CN112115182A - 时序数据的处理方法、装置、设备及存储介质 - Google Patents
时序数据的处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112115182A CN112115182A CN202010966752.9A CN202010966752A CN112115182A CN 112115182 A CN112115182 A CN 112115182A CN 202010966752 A CN202010966752 A CN 202010966752A CN 112115182 A CN112115182 A CN 112115182A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- sequence data
- original
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000003672 processing method Methods 0.000 title claims description 7
- 238000012545 processing Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 49
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims description 58
- 238000010586 diagram Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012800 visualization Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术,提供了一种时序数据的处理方法、装置、设备及存储介质。通过接收用户发出的时序数据处理请求,获取请求中携带的原始时序数据,对原始时序数据执行预处理操作得到目标时序数据,响应时序数据处理请求,将目标时序数据输入预设的时序模型,得到目标预测数据,将原始时序数据、目标时序数据及目标预测数据进行可视化展示,解决了目前的可视化***难以与数据挖掘***同步结合、处理数据量偏小、可视化形式单一等情况,数据分析人员可以实时通过观察对比处理前后的可视化结果,选择出相对合适的模型和参数,提高此类数据的挖掘效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种时序数据的处理方法、装置、设备及存储介质。
背景技术
时间序列是一种重要的高维数据类型,是由客观对象的某个物理量在不同时间点的采样值按照时间先后次序排列而组成的序列,在经济管理以及工程领域具有广泛应用。利用时间序列数据挖掘,可以获得数据中蕴含的与时间相关的有用信息,实现知识的提取。
目前已有的可视化***由于难以与数据挖掘***同步结合,且处理数据量偏小、可视化形式单一,导致时序数据的挖掘处理效率较低。
发明内容
鉴于以上内容,本发明提供一种时序数据的处理方法、装置、设备及存储介质,其目的在于解决现有技术中时序数据的挖掘处理效率较低的技术问题。
为实现上述目的,本发明提供一种时序数据的处理方法,该方法包括:
接收用户发出的时序数据处理请求,获取请求中携带的原始时序数据,对所述原始时序数据执行预处理操作得到目标时序数据;
响应所述时序数据处理请求,将所述目标时序数据输入预设的时序模型,得到目标预测数据;
将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示。
优选的,在所述获取请求中携带的原始时序数据之后,所述方法还包括:
对所述原始时序数据执行解析,得到原始时序数据对应的原始序列数据,基于预先配置的原始时序数据的数据类型对应的校验规则,对所述原始序列数据执行校验操作,其中,所述原始时序数据的数据类型包括:单变量时序数据集、多变量时序数据集及动作识别数据集。
优选的,在所述对所述原始时序数据执行预处理操作得到目标时序数据之前,所述方法还包括:
获取所述原始时序数据对应的标识信息,基于所述标识信息从预设存储空间查询是否存在该标识信息对应的预处理后的时序数据,当预设存储空间存在该标识信息对应的预处理后的时序数据时,将预处理后的时序数据作为所述目标时序数据。
优选的,所述对所述原始时序数据执行预处理操作得到目标时序数据包括:
当所述原始时序数据的数据类型为单变量时序数据集或多变量时序数据集时,对该原始时序数据执行归一化处理;
当所述原始时序数据的数据类型为动作识别数据集时,对该原始时序数据的每个维度的属性数据执行归一化处理,对该原始时序数据的每一帧执行去噪处理,对该原始时序数据的样本长度低于预设值的样本执行补零操作,对该原始时序数据的样本长度高于预设值的样本执行截断操作。
优选的,当所述原始时序数据的数据类型为单变量时序数据集时,所述时序模型包括第一预设模型集中的任一模型,当所述原始时序数据的数据类型为多变量时序数据集时,所述时序模型包括第二预设模型集中的任一模型,当所述原始时序数据的数据类型为动作识别数据集时,所述时序模型包括第三预设模型。
优选的,所述目标预测数据包括预测列表,所述方法还包括:
将预先标注的真实值与所述预测列表对应的预测值进行比较生成分析结果,所述分析结果包括预测准确率和混淆矩阵。
优选的,所述将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示包括:
当所述原始时序数据的数据类型为单变量时序数据集或多变量时序数据集时,以时间为横坐标,数据值为纵坐标,构建所述原始时序数据、所述目标时序数据及所述目标预测数据的折线图进行可视化展示;
当所述原始时序数据的数据类型为动作识别数据集时,构建所述原始时序数据、所述目标时序数据及所述目标预测数据的三维时序骨架图进行可视化展示。
为实现上述目的,本发明还提供一种时序数据的处理装置,该时序数据的处理装置包括:
接收模块:用于接收用户发出的时序数据处理请求,获取请求中携带的原始时序数据,对所述原始时序数据执行预处理操作得到目标时序数据;
响应模块:用于响应所述时序数据处理请求,将所述目标时序数据输入预设的时序模型,得到目标预测数据;
处理模块:用于将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示。
为实现上述目的,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的程序,所述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如上所述的时序数据的处理方法的任意步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括存储程序区,存储程序区存储有时序数据的处理程序,所述时序数据的处理程序被处理器执行时,实现如上所述时序数据的处理方法的任意步骤。
本发明提出的时序数据的处理方法、装置、设备及存储介质,通过完成时序数据的预处理和模型处理,可以实时展示数据处理前后的可视化结果,为数据分析人员提供了一种面向多类型和多功能的时序数据分析方法与可视化方法结为一体的***,解决了目前的可视化***难以与数据挖掘***同步结合、处理数据量偏小、可视化形式单一等情况,数据分析人员可以实时通过观察对比处理前后的可视化结果,从而选择出相对合适的模型和参数,提高此类数据的挖掘效率和预测的准确率。
附图说明
图1为本发明时序数据的处理方法较佳实施例的流程图示意图;
图2为本发明时序数据的处理装置较佳实施例的模块示意图;
图3为本发明电子设备较佳实施例的示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明提供一种时序数据的处理方法。参照图1所示,为本发明时序数据的处理方法的实施例的方法流程示意图。该方法可以由一个电子设备执行,该电子设备可以由软件和/或硬件实现。时序数据的处理方法包括:
步骤S10:接收用户发出的时序数据处理请求,获取请求中携带的原始时序数据,对所述原始时序数据执行预处理操作得到目标时序数据。
在本实施例中,以电子设备为服务器为例对本方案进行说明,服务器接收到时序数据处理请求后,获取请求中携带的原始时序数据,对原始时序数据执行预处理操作得到目标时序数据,时序数据的预处理主要是检查原始时序数据的完整性,对丢失或需要补充对齐的数据进行填补、对噪声数据进行处理等,从而达到数据一致性。可以使用Django框架,通过json数据流进行数据传送,对原始时序数据执行预处理。
在一个实施例中,在所述获取请求中携带的原始时序数据之后,所述方法还包括:
对所述原始时序数据执行解析,得到原始时序数据对应的原始序列数据,基于预先配置的原始时序数据的数据类型对应的校验规则,对所述原始序列数据执行校验操作,其中,所述原始时序数据的数据类型包括:单变量时序数据集、多变量时序数据集及动作识别数据集。
其中,单变量时序数据集格式可以是一维数据列表格式,例如,[1,2,3,4,5,6,7,8,9,10]。
多变量时序数据集可以是等时间长度的样本数据。多变量时序数据集的数据内容为4维,第一维的第一个数据是个列表,存储的是数据值,第一维的第二个数据是个列表,存储的是类的值,第一维的第三个数据是个列表,存储的是时间长度,第二维到第四维分别为样本数、时间长度、变量数。
动作识别数据集来源均是kinect设备的数据流,将数据按照频率抽样,每个样本执行完成后的数据存入一个文本或者一个mat文件,组成原始时序数据。因此可以根据原始时序数据的数据类型对原始时序数据进行校验。
进一步地,所述对所述原始时序数据执行预处理操作得到目标时序数据包括:
当所述原始时序数据的数据类型为单变量时序数据集或多变量时序数据集时,对该原始时序数据执行归一化处理;
当所述原始时序数据的数据类型为动作识别数据集时,对该原始时序数据的每个维度的属性数据执行归一化处理,对该原始时序数据的每一帧执行去噪处理,对该原始时序数据的样本长度低于预设值的样本执行补零操作,对该原始时序数据的样本长度高于预设值的样本执行截断操作。
当原始时序数据的数据类型为单变量时序数据集时,预处理操作可以是原数据减去所有数据的均值后,所得值再除以所有数据的标准差,得到归一化后的数据,使得所有数据正态分布。单变量时序数据的预处理是将所有数据分别按以样本为列,对列进行标准化,每一列的所有数据减去该列的均值,得到的值再除以其标准差,最后得到的值为标准化后的终值。因此每列所有数据经过预处理得到的结果就是数据各自以列为标准均聚集在0附近,以及方差在1左右。
当原始时序数据的数据类型为多变量时序数据集时,预处理操作可以是将原数据减去所有数据中的最小值,所得值再除以所有数据中的最大值与最小值之差。在多变量时序数据预处理中表现为将原始数据作线性变换,具体操作是以某属性的数据减去该属性的数据最小值,再除以该属性的最大值与最小值之差,所得为新数据,所有属性列均可采用此方式进行归一化操作。
当原始时序数据的数据类型为动作识别数据集时,对该原始时序数据的每个维度的属性数据执行归一化处理(例如,减去均值再除以方差),对该原始时序数据的每一帧采用Savitzky-Golay smoothing filter进行去噪处理从而提高信噪比,对该原始时序数据的样本长度低于预设值的样本执行补零操作,对该原始时序数据的样本长度高于预设值的样本执行截断操作,预设值可以是所有样本中最大样本长度的80%。可以采用cPickle预处理后生成一个.p文件,该文件存储的数据内容为4维,第一维的前五个数据均为列表,存储的是数据值,第二维到第四维分别为样本数、时间步、骨骼节点数。
在一个实施例中,在所述对所述原始时序数据执行预处理操作得到目标时序数据之前,所述方法还包括:
获取所述原始时序数据对应的标识信息,基于所述标识信息从预设存储空间查询是否存在该标识信息对应的预处理后的时序数据,当预设存储空间存在该标识信息对应的预处理后的时序数据时,将预处理后的时序数据作为所述目标时序数据。
获取请求中原始时序数据对应的标识信息,服务器根据标识信息从缓存中查询是否存在该标识信息对应的预处理后的时序数据,当存在该标识信息对应的预处理后的时序数据时,将预处理后的时序数据作为目标时序数据。当用户使用相同预处理标识进行预处理操作时,将读取持久化数据缓存中的结果文件的目标时序数据并返回,提高了数据可视化展示的效率。
在一个实施例中,在步骤S10之前,该方法还包括:
为发出时序数据处理请求的用户分配一个账号,以供所述用户基于所述账号发出所述时序数据处理请求,并将时序数据以文本的格式上传至服务器。用户的请求操作时均会带上分配的账号信息,利用分配的账号实现用户信息结构存储。
步骤S20:响应所述时序数据处理请求,将所述目标时序数据输入预设的时序模型,得到目标预测数据。
在本实施例中,将预处理得到的目标时序数据输入预设的时序模型,得到目标预测数据,其中,预设的时序模型是预先训练好的,用户在对目标时序数据进行预测时,可以根据配置界面选择不同的时序模型对目标时序数据进行预测。
用户可以选择不同的模型对预处理后的目标时序数据进行预测,服务器先查找缓存中是否存在该目标时序数据的预测结果,当未查找到对应的预测结果时,则根据用户自定义设置的模型参数权重计算出样本的预测值,同时记录该目标时序数据添加该用户的属性信息和预测结果,并存储至缓存中。
用户为目标时序数据提交模型运行参数,服务器将记录该目标时序数据在参数上的运行结果,当该用户或者其他用户使用相同参数运行模型时将读取持久化数据缓存中的预测结果并实时返回,提高数据预测处理的效率。
进一步地,当所述原始时序数据的数据类型为单变量时序数据集时,所述时序模型包括第一预设模型集中的任一模型,当所述原始时序数据的数据类型为多变量时序数据集时,所述时序模型包括第二预设模型集中的任一模型,当所述原始时序数据的数据类型为动作识别数据集时,所述时序模型包括第三预设模型。
原始时序数据为单变量时序数据集时,时序模型包括第一预设模型集中的任一模型,第一预设模型集包括10个模型,分别为ConvESN、Gaussian Naive Bayes、SVC with rbfkernel、SVC with linear kernel、Logistic regression、MLP、Euclidean_1NN、GradientBoosting Decision Tree、Decision Tree(C4.5)、random_forest。
原始时序数据为多变量时序数据集时,时序模型包括第二预设模型集中的任一模型,第二预设模型集包括3个模型,分别为ConvMESN、DTW、LSTM。其中,ConvMESN模型是卷积神经网络和回声状态网络来进行时间序列分类的深度神经网络模型,适用于数据集比较大的场景;DTW动态时间规整模型算法主要是衡量两个时序之间的相识度,适用于时间序列挖掘的或者语音识别领域的场景;LSTM长短期记忆模型,用到的是时间递归神经网络算法,多针对于间隔时间以及延长时间都比较长的时间序列数据,多适用于处理和预测这种时序数据的重要事件的场景。
目标时序数据为动作识别数据集时,时序模型为ConvESN-MSMC模型。ConvESN-MSMC模型是卷积神经网络和回声状态网络来进行时间序列分类的深度神经网络模型,属于多步多通道模型,适用于数据集比较大的用于动作识别的场景。
在一个实施例中,所述目标预测数据包括预测列表,所述方法还包括:
将预先标注的真实值与所述预测列表对应的预测值进行比较生成分析结果,所述分析结果包括预测准确率和混淆矩阵。
混淆矩阵(热力图)表现的是数据集经过模型处理后的结果,表示为每个类被分类到哪个类的样本数比例的全部结果展示,数据来源于当前数据集的数据经过某个模型后的预测标签列表与真实标签列表的统计与计算所得。混淆矩阵的目的在于方便直观地查看数据集的模型处理结果详情,从而看出数据被分类正确的比值普遍分布。
步骤S30:将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示。
在本实施例中,数据的多样性可视化展示包括原始时序数据、目标时序数据及目标预测数据的不同形式可视化,其中,原始时序数据和预处理后的目标时序数据可视化展示可以根据被处理的数据集类型的不同采用不同的可视化方式,单变量数据可以以时间轴为基准展开,多变量数据主要以分得的类和特征值的特点展开,动作识别数据以骨骼支点为特征展开进行可视化。各种可视化信息由数据经服务器处理后整合,发送至前端js,采用echarts形式获取和展示。
具体地,可视化展示可以以表格形式展示数据集的具体信息,包括类的个数、样本个数、时间长度、特征值个数等,例如,以饼图形式可视化展示数据集的训练集、测试集和训练集加测试集的全集这三块的各类样本数比例,方便用户查看数据集是否为平衡数据集,并以三维时序骨架动态图形式可视化展示动作识别数据集的原始数据信息。服务器还可以组合预处理前的抽样样本和预处理后的抽样样本数据返回终端分析结果。例如,以折线图形式展示分析结果。
在一个实施例中,所述将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示包括:
当所述原始时序数据的数据类型为单变量时序数据集或多变量时序数据集时,以时间为横坐标,数据值为纵坐标,构建所述原始时序数据、所述目标时序数据及所述目标预测数据的折线图进行可视化展示;
当所述原始时序数据的数据类型为动作识别数据集时,构建所述原始时序数据、所述目标时序数据及所述目标预测数据的三维时序骨架图进行可视化展示。
当原始时序数据的数据类型为单变量时序数据集时,可以抽取一定量的样本个数,以时间轴来做横坐标,数据值来做纵坐标,变量为不同的样本,预处理前后分别生成对应的折线图,目的是进行前后的对比。因为单变量时序数据的预处理是数据标准化,用户可以清楚查看到预处理数据后的数据规律变为以样本列为基准,每列所有数据经过预处理得到的结果就是数据各自以列为标准均聚集在0附近,以及方差在1左右。
当原始时序数据的数据类型为多变量时序数据集中,可以抽取一定量的样本个数,一个类生成一个图,每个图以时间轴为横坐标,数据值为纵坐标,变量为特征值,预处理前后分别画对应的折线图,目的是进行前后的对。因为多变量时序数据的预处理是最小最大规范化,特征值为列采用最大最小规范化操作,用户可以清楚查看到预处理数据后的数据规律变为数据根据特征值为基准最大最小规范化,使数据范围落到区间[0,1]。
当原始时序数据的数据类型为动作识别数据集时,通过三维时序骨架图的展示对比,可以直观展示样本动作是否被正确分类。对比方式可以是将正确分类的样本与原始数据展示的基准动作图一起展示出来对比,及将错误分类的样本与原始数据展示的基准动作图一起展示出来对比。三维时序骨架图的数据来源于动作识别数据集各个动作类的原始数据搭建小人骨架模型和被分类的样本的数据搭建小人骨架模型所得。三维时序骨架图的目的在于方便直观地对比样本预测出来的动作与真实动作,通过对比,用户可以很快判断出样本动作是否被正确分类。例如,查看walk动作被分类正确的动态图情况时,通过观察walk动作的基准图和被分类正确的样本的动作图,用户可以判断出动作是否为走路,从而可以确认分类正确;例如,查看walk动作没有被分类正确的动态图情况,及查看被错误分到carry动作的动态图情况时,通过观察walk动作的基准图和被分类不正确的样本的动作图,可以判断出被分类的样本动作有没有被分到carry动作中,从而可以确认错误分类。
服务器还可以将预测和真实结果比对结果返回终端可视化展示,主要以柱状图、混淆矩阵和三维时序骨架图展示。
柱形图可以表示当前数据集进行模型处理后的处理结果,即各个类分类正确的概率比值。该柱状图的数据来源于当前数据集的数据经过某个模型后的预测标签列表与真实标签列表的统计与计算所得。柱状图的目的在于用户可方便直观地查看数据集的模型处理结果详情。
柱形图还可以表示当前数据集进行多个模型处理后的展示模型处理结果,即各个模型的分类正确的总概率比值。该柱状图的数据来源于当前数据集的数据经过多个模型后的分别对应的预测标签列表与真实标签列表的统计与计算所得。柱状图的目的在于用户可方便直观地查看数据集的多个模型处理后的处理结果的对比。
参照图2所示,为本发明时序数据的处理装置100的功能模块示意图。
本发明所述时序数据的处理装置100可以安装于电子设备中。根据实现的功能,所述时序数据的处理装置100可以包括接收模块110、响应模块120及处理模块130。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
接收模块110,用于接收用户发出的时序数据处理请求,获取请求中携带的原始时序数据,对所述原始时序数据执行预处理操作得到目标时序数据。
在本实施例中,以电子设备为服务器为例对本方案进行说明,服务器接收到时序数据处理请求后,获取请求中携带的原始时序数据,对原始时序数据执行预处理操作得到目标时序数据,时序数据的预处理主要是检查原始时序数据的完整性,对丢失或需要补充对齐的数据进行填补、对噪声数据进行处理等,从而达到数据一致性。可以使用Django框架,通过json数据流进行数据传送,对原始时序数据执行预处理。
在一个实施例中,接收模块还用于:
对所述原始时序数据执行解析,得到原始时序数据对应的原始序列数据,基于预先配置的原始时序数据的数据类型对应的校验规则,对所述原始序列数据执行校验操作,其中,所述原始时序数据的数据类型包括:单变量时序数据集、多变量时序数据集及动作识别数据集。
其中,单变量时序数据集格式可以是一维数据列表格式,例如,[1,2,3,4,5,6,7,8,9,10]。
多变量时序数据集可以是等时间长度的样本数据。多变量时序数据集的数据内容为4维,第一维的第一个数据是个列表,存储的是数据值,第一维的第二个数据是个列表,存储的是类的值,第一维的第三个数据是个列表,存储的是时间长度,第二维到第四维分别为样本数、时间长度、变量数。
动作识别数据集来源均是kinect设备的数据流,将数据按照频率抽样,每个样本执行完成后的数据存入一个文本或者一个mat文件,组成原始时序数据。因此可以根据原始时序数据的数据类型对原始时序数据进行校验。
进一步地,所述对所述原始时序数据执行预处理操作得到目标时序数据包括:
当所述原始时序数据的数据类型为单变量时序数据集或多变量时序数据集时,对该原始时序数据执行归一化处理;
当所述原始时序数据的数据类型为动作识别数据集时,对该原始时序数据的每个维度的属性数据执行归一化处理,对该原始时序数据的每一帧执行去噪处理,对该原始时序数据的样本长度低于预设值的样本执行补零操作,对该原始时序数据的样本长度高于预设值的样本执行截断操作。
当原始时序数据的数据类型为单变量时序数据集时,预处理操作可以是原数据减去所有数据的均值后,所得值再除以所有数据的标准差,得到归一化后的数据,使得所有数据正态分布。单变量时序数据的预处理是将所有数据分别按以样本为列,对列进行标准化,每一列的所有数据减去该列的均值,得到的值再除以其标准差,最后得到的值为标准化后的终值。因此每列所有数据经过预处理得到的结果就是数据各自以列为标准均聚集在0附近,以及方差在1左右。
当原始时序数据的数据类型为多变量时序数据集时,预处理操作可以是将原数据减去所有数据中的最小值,所得值再除以所有数据中的最大值与最小值之差。在多变量时序数据预处理中表现为将原始数据作线性变换,具体操作是以某属性的数据减去该属性的数据最小值,再除以该属性的最大值与最小值之差,所得为新数据,所有属性列均可采用此方式进行归一化操作。
当原始时序数据的数据类型为动作识别数据集时,对该原始时序数据的每个维度的属性数据执行归一化处理(例如,减去均值再除以方差),对该原始时序数据的每一帧采用Savitzky-Golay smoothing filter进行去噪处理从而提高信噪比,对该原始时序数据的样本长度低于预设值的样本执行补零操作,对该原始时序数据的样本长度高于预设值的样本执行截断操作,预设值可以是所有样本中最大样本长度的80%。可以采用cPickle预处理后生成一个.p文件,该文件存储的数据内容为4维,第一维的前五个数据均为列表,存储的是数据值,第二维到第四维分别为样本数、时间步、骨骼节点数。
在一个实施例中,接收模块还用于:
获取所述原始时序数据对应的标识信息,基于所述标识信息从预设存储空间查询是否存在该标识信息对应的预处理后的时序数据,当预设存储空间存在该标识信息对应的预处理后的时序数据时,将预处理后的时序数据作为所述目标时序数据。
获取请求中原始时序数据对应的标识信息,服务器根据标识信息从缓存中查询是否存在该标识信息对应的预处理后的时序数据,当存在该标识信息对应的预处理后的时序数据时,将预处理后的时序数据作为目标时序数据。当用户使用相同预处理标识进行预处理操作时,将读取持久化数据缓存中的结果文件的目标时序数据并返回,提高了数据可视化展示的效率。
在一个实施例中,接收模块还用于:
为发出时序数据处理请求的用户分配一个账号,以供所述用户基于所述账号发出所述时序数据处理请求,并将时序数据以文本的格式上传至服务器。用户的请求操作时均会带上分配的账号信息,利用分配的账号实现用户信息结构存储。
响应模块120,用于响应所述时序数据处理请求,将所述目标时序数据输入预设的时序模型,得到目标预测数据。
在本实施例中,将预处理得到的目标时序数据输入预设的时序模型,得到目标预测数据,其中,预设的时序模型是预先训练好的,用户在对目标时序数据进行预测时,可以根据配置界面选择不同的时序模型对目标时序数据进行预测。
用户可以选择不同的模型对预处理后的目标时序数据进行预测,服务器先查找缓存中是否存在该目标时序数据的预测结果,当未查找到对应的预测结果时,则根据用户自定义设置的模型参数权重计算出样本的预测值,同时记录该目标时序数据添加该用户的属性信息和预测结果,并存储至缓存中。
用户为目标时序数据提交模型运行参数,服务器将记录该目标时序数据在参数上的运行结果,当该用户或者其他用户使用相同参数运行模型时将读取持久化数据缓存中的预测结果并实时返回,提高数据预测处理的效率。
进一步地,当所述原始时序数据的数据类型为单变量时序数据集时,所述时序模型包括第一预设模型集中的任一模型,当所述原始时序数据的数据类型为多变量时序数据集时,所述时序模型包括第二预设模型集中的任一模型,当所述原始时序数据的数据类型为动作识别数据集时,所述时序模型包括第三预设模型。
原始时序数据为单变量时序数据集时,时序模型包括第一预设模型集中的任一模型,第一预设模型集包括10个模型,分别为ConvESN、Gaussian Naive Bayes、SVC with rbfkernel、SVC with linear kernel、Logistic regression、MLP、Euclidean_1NN、GradientBoosting Decision Tree、Decision Tree(C4.5)、random_forest。
原始时序数据为多变量时序数据集时,时序模型包括第二预设模型集中的任一模型,第二预设模型集包括3个模型,分别为ConvMESN、DTW、LSTM。其中,ConvMESN模型是卷积神经网络和回声状态网络来进行时间序列分类的深度神经网络模型,适用于数据集比较大的场景;DTW动态时间规整模型算法主要是衡量两个时序之间的相识度,适用于时间序列挖掘的或者语音识别领域的场景;LSTM长短期记忆模型,用到的是时间递归神经网络算法,多针对于间隔时间以及延长时间都比较长的时间序列数据,多适用于处理和预测这种时序数据的重要事件的场景。
目标时序数据为动作识别数据集时,时序模型为ConvESN-MSMC模型。ConvESN-MSMC模型是卷积神经网络和回声状态网络来进行时间序列分类的深度神经网络模型,属于多步多通道模型,适用于数据集比较大的用于动作识别的场景。
在一个实施例中,响应模块还用于:
将预先标注的真实值与所述预测列表对应的预测值进行比较生成分析结果,所述分析结果包括预测准确率和混淆矩阵。
混淆矩阵(热力图)表现的是数据集经过模型处理后的结果,表示为每个类被分类到哪个类的样本数比例的全部结果展示,数据来源于当前数据集的数据经过某个模型后的预测标签列表与真实标签列表的统计与计算所得。混淆矩阵的目的在于方便直观地查看数据集的模型处理结果详情,从而看出数据被分类正确的比值普遍分布。
处理模块130,用于将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示。
在本实施例中,数据的多样性可视化展示包括原始时序数据、目标时序数据及目标预测数据的不同形式可视化,其中,原始时序数据和预处理后的目标时序数据可视化展示可以根据被处理的数据集类型的不同采用不同的可视化方式,单变量数据可以以时间轴为基准展开,多变量数据主要以分得的类和特征值的特点展开,动作识别数据以骨骼支点为特征展开进行可视化。各种可视化信息由数据经服务器处理后整合,发送至前端js,采用echarts形式获取和展示。
具体地,可视化展示可以以表格形式展示数据集的具体信息,包括类的个数、样本个数、时间长度、特征值个数等,例如,以饼图形式可视化展示数据集的训练集、测试集和训练集加测试集的全集这三块的各类样本数比例,方便用户查看数据集是否为平衡数据集,并以三维时序骨架动态图形式可视化展示动作识别数据集的原始数据信息。服务器还可以组合预处理前的抽样样本和预处理后的抽样样本数据返回终端分析结果。例如,以折线图形式展示分析结果。
在一个实施例中,所述将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示包括:
当所述原始时序数据的数据类型为单变量时序数据集或多变量时序数据集时,以时间为横坐标,数据值为纵坐标,构建所述原始时序数据、所述目标时序数据及所述目标预测数据的折线图进行可视化展示;
当所述原始时序数据的数据类型为动作识别数据集时,构建所述原始时序数据、所述目标时序数据及所述目标预测数据的三维时序骨架图进行可视化展示。
当原始时序数据的数据类型为单变量时序数据集时,可以抽取一定量的样本个数,以时间轴来做横坐标,数据值来做纵坐标,变量为不同的样本,预处理前后分别生成对应的折线图,目的是进行前后的对比。因为单变量时序数据的预处理是数据标准化,用户可以清楚查看到预处理数据后的数据规律变为以样本列为基准,每列所有数据经过预处理得到的结果就是数据各自以列为标准均聚集在0附近,以及方差在1左右。
当原始时序数据的数据类型为多变量时序数据集中,可以抽取一定量的样本个数,一个类生成一个图,每个图以时间轴为横坐标,数据值为纵坐标,变量为特征值,预处理前后分别画对应的折线图,目的是进行前后的对。因为多变量时序数据的预处理是最小最大规范化,特征值为列采用最大最小规范化操作,用户可以清楚查看到预处理数据后的数据规律变为数据根据特征值为基准最大最小规范化,使数据范围落到区间[0,1]。
当原始时序数据的数据类型为动作识别数据集时,通过三维时序骨架图的展示对比,可以直观展示样本动作是否被正确分类。对比方式可以是将正确分类的样本与原始数据展示的基准动作图一起展示出来对比,及将错误分类的样本与原始数据展示的基准动作图一起展示出来对比。三维时序骨架图的数据来源于动作识别数据集各个动作类的原始数据搭建小人骨架模型和被分类的样本的数据搭建小人骨架模型所得。三维时序骨架图的目的在于方便直观地对比样本预测出来的动作与真实动作,通过对比,用户可以很快判断出样本动作是否被正确分类。例如,查看walk动作被分类正确的动态图情况时,通过观察walk动作的基准图和被分类正确的样本的动作图,用户可以判断出动作是否为走路,从而可以确认分类正确;例如,查看walk动作没有被分类正确的动态图情况,及查看被错误分到carry动作的动态图情况时,通过观察walk动作的基准图和被分类不正确的样本的动作图,可以判断出被分类的样本动作有没有被分到carry动作中,从而可以确认错误分类。
服务器还可以将预测和真实结果比对结果返回终端可视化展示,主要以柱状图、混淆矩阵和三维时序骨架图展示。
柱形图可以表示当前数据集进行模型处理后的处理结果,即各个类分类正确的概率比值。该柱状图的数据来源于当前数据集的数据经过某个模型后的预测标签列表与真实标签列表的统计与计算所得。柱状图的目的在于用户可方便直观地查看数据集的模型处理结果详情。
柱形图还可以表示当前数据集进行多个模型处理后的展示模型处理结果,即各个模型的分类正确的总概率比值。该柱状图的数据来源于当前数据集的数据经过多个模型后的分别对应的预测标签列表与真实标签列表的统计与计算所得。柱状图的目的在于用户可方便直观地查看数据集的多个模型处理后的处理结果的对比。
参照图3所示,为本发明电子设备1较佳实施例的示意图。
该电子设备1包括但不限于:存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络,获取原始数据。其中,所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobilecommunication,GSM)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器11可以是所述电子设备1的内部存储单元,例如该电子设备1的硬盘或内存。在另一些实施例中,所述存储器11也可以是所述电子设备1的外部存储设备,例如该电子设备1配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器11还可以既包括所述电子设备1的内部存储单元也包括其外部存储设备。本实施例中,存储器11通常用于存储安装于所述电子设备1的操作***和各类应用软件,例如时序数据的处理程序10的程序代码等。此外,存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作,例如执行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据,例如运行时序数据的处理程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode,OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面,例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口),该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。
图1仅示出了具有组件11-14以及时序数据的处理程序10的电子设备1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,所述电子设备1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
该电子设备1还可以包括射频(Radio Frequency,RF)电路、传感器和音频电路等等,在此不再赘述。
在上述实施例中,处理器12执行存储器11中存储的时序数据的处理程序10时可以实现如下步骤:
接收用户发出的时序数据处理请求,获取请求中携带的原始时序数据,对所述原始时序数据执行预处理操作得到目标时序数据;
响应所述时序数据处理请求,将所述目标时序数据输入预设的时序模型,得到目标预测数据;
将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示。
所述存储设备可以为电子设备1的存储器11,也可以为与电子设备1通讯连接的其它存储设备。
关于上述步骤的详细介绍,请参照上述图2关于时序数据的处理装置100实施例的功能模块图以及图1关于时序数据的处理方法实施例的流程图的说明。
此外,本发明实施例还提出一种计算机可读存储介质,该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有时序数据的处理程序10,所述时序数据的处理程序10被处理器执行时实现如下操作:
接收用户发出的时序数据处理请求,获取请求中携带的原始时序数据,对所述原始时序数据执行预处理操作得到目标时序数据;
响应所述时序数据处理请求,将所述目标时序数据输入预设的时序模型,得到目标预测数据;
将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示。
本发明之计算机可读存储介质的具体实施方式与上述时序数据的处理方法的具体实施方式大致相同,在此不再赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,电子装置,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种时序数据的处理方法,应用于电子设备,其特征在于,所述方法包括:
接收用户发出的时序数据处理请求,获取请求中携带的原始时序数据,对所述原始时序数据执行预处理操作得到目标时序数据;
响应所述时序数据处理请求,将所述目标时序数据输入预设的时序模型,得到目标预测数据;
将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示。
2.如权利要求1所述的时序数据的处理方法,其特征在于,在所述获取请求中携带的原始时序数据之后,所述方法还包括:
对所述原始时序数据执行解析,得到原始时序数据对应的原始序列数据,基于预先配置的原始时序数据的数据类型对应的校验规则,对所述原始序列数据执行校验操作,其中,所述原始时序数据的数据类型包括:单变量时序数据集、多变量时序数据集及动作识别数据集。
3.如权利要求1所述的时序数据的处理方法,其特征在于,在所述对所述原始时序数据执行预处理操作得到目标时序数据之前,所述方法还包括:
获取所述原始时序数据对应的标识信息,基于所述标识信息从预设存储空间查询是否存在该标识信息对应的预处理后的时序数据,当预设存储空间存在该标识信息对应的预处理后的时序数据时,将预处理后的时序数据作为所述目标时序数据。
4.如权利要求2所述的时序数据的处理方法,其特征在于,所述对所述原始时序数据执行预处理操作得到目标时序数据包括:
当所述原始时序数据的数据类型为单变量时序数据集或多变量时序数据集时,对该原始时序数据执行归一化处理;
当所述原始时序数据的数据类型为动作识别数据集时,对该原始时序数据的每个维度的属性数据执行归一化处理,对该原始时序数据的每一帧执行去噪处理,对该原始时序数据的样本长度低于预设值的样本执行补零操作,对该原始时序数据的样本长度高于预设值的样本执行截断操作。
5.如权利要求2所述的时序数据的处理方法,其特征在于,当所述原始时序数据的数据类型为单变量时序数据集时,所述时序模型包括第一预设模型集中的任一模型,当所述原始时序数据的数据类型为多变量时序数据集时,所述时序模型包括第二预设模型集中的任一模型,当所述原始时序数据的数据类型为动作识别数据集时,所述时序模型包括第三预设模型。
6.如权利要求1所述的时序数据的处理方法,其特征在于,所述目标预测数据包括预测列表,所述方法还包括:
将预先标注的真实值与所述预测列表对应的预测值进行比较生成分析结果,所述分析结果包括预测准确率和混淆矩阵。
7.如权利要求2所述的时序数据的处理方法,其特征在于,所述将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示包括:
当所述原始时序数据的数据类型为单变量时序数据集或多变量时序数据集时,以时间为横坐标,数据值为纵坐标,构建所述原始时序数据、所述目标时序数据及所述目标预测数据的折线图进行可视化展示;
当所述原始时序数据的数据类型为动作识别数据集时,构建所述原始时序数据、所述目标时序数据及所述目标预测数据的三维时序骨架图进行可视化展示。
8.一种时序数据的处理装置,其特征在于,所述装置包括:
接收模块:用于接收用户发出的时序数据处理请求,获取请求中携带的原始时序数据,对所述原始时序数据执行预处理操作得到目标时序数据;
响应模块:用于响应所述时序数据处理请求,将所述目标时序数据输入预设的时序模型,得到目标预测数据;
处理模块:用于将所述原始时序数据、所述目标时序数据及所述目标预测数据进行可视化展示。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的程序,所述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如权利要求1至7中任一项所述的时序数据的处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括存储程序区,存储程序区存储有时序数据的处理程序,所述时序数据的处理程序被处理器执行时,实现如权利要求1至7中任一项所述时序数据的处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966752.9A CN112115182A (zh) | 2020-09-15 | 2020-09-15 | 时序数据的处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966752.9A CN112115182A (zh) | 2020-09-15 | 2020-09-15 | 时序数据的处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112115182A true CN112115182A (zh) | 2020-12-22 |
Family
ID=73803567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010966752.9A Withdrawn CN112115182A (zh) | 2020-09-15 | 2020-09-15 | 时序数据的处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115182A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332801A (zh) * | 2022-03-14 | 2022-04-12 | 南京航空航天大学 | 一种基于时序方差阈值的目标检测主动采样方法 |
CN116108086A (zh) * | 2023-02-27 | 2023-05-12 | 广州汇通国信科技有限公司 | 一种时序数据的评估方法、装置、电子设备及存储介质 |
-
2020
- 2020-09-15 CN CN202010966752.9A patent/CN112115182A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332801A (zh) * | 2022-03-14 | 2022-04-12 | 南京航空航天大学 | 一种基于时序方差阈值的目标检测主动采样方法 |
CN116108086A (zh) * | 2023-02-27 | 2023-05-12 | 广州汇通国信科技有限公司 | 一种时序数据的评估方法、装置、电子设备及存储介质 |
CN116108086B (zh) * | 2023-02-27 | 2023-09-26 | 广州汇通国信科技有限公司 | 一种时序数据的评估方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633254A (zh) | 建立预测模型的装置、方法及计算机可读存储介质 | |
CN110222087B (zh) | 特征提取方法、装置及计算机可读存储介质 | |
CN113435602A (zh) | 确定机器学习样本的特征重要性的方法及*** | |
CN115236260B (zh) | 一种色谱数据储存方法、装置、电子设备及存储介质 | |
CN109298840A (zh) | 基于数据湖的数据集成方法、服务器及存储介质 | |
CN112328909B (zh) | 信息推荐方法、装置、计算机设备及介质 | |
CN110136841B (zh) | 疾病发病预测方法、装置及计算机可读存储介质 | |
CN111310052A (zh) | 用户画像构建方法、装置及计算机可读存储介质 | |
CN112115182A (zh) | 时序数据的处理方法、装置、设备及存储介质 | |
CN111210071B (zh) | 业务对象预测方法、装置、设备及可读存储介质 | |
CN112348261A (zh) | 一种交易量预测方法、设备、装置及存储介质 | |
CN111177568A (zh) | 基于多源数据的对象推送方法、电子装置及存储介质 | |
CN113268403B (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
CN113222170A (zh) | 一种用于物联网ai协同服务平台的智能算法和模型 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN115062200A (zh) | 基于人工智能的用户行为挖掘方法及*** | |
CN110968802A (zh) | 一种用户特征的分析方法、分析装置及可读存储介质 | |
CN111241066B (zh) | 平台数据库自动化运维方法、装置及计算机可读存储介质 | |
CN110674020B (zh) | App智能推荐方法、装置及计算机可读存储介质 | |
CN111950623A (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
CN114580791B (zh) | 膨化机工作状态识别方法、装置、计算机设备、存储介质 | |
CN110598995A (zh) | 智能客户评级方法、装置及计算机可读存储介质 | |
CN113033938B (zh) | 确定资源分配策略的方法、装置、终端设备及存储介质 | |
CN115687691A (zh) | 视频推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201222 |