【技术实现步骤摘要】
本专利技术涉及人工智能领域，更具体的，涉及一种时序数据降采样方法及装置。
技术介绍
1、随着大数据时代的到来，处理和分析大规模的时序数据变得越来越重要。然而，时序数据往往具有高频采样率和包含大量数据点的特点，这给存储、计算和分析时序数据带来了挑战。因此，如何开发一种有效的时序数据降采样方法成为本领域亟待解决的技术问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种时序数据降采样方法及装置，提供了一种有效的时序数据降采样方法。
2、为了实现上述专利技术目的，本专利技术提供的具体技术方案如下：
3、第一方面，本专利技术实施例提供了一种时序数据降采样方法，包括：
4、确定采样时间段和采样数量k，所述采样时间段包括开始时间和结束时间，k为正整数；
5、根据所述开始时间、所述结束时间以及所述采样数量k，确定所述采样时间段中k个采样时间点；
6、分别将所述k个采样时间点输入预先构建的采样数据预测模型，得到所述采样数据预测模型输出的所述k个采样时间点分别对应的采样结果；所述采样数据预测模型是利用存量时序数据对多项式模型进行训练后得到的。
7、在一些实施例中，利用存量时序数据对多项式模型进行训练得到所述采样数据预测模型，包括：
8、将所述存量时序数据输入多项式模型，所述存量时序数据中每个时间点分别对应一个采样值；
9、利用多项式模型中的多项式拟合函数计算时间点对应的采样值，初始状态下多项式拟合函数的
10、采用梯度下降函数计算所述多项式拟合函数的参数；
11、根据多项式拟合函数计算得到的采样值与所述存量时序数据中的采样值计算标准差；
12、判断所述标准差是否小于预先设定的标准差阈值；
13、若所述标准差不小于所述标准差阈值，将多项式拟合函数的次数加1，返回执行所述利用多项式模型中的多项式拟合函数计算时间点对应的采样值这一步骤；
14、若所述标准差小于所述标准差阈值，结束训练，将当前多项式拟合函数对应的多项式模型确定为所述采样数据预测模型。
15、在一些实施例中，所述方法还包括：
16、获取对照数据，所述对照数据来源于增量时序数据，所述对照数据包括对照时间点和对照时间点对应的对照值；
17、将所述对照时间点输入所述采样数据预测模型，得到所述采样数据预测模型输出的预测值；
18、判断所述对照值与所述预测值之间差值的绝对值是否小于所述标准差阈值；
19、若不小于所述标准差阈值，利用所述存量时序数据和所述增量时序数据对多项式模型进行训练。
20、在一些实施例中，所述根据所述开始时间、所述结束时间以及所述采样数量k，确定所述采样时间段中k个采样时间点，包括：
21、利用高斯-勒让德公式构建方程组，使所述采样时间段中相邻采样时间点之间的积分相等，其中，相邻采样时间点之间的积分为所述开始时间与所述结束时间之间的总积分绝对值与(k-1)的比值，所述总积分绝对值如下：
22、
23、其中，δh为所述总积分绝对值，tbegin为所述开始时间，tend为所述结束时间，hθ(t)为多项式拟合函数值；
24、求解所述方程组，得到所述采样时间段中所述k个采样时间点。
25、在一些实施例中，所述根据所述开始时间、所述结束时间以及所述采样数量k，确定所述采样时间段中k个采样时间点，包括：
26、根据所述开始时间、所述结束时间以及所述采样数量k，计算相邻采样时间点之间的时间差；
27、依据所述开始时间、所述结束时间以及相邻采样时间点之间的时间差，确定所述采样时间段中所述k个采样时间点。
28、第二方面，本专利技术实施例提供了一种时序数据降采样装置，包括：
29、采样时间段确定单元，用于确定采样时间段和采样数量k，所述采样时间段包括开始时间和结束时间，k为正整数；
30、采样时间点确定单元，用于根据所述开始时间、所述结束时间以及所述采样数量k，确定所述采样时间段中k个采样时间点；
31、采样结果预测单元，用于分别将所述k个采样时间点输入预先构建的采样数据预测模型，得到所述采样数据预测模型输出的所述k个采样时间点分别对应的采样结果；所述采样数据预测模型是利用存量时序数据对多项式模型进行训练后得到的。
32、在一些实施例中，所述装置还包括：
33、训练数据输入单元，用于将所述存量时序数据输入多项式模型，所述存量时序数据中每个时间点分别对应一个采样值；
34、多项式拟合单元，用于利用多项式模型中的多项式拟合函数计算时间点对应的采样值，初始状态下多项式拟合函数的次数为1；
35、参数计算单元，用于采用梯度下降函数计算所述多项式拟合函数的参数；
36、标准差计算单元，用于根据多项式拟合函数计算得到的采样值与所述存量时序数据中的采样值计算标准差；
37、第一判断单元，用于判断所述标准差是否小于预先设定的标准差阈值；若所述标准差不小于所述标准差阈值，将多项式拟合函数的次数加1，触发所述多项式拟合单元；若所述标准差小于所述标准差阈值，结束训练，将当前多项式拟合函数对应的多项式模型确定为所述采样数据预测模型。
38、在一些实施例中，所述装置还包括：
39、对照数据获取单元，用于获取对照数据，所述对照数据来源于增量时序数据，所述对照数据包括对照时间点和对照时间点对应的对照值；
40、对照数据输入单元，用于将所述对照时间点输入所述采样数据预测模型，得到所述采样数据预测模型输出的预测值；
41、第二判断单元，用于判断所述对照值与所述预测值之间差值的绝对值是否小于所述标准差阈值；
42、模型更新单元，用于若所述对照值与所述预测值之间差值的不小于所述标准差阈值，利用所述存量时序数据和所述增量时序数据对多项式模型进行训练。
43、在一些实施例中，所述采样时间点确定单元，具体用于：
44、利用高斯-勒让德公式构建方程组，使所述采样时间段中相邻采样时间点之间的积分相等，其中，相邻采样时间点之间的积分为所述开始时间与所述结束时间之间的总积分绝对值与(k-1)的比值，所述总积分绝对值如下：
45、
46、其中，δh为所述总积分绝对值，tbegin为所述开始时间，tend为所述结束时间，hθ(t)为多项式拟合函数值；
47、求解所述方程组，得到所述采样时间段中所述k个采样时间点。
48、在一些实施例中，所述采样时间点确定单元，具体用于：
49、根据所述开始时间、所述结束时间以及所述采样数量k，计算相邻采样时间点之间的时间差；
50、依据所述开始时间、所述结束时间以及相邻采样时间点之间的时间差，确定所述采样时间段中所述k个采样时间点。本文档来自技高网...
【技术保护点】
1.一种时序数据降采样方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，利用存量时序数据对多项式模型进行训练得到所述采样数据预测模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述根据所述开始时间、所述结束时间以及所述采样数量k，确定所述采样时间段中k个采样时间点，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述开始时间、所述结束时间以及所述采样数量k，确定所述采样时间段中k个采样时间点，包括：
6.一种时序数据降采样装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
9.根据权利要求7所述的装置，其特征在于，所述采样时间点确定单元，具体用于：
10.根据权利要求6所述的装置，其特征在于，所述采样时间点确定单元，具体用于：
【技术特征摘要】
1.一种时序数据降采样方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，利用存量时序数据对多项式模型进行训练得到所述采样数据预测模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述根据所述开始时间、所述结束时间以及所述采样数量k，确定所述采样时间段中k个采样时间点，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述开始...
【专利技术属性】
技术研发人员：陈吉平，张军，袁泉，黄颖，
申请(专利权)人：蓝卓数字科技有限公司，
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。