本申请实施例提供了一种时序数据的分类方法、分类模型的训练方法及装置，涉及数据分析技术领域，本申请实施例的技术方案包括：获取在第一时段内对待分类监控指标进行监控得到的第一时序数据。然后通过时间序列模型基于自身的隐藏状态，对第一时序数据进行特征提取，得到第一时序数据的全局特征，其中隐藏状态基于上一次输入时间序列模型的第二时序数据得到，第二时序数据为在第二时段内对待分类监控指标进行监控得到的时序数据。并利用卷积神经网络对第一时序数据进行特征提取，得到第一时序数据的局部特征。再基于第一时序数据的全局特征和局部特征，确定第一时序数据所属的变化类型。从而提高了对时序数据的分类准确率和效率。
【技术实现步骤摘要】
本申请涉及数据分析，特别是涉及一种时序数据的分类方法、分类模型的训练方法及装置。
技术介绍
1、时序数据是随时间变化而变化的数据，例如记录监控指标在多个时刻下的数值形成一条时序数据。其中，监控指标可以是：中央处理器(central processing unit，cpu)使用率、网络流量或者用户活跃度等。时序数据具有维度高、非线性、非平稳以及存在噪声干扰等特点，使得对时序数据的分析和处理极具挑战性。
2、对时序数据进行分类，是对时序数据进行异常检测等分析过程中的首要任务，对时序数据进行智能化分类，能够获得时序数据所属的类型，即依据时序数据的变化特征或者模式，将时序数据划分为周期型、平稳型和无规律波动型等。时序数据的类型，能够体现时序数据的内在结构，以便获得时序数据的变化规律和异常，为后续的分析和决策提供依据。
3、目前，对时序数据的分类方法主要是基于特征的分类方法，即，先由人工对时序数据进行特征提取，然后将提取的特征输入机器学习模型，由机器学习模型确定时序数据所属的类型。该方式需要人为提取特征，而且提取的特征的质量直接影响了分类的准本文档来自技高网...
【技术保护点】
1.一种时序数据的分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一时序数据的全局特征和局部特征，确定所述第一时序数据所属的变化类型，包括：
3.根据权利要求1所述的方法，其特征在于，在所述获取在第一时段内对待分类监控指标进行监控得到的第一时序数据之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，每个子时序数据所属的变化类型包括该子时序数据属于各种预设变化类型的概率；所述基于所述多个时段内的子时序数据所属的变化类型，确定所述待分类时序数据所属的变化类型，包括：
>5.根据权利要求4...
【技术特征摘要】
1.一种时序数据的分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一时序数据的全局特征和局部特征，确定所述第一时序数据所属的变化类型，包括：
3.根据权利要求1所述的方法，其特征在于，在所述获取在第一时段内对待分类监控指标进行监控得到的第一时序数据之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，每个子时序数据所属的变化类型包括该子时序数据属于各种预设变化类型的概率；所述基于所述多个时段内的子时序数据所属的变化类型，确定所述待分类时序数据所属的变化类型，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述多个时段内的子时序数据属于该预设变化类型的概率，确定所述待分类时序数据属于该预设变化类型的概率，包括：
6.根据权利要求1-5任一项所述的方法，其特征在于，所述时间序列模型为长短期记忆网络lstm，所述卷积神经网络为全卷积网络fcn。
7.根据权利要求2、4或5所述的方法，其特征在于，各种预设变化类型包括：周期型、平稳型和无规律波动型，其中，周期型用于表示时序数据具有变化周期，且不同变化周期内的数据的相似度高于预设相似度阈值，平稳型用于表示时序数据的方差小于预设第一方差阈值，无规律波动型用于表示时序数据的方差大于预设第二方差阈值。
8.一种分类模型的训练方法，其特征在于，包括：
9.根据权利要求8所述的方法，其特征在于，所述基于每个样本时序数据的全局特征和局部特征，确定每个样本时序数据所属的变化类型，包括：
10.根据权利要求8所述的方法，其特征在于...
【专利技术属性】
技术研发人员：俞建鑫，
申请(专利权)人：北京奇艺世纪科技有限公司，
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。