到各个待处理数据对应的余弦特征，包括：对所述各个待处理数据进行归一化处理，得到所述各个待处理数据对应的归一化数据；基于所述各个待处理数据对应的余弦周期对所述各个待处理数据对应的归一化数据进行余弦特征提取，得到所述各个待处理数据对应的余弦特征
。3.
根据权利要求2所述的时序数据的处理方法，其特征在于，对所述各个待处理数据进行归一化处理，得到所述各个待处理数据对应的归一化数据，包括：计算所述各个待处理数据中最大待处理数据和最小待处理数据之间的差值；将所述待处理数据与所述差值的比值乘以预设系数，得到所述待处理数据对应的归一化数据，所述预设系数表征所述归一化数据的最大变化幅度
。4.
根据权利要求1所述的时序数据的处理方法，其特征在于，对待处理时序数据进行多尺度采样，得到多个待处理数据，包括：基于预设长度的时间窗口从待处理时序数据中提取连续时序数据；基于多个采样周期对所述连续时序数据进行多次采样，得到多个待处理数据
。5.
根据权利要求1所述的时序数据的处理方法，其特征在于，对各个待处理数据进行余弦特征提取，得到各个待处理数据对应的余弦特征，包括：基于所述各个待处理数据对应的余弦周期对各个待处理数据进行余弦空间转换，得到各个待处理数据对应的余弦数据；对各个余弦数据进行多次特征提取，并将最后一次特征提取的输出数据作为各个余弦数据对应的余弦特征
。6.
根据权利要求5所述的时序数据的处理方法，其特征在于，对各个余弦数据进行多次特征提取，包括：在第
i
次特征提取过程中，将第
i
‑1次特征提取的输出数据作为第
i
次特征提取的输入数据；其中，
2≤i≤K
，
K
为预设特征提取次数；第1次特征提取的输入数据为所述余弦数据；对所述第
i
次特征提取的输入数据进行卷积处理，得到卷积特征；对所述第
i
次特征提取的输入数据和所述卷积特征的融合结果进行激活处理，得到所述第
i
次特征提取的输出数据
。7.
根据权利要求1所述的时序数据的处理方法，其特征在于，在对各个待处理数据进行余弦特征提取之前，所述方法还包括：基于多个预设时间窗口对样本时序数据进行多尺度采样，得到各个预设时间窗口对应
的多个样本训练数据；通过各个预设时间窗口对应的多个样本训练数据对时序预测模型进行训练，得到训练好的时序预测模型；其中，在模型训练过程中，根据不同预设时间窗口对应的样本训练数据之间的相似度计算模型损失；所述训练好的时序预测模型用于对所述待处理数据进行余弦特征的提取，并用于对所述多个待处理数据分别对应的余弦特征进行拼接，以及根据所述待处理时序数据对应的特征图进行时序数据的预测处理
。8.
根据权利要求7所述的时序数据的处理方法，其特征在于，对样本时序数据进行多尺度采样，得到多个样本训练数据，包括：基于...

【专利技术属性】
技术研发人员：沈雷，张睿欣，丁守鸿，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：