CN116435995A - 时间序列的处理方法、计算机可读存储介质和电子设备 - Google Patents
时间序列的处理方法、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN116435995A CN116435995A CN202310366050.0A CN202310366050A CN116435995A CN 116435995 A CN116435995 A CN 116435995A CN 202310366050 A CN202310366050 A CN 202310366050A CN 116435995 A CN116435995 A CN 116435995A
- Authority
- CN
- China
- Prior art keywords
- target
- time sequence
- prediction
- original time
- original
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 193
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims description 141
- 238000012795 verification Methods 0.000 claims description 122
- 238000012805 post-processing Methods 0.000 claims description 67
- 230000015654 memory Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 69
- 238000010586 diagram Methods 0.000 description 20
- 230000005540 biological transmission Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 239000000654 additive Substances 0.000 description 7
- 230000000996 additive effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004372 laser cladding Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种时间序列的处理方法、计算机可读存储介质和电子设备。其中，该方法包括：获取原始时间序列，其中，原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列；基于原始时间序列，生成目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。本申请解决了相关技术中由于电力时间序列受传感误差、采集故障等影响，导致电力预测准确度较低的技术问题。
Description
技术领域
本申请涉及数据处理领域，具体而言，涉及一种时间序列的处理方法、计算机可读存储介质和电子设备。
背景技术
精准的电力预测是电力***运行与分析的基础，对机组组合、经济调度、安全校核等有着重要意义，良好的电力数据的预测能够有效的帮助电网安全稳定运行，使电力进行迎峰度夏和迎峰度冬。
但是目前电力数据受传感误差、采集故障等影响，通常会出现异常值和缺失值，并且由于不同类型电力负荷受所受到的影响因素不同，会导致在根据历史时间段的电力数据对未来时间段的电力数据进行预测时，预测结果不准确。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种时间序列的处理方法、计算机可读存储介质和电子设备，以至少解决相关技术中由于电力时间序列受传感误差、采集故障等影响，导致电力预测准确度较低的技术问题。
根据本申请实施例的一个方面，提供了一种时间序列的处理方法，包括：获取原始时间序列，其中，原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列；基于原始时间序列，生成目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
根据本申请实施例的另一方面，还提供了一种时间序列的处理方法，包括：监测电力***的运行过程，并在操作界面上显示原始时间序列，其中，原始时间序列用于表征电力***在历史时间段内所产生的时间序列；响应作用于操作界面上的预测指令，在操作界面上显示原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列，目标预测结果是利用目标处理流水线中的目标预测模型对原始时间序列进行数据预测得到的，目标处理流水线是基于原始时间序列生成的。
根据本申请实施例的另一方面，还提供了一种时间序列的处理方法，包括：云服务器获取电力***上传的原始时间序列，其中，原始时间序列用于表征电力***在历史时间段内运行所产生的时间序列；云服务器基于原始时间序列，生成目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；云服务器利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列；云服务器基于目标预测结果控制电力***。
根据本申请实施例的另一方面，还提供了一种时间序列的处理方法，包括：通过调用第一接口获取原始时间序列，其中，第一接口包括第一参数，第一参数的参数值为原始时间序列，原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列；基于原始时间序列，生成目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列；通过调用第二接口输出目标预测结果，其中，第二接口包括第二参数，第二参数的参数值为目标预测结果。
根据本申请实施例的另一方面，还提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质包括存储的可执行程序，其中，在可执行程序运行时控制计算机可读存储介质所在设备执行上述任意一项的时间序列的处理方法。
根据本申请实施例的另一方面，还提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质包括存储的可执行程序，其中，在可执行程序运行时控制计算机可读存储介质所在设备执行上述任意一项的时间序列的处理方法。
在本申请实施例中，采用获取原始时间序列；基于原始时间序列，生成目标处理流水线；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果方式，通过根据原始时间序列，实现自动化生成与原始时间序列匹配度较高的目标处理流水线，然后利用目标处理流水线中的目标预测模型对原始时间序列进行数据预测得到目标预测结果，能够提高预测出的目标预测结果的准确度，进而解决了相关技术中由于电力时间序列受传感误差、采集故障等影响，导致电力预测准确度较低的技术问题。
容易注意到的是，上面的通用描述和后面的详细描述仅仅是为了对本申请进行举例和解释，并不构成对本申请的限定。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例1的一种用于实现时间序列的处理方法的计算机终端(或移动设备)的硬件结构框图；
图2是根据本申请实施例1的一种计算机终端交互的示意图；
图3是根据本申请实施例1的一种时间序列的处理方法的流程图；
图4(a)和图4(b)是根据本申请实施例1的时间序列的处理***框架的示意图；
图5是根据本申请实施例2的一种时间序列的处理方法的流程图；
图6是根据本申请实施例3的一种时间序列的处理方法的流程图；
图7是根据本申请实施例4的一种时间序列的处理方法的流程图；
图8是根据本申请实施例5的一种时间序列的处理装置的结构框图；
图9是根据本申请实施例6的一种时间序列的处理装置的结构框图；
图10是根据本申请实施例7的一种时间序列的处理装置的结构框图；
图11是根据本申请实施例8的一种时间序列的处理装置的结构框图；
图12是根据本申请实施例10的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
时间序列(time series)，一组按照时间顺序排列的数据点，广泛应用于信号处理、统计学、气象、电力等领域。
电力预测(electricity forecasting)，时间序列预测的一种应用，通过对给出一段历史时间电力时序和其他相关指标的建模，对未来一段时间的电力时序预测，典型场景包括：母线负荷、***负荷、新能源功率预测。
自动机器学习(automatic machine learning)，自动机器学习使机器学习解决问题的过程自动化的技术，主要集中在特征工程、模型选择和超参数优化。
流水线，在流水线中会包含多个工作节点，每个工作节点之间存在工作顺序，每个工作节点也只专注于处理一个片段的工作，一般是指工业中的一种生产方式，在本申请中是指由多个不同的数据处理算法和/或模型，按预设的处理顺序组成的一条数据处理流程，用于对待处理数据，例如对时间序列进行处理。
预测解释，可以对预测结果进行标注、解释，使用户能够快速的确定出在生成预测结果的过程中，使用到的数据对预测结果的影响程度，例如确定各个数据在预测过程中对应的权重、贡献值等参数，方便用户理解预测结果。
实施例1
根据本申请实施例，还提供了一种时间序列的处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1是根据本申请实施例1的一种用于实现时间序列的处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备)可以包括一个或多个(图中采用102a，102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器(Microcontroller Unit，MCU)或可编程逻辑器件(Field Programmable GateArray，FPGA)等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(UniversalSerial Bus，USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的时间序列的处理方法的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的时间序列的处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(Laser Cladding Deposition，LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
图1示出的硬件结构框图，不仅可以作为上述计算机终端10(或移动设备)的示例性框图，还可以作为上述服务器的示例性框图，一种可选实施例中，图2是根据本申请实施例1的一种计算机终端交互的示意图，图2以框图示出了使用上述图1所示的计算机终端10(或移动设备)作为接收端的一种实施例。如图2所示，计算机终端10(或移动设备)可以经由数据网络连接或电子连接到一个或多个客户端。一种可选实施例中，上述计算机终端10(或移动设备)可以是云服务器。数据网络连接可以是局域网连接、广域网连接、因特网连接，或其他类型的数据网络连接。计算机终端10(或移动设备)可以提供给已连接的一个客户端或一组客户端20网络服务。网络服务器是基于网络的用户服务，诸如电力预测。
在上述运行环境下，本申请提供了如图3所示的时间序列的处理方法。图3是根据本申请实施例1的一种时间序列的处理方法的流程图，如图3所示，该方法的具体步骤包括：
步骤S302，获取原始时间序列。
其中，原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列。
上述目标***可以是指能够产生并记录历史数据，以及对未来数据进行预测的***，可以包括但不限于：电力***、风力***等。
上述历史时间段可以是指在目标***开始运行到当前时刻之间的时间段，也可以是当前时刻之前一段时间。
上述原始时间序列可以是由目标***在预设历史时间段内运行所产生的原始数据，即历史数据，按照时间顺序构建出的时间序列。
在本实施例的一种可选方案中，以目标***为电力预测***为例，为了提高电力预测***预测出的未来一段时间内电力时间序列的准确度，时间序列的处理***(下文简称为处理***，需要说明的是，该处理***可以是服务器或者是安装在移动终端上的客户端，具体选择可以根据实际情况而定，在此不做具体限定)可以首先获取该电力预测***在预设的历史时间段内产生的历史电力数据，并根据该历史电力数据构建出对应的时间序列，即上述的原始时间序列。
步骤S304，基于原始时间序列，生成目标处理流水线。
其中，目标处理流水线至少包括：目标预测模型。
上述流水线可以是指包含对原始时间序列进行处理的多种不同处理算法、模型的流水线。上述目标预测模型可以是指用于对原始时间序列进行预测，得到目标***在未来一段时间内所产生的未来数据的模型。
在本实施例的一种可选方案中，为了避免因选择预测模型或算法错误而导致预测结果出现偏差，处理***可以预先设置多个用于进行预测的模型或算法，并根据目标***的***运行参数，例如运行环境、运行目的等，从上述多个算法和模型中，有针对性的确定出与目标***相关性较高的多个子算法和子模型，例如至少确定出目标预测模型，然后利用预设的流水线组装器，将确定出的模型或算法按照组装器中的预设融合算法，例如一种聚类融合算法(比如，Voting(投票)算法)，一种层次融合算法(比如，Stacking(结合)算法)等，按照预设的逻辑顺序组合成与原始时间序列对应的目标处理流水线，从而保证处理***在利用处理流水线对目标时间序列进行处理时，不会出现单一算法预测方差或者偏差问题，并且通过结合多组模型的预测值，能够有效提升模型预测鲁棒性和精度。
举例来说，若目标***需要在极端天气下运行，处理***是对极端天气的数据进行预测的，则此时可以将广义加性模型(比如，Explainable generalized additive model(可解释的广义加性模型)模型)添加至上述的处理流水线中；若目标***需要在极度不稳定的工业负荷下运行，处理***是通过组合过去真实值窗口的平均值来对目标***的数据进行预测，则此时可以将滑动平均模型(比如，Exponential Moving Average Mixture(指数滑动平均)模型)添加至上述的处理流水线中。
在本实施例的一种可选方案中，为了提高确定目标处理流水线的效率，处理***还可以根据预设的算法、模型，按照预设的逻辑预先生成多条流水线，然后根据目标***的***运行参数，例如运行环境、运行目的等，以及流水线的参数，例如处理量、处理复杂度、与原始时间序列的结构相关度等，从处理多条流水线中确定出目标处理流水线，或者直接由用户自行确定目标处理流水线，需要说明的是，具体的目标处理流水线的确定过程可以根据实际情况而定，在此不做具体限定。
在本实施例的一种可选方案中，上述流水线组装器是基于自动机器学习构建的，在利用预设融合算法融合多个算法或模型时，可以根据目标***的***参数，例如电力***的电力负荷，确定流水线中模型的逻辑顺序，从而使组合出的处理流水线更准确。
步骤S306，利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果。
其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
上述预设时间段可以是指前述的未来一段时间，可以是由处理***根据目标***的运行情况，例如运行时间、数据产生效率等，自动生成的时间段，也可以是由用户自行设置的时间段，具体可以根据实际情况而定，在此不做具体限定。
在本实施例的一种可选方案中，在确定出包含目标预测模型的目标处理流水线之后，便可以根据目标处理流水线中的目标预测模型，对原始时间序列进行数据预测，以得到上述原始时间序列对应的目标预测结果。
在本实施例的一种可选方案中，为了提高处理***的通用性，方便用户理解处理***，可以采用传统的预测模型或常见的深度学习模型，来作为上述的用于对原始时间序列进行数据预测的目标预测模型。
其中，传统的机器学***均自回归模型(AutoregressiveIntegrated Moving Average model，简称为ARIMA)，Prophet，广义相加模型(GeneralizedAdditive Model，简称为GAM)等。常见的深度学习模型，例如基于Transformers构建的模型，可以包括：一种傅里叶预测模型(比如，FedFormer(Frequency Enhanced DecomposedTransformer，频率增强分解变换器))，四元数Transformer(QuatFormer)，一种深度长时间序列预测模型(比如，Informer(超越转换器的长序列预测模型))，一种深度分解架构的预测模型(比如，AutoFormer(基于深度分解结构和自相关机制的长期序列预测模型))等；基于循环神经网络(Recurrent Neural Network，简称为RNN)构建的模型，可以包括：一种长短期记忆人工神经网络(Long Short-Term Memory，简称为LSTM)，一种门循环神经网络(Gate Recurrent Unit，GRU),时间卷积网络(Temporal Convolutional Network TCN)等。
在本申请实施例中，采用获取原始时间序列；基于原始时间序列，生成目标处理流水线；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果方式，通过根据原始时间序列，实现自动化生成与原始时间序列匹配度较高的目标处理流水线，然后利用目标处理流水线中的目标预测模型对原始时间序列进行数据预测得到目标预测结果，能够提高预测出的目标预测结果的准确度，进而解决了相关技术中由于电力时间序列受传感误差、采集故障等影响，导致电力预测准确度较低的技术问题。
在本申请上述实施例中，基于原始时间序列，生成目标处理流水线，包括：获取原始时间序列对应的验证集；利用多个预测模型对验证集进行数据预测，得到验证集对应的预测结果；基于预测结果，确定多个预测模型中的目标预测模型；基于目标预测模型，生成目标处理流水线。
上述验证集可以是指由原始时间序列对应的原始数据。
在本实施例的一种可选方案中，考虑到不同的预测模型对不同的目标时间序列的预测效果不同，因此，可以在处理***中配置多个预测模型，并利用多个预测模型对上述的验证集进行预测，确定出多个预测模型各自对应的预测结果。然后可以根据多个预测结果，从多个预测模型中确定出对验证集进行预测时预测效果最好目标预测模型。最后便可以根据该目标预测模型，按照前述生成流水线的方法，生成上述的目标处理流水线。
在本实施例的一种可选方案中，可以设置一个模型选择器，来根据预测结果从多个预测模型中确定出目标预测模型。例如，可以利用多个验证样本来对模型选择器进行训练，以提高利用模型选择器选择出的目标预测模型的准确度。
具体的，可以先利用多个预测模型对验证样本进行预测，确定出多个预测模型各自对应的验证样本的验证预测结果，然后利用验证预测结果，从多个预测模型中确定出目标预测模型，并利用全部数据对目标预测模型进行重新训练。
在本申请上述实施例中，利用多个预测模型对验证集进行数据预测，得到验证集对应的预测结果，包括：对验证集进行特征提取，得到验证集对应的原始数据特征；对原始数据特征进行特征选择，得到目标数据特征；将目标数据特征分别输入至多个预测模型，并获取多个预测模型输出的预测结果。
上述原始数据特征可以是指对验证集进行特征提取，得到的能够表现目标时间序列的时序元素的特征，可以包括但不限于：对齐特征、样本归一化特征、时间戳特征、滞后特征、差分特征、分箱特征等。上述目标数据特征可以是指与验证集高度相关的特征。
在本实施例的一种可选方案中，在对原始数据特征进行特征选择时，考虑到不同数据特征之间的相关性，例如时间指数、环境指数，线性相关性等，可以将多个原始数据特征进行分组，通过将相关性较高的特征分组得到至少一个特征集合，然后再利用预设的目标数据特征筛选算法，先在集合维度筛选集合，得到至少一个有效集合，然后再在集合内部筛选数据特征得到最终目标数据特征，相较于在单一数据特征维度进行特征选择，处理***可以在集合维度进行特征选择，有效减少筛目标数据特征的空间大小，从而提升特征选择的效率。
在本实施例的一种可选方案中，考虑到不同的特征筛选算法适用的场景不同，例如特征筛选算法A在原始数据特征数量较小的情况下筛选能力较强，特征筛选算法B在原始数据特征满足特定数学假设的情况下筛选能力比较强，因此，在处理***中配置了多种特征筛选算法用于不同的场景，从而提高筛选出目标数据特征的效率，进而提高处理***对目标时间序列进行数据预测的效率。
在本申请上述实施例中，目标处理流水线还包括：目标前处理算法和目标后处理算法，利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，包括：基于目标前处理算法对原始时间序列进行修正，得到修正原始时间序列，利用目标预测模型对修正原始时间序列进行数据预测，得到修正原始时间序列的原始预测结果；利用目标后处理算法对原始预测结果进行后处理，得到目标预测结果。
上述目标前处理算法可以是指用来对原始时间序列结果进行调整，以得到精度较高的未来数据的算法，可以包括但不限于：鲁棒分解算法例如鲁棒季节趋势分解算法(RobustSTL)，鲁棒周期检测算法(RobustPeriod)等；上述目标后处理算法可以指用来对目标预测模型预测结果进行修正的算法例如根据当前天气因素自动调整模型预测值，根据人工经验上调或者下调预测最大值和最小值，用于提升预测精准度以及合理性。上述原始预测结果可以是指利用目标预测模型，对原始时间序列进行初步预测出的未来数据，该预测结果与原始时间序列对应。
在本申请上述实施例中，基于原始时间序列，生成目标处理流水线，包括：获取原始时间序列对应的验证集；利用目标预测模型对验证集进行数据预测，得到验证集对应的验证预测结果；利用多个后处理算法对验证预测结果进行后处理，得到验证预测结果的后处理结果；基于后处理结果，确定多个后处理算法中的目标后处理算法。
在本实施例的一种可选方案中，考虑到不同的后处理算法对不同的预测结果的后处理效果不同，因此，可以在处理***中配置多个后处理算法，从多个后处理算法中确定出对目标预测结果后处理效果较好的目标后处理算法。
具体的，可以先利用确定出的目标预测模型对验证集进行数据预测，得到对应的验证预测结果，然后利用多个后处理算法对该验证预测结果进行后处理，得到多个对应的后处理结果，最后再根据多个后处理结果，从多个后处理模型中确定出对验证预测结果后处理效果较好的目标后处理算法，并将目标后处理算法添加至目标处理流水线中，目标后处理算法在目标预测算法之后运行。
在本申请上述实施例中，目标处理流水线还包括：目标预测解释算法，在利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果之后，方法还包括：利用目标预测解释算法对目标预测结果进行解释，得到原始时间序列的预测解释结果，其中，预测解释结果用于表征目标特征对目标预测结果的影响程度；输出预测解释结果。
上述预测解释算法可以是指用来对目标预测结果进行解释的算法，该算法可以输出目标预测结果中不同的目标数据特征所对应的贡献值，即上述的预测解释结果。
在本实施例的一种可选方案中，为了便于用户理解数据预测过程和目标预测结果，还可以在目标处理流水线中设置目标预测解释算法，来对目标预测结果进行解释，并输出该预测解释结果，以方便用户查看。
在本实施例的一种可选方案中，可以采用特征归因算法(Feature Attribution)作为上述的目标预测结果解释算法，从目标时间序列中选取一个参考时间点，然后将该参考时间段中的目标特征，通过全局随机树(Totally randomized tree)的方式逼近目标预测结果中的预测值，以确定该目标特征对目标预测结果的影响程度，从而使目标预测结果具有可解释性，方便用户理解该目标处理结果。
在本申请上述实施例中，基于原始时间序列，生成目标处理流水线，包括：获取原始时间序列对应的验证集；利用目标预测模型对验证集进行数据预测，得到验证集对应的验证预测结果；利用多个预测解释算法对验证预测结果进行解释，得到验证预测结果的验证解释结果；基于验证解释结果，从多个预测解释算法中确定目标预测解释算法。
在本实施例的一种可选方案中，由于不同的预测解释算法对不通风的目标预测结果的解释效果不同，因此，可以在处理***中配置多个预测解释算法，从多个预测解释算法中确定出对目标预测结果的解释效果较好的目标预测解释算法。
在本实施例的一种可选方案中，可以设置一个解释算法选择器，来根据预测解释结果从多个预测解释算法中确定出目标预测解释算法。例如，可以利用多个验证样本来对解释算法选择器进行训练，以提高利用解释算法选择器选择出的目标预测解释算法的准确度。
具体的，可以先利用多个预测解释算法对验证样本进行解释，确定出多个预测解释算法各自对应的验证样本的预测解释结果，然后利用预测解释结果，从多个预测解释算法中确定出目标预测解释算法，并利用该目标预测解释算法和验证样本对解释算法选择器进行训练。
在本申请上述实施例中，在获取原始时间序列之后，该方法还包括：从多个历史时间序列中确定原始时间序列对应的相似时间序列；获取相似时间序列对应的处理流水线，得到原始时间序列对应的目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
上述相似时间序列可以是指由与目标***应用环境相同的其他***，在历史时间段产生的时间序列。
在本实施例的一种可选方案中，为了提高获取目标预测结果的效率，处理***可以首先获取多个不同***，在历史时间段对应的历史时间序列，然后从多个历史时间序列中确定出原始时间序列对应的相似时间序列，以及相似时间序列对应的处理流水线。由于相似时间序列对应的***与目标***的应用环境相同，两者的预测条件的相似度较高，因此，可以直接将相似时间序列对应的处理流水线，作为原始时间序列对应的目标处理流水线，需要说明的是，该处理流水线中需要至少包括目标预测模型。处理***可以利用该处理流水线中的目标预测模型直接对原始时间序列进行数据预测，以快速的得到原始时间序列的目标预测结果，进而提高获取目标预测结果的效率。
为了清晰的表现出上述的时间序列的处理***的运行框架，图4(a)和图4(b)是根据本申请实施例1的时间序列的处理***框架的示意图，如图4(a)和图4(b)所示，整个***的框架可以分为五个部分，具体的：
第一部分是原始时间序列获取部分，用于获取目标***在历史时间段产生的原始数据，并根据原始数据生成原始时间序列，其中，原始数据可以包括但不限于：电力数据、天气数据等，针对不同目标***获取的原始数据不同。
第二部分是算法筛选部分，用于从多个算法和/或模型中，确定出用于对目标特征进行筛选处理的目标算法和/或模型。算法筛选部分可以包括统计机器学习算法和深度学习算法等两大类，其中，如前文所示，统计机器学习算法可以包括但不限于：LGBM、XGB、CatBoost、SVR、GAM等，深度学习算法可以包括但不限于：FedFormer、QuatFormer、LSTM、GRU、TCN等。
第三部分是后处理部分，用于对利用目标后处理算法，结合目标***的运行情况，对预测出的未来一段时间的未来数据进行后处理，以提高目标预测结果的准确度，其中，能够考虑到的运行情况可以包括但不限于：极端天气、节假日等。
第四部分是预测解释部分，用于确定目标特征对目标预测结果的影响程度，在确定影响程度时，进行的操作可以包括但不限于：特征归因、依赖划分、特征交互、利用加法解释算法(Shapley Additive exPlanations，简称为bSHAP)进行解释、梯度集成等。
第五部分是流水线组装部分，用于利用流水线组装器，按照前述预设融合算法对多个算法和/或模型进行融合，以得到至少一个处理流水线，并从组合出的处理流水线中确定出目标流水线，即可以确定出用于目标预测模型训练的目标数据特征，用于对未来一段时间内的未来数据进行预测的目标预测模型，以及上述的目标后处理算法等。
整个处理***可以输出应用至不同的场景中，能够应用的场景可以包括但不限于：母线负荷预测、***负荷预测、新能源功率预测等。
需要说明的是，本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
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根据上述实施例的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。基于这样的理解，本申请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，服务器，或者网络设备等)执行本申请各个实施例的方法。
实施例2
根据本申请实施例，还提供了一种时间序列的处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图5是根据本申请实施例2的一种时间序列的处理方法的流程图，如图5所示，该方法可以包括如下步骤：
步骤S502，监测电力***的运行过程，并在操作界面上显示原始时间序列。
其中，原始时间序列用于表征电力***在历史时间段内所产生的时间序列。
上述原始时间序列可以是指能够获取到的，由电力***在预设历史时间段内产生的原始数据，即上述的历史数据构建出的时间序列。
在本实施例的一种可选方案中，处理***可以监测电力***的运行情况，例如电力***在预设的历史时间段中所产生的电力数据，并根据电力数据生成对应的原始时间序列。
在本实施例的一种可选方案中，为了便于用户查看原始时间序列，处理***可以在预设的操作界面中显示在原始时间序列。
步骤S504，响应作用于操作界面上的预测指令，在操作界面上显示原始时间序列的目标预测结果。
其中，目标预测结果是利用目标处理流水线中的目标预测模型对原始时间序列进行数据预测得到的，目标处理流水线是基于原始时间序列生成的
上述预测指令可以是指由用户向处理***发送的，对电力***未来一段时间内所产生的数据进行预测的指令。
处理***在获取到原始时间序列后，可以首先根据原始时间序列生成一条目标处理流水线，然后利用目标处理流水线中的目标预测模型，对原始时间序列进行输入预测，以得到目标预测结果
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例3
根据本申请实施例，还提供了一种时间序列的处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图6是根据本申请实施例3的一种时间序列的处理方法的流程图，如图6所示，该方法可以包括如下步骤：
步骤S602，云服务器获取电力***上传的原始时间序列。
其中，原始时间序列用于表征电力***在历史时间段内运行所产生的时间序列。
上述原始时间序列可以是指能够获取到的，由电力***在预设历史时间段内产生的原始数据，即上述的历史数据构建出的时间序列。
在本实施例的一种可选方案中，云服务器可以实时获取电力***上传的，在历史时间段内产生并记录的原始数据，并根据原始数据生成对应的原始时间序列。
步骤S604，云服务器基于原始时间序列，生成目标处理流水线。
其中，目标处理流水线至少包括：目标预测模型。
在本实施例的一种可选方案中，为了避免因选择预测模型或算法错误而导致预测结果出现偏差，处理***可以预先设置多个用于进行预测的模型或算法，并根据目标***的***运行参数，例如运行环境、运行目的等，从上述多个算法和模型中，有针对性的确定出与目标***相关性较高的多个子算法和子模型，例如至少确定出目标预测模型，然后利用预设的流水线组装器，将确定出的模型或算法按照组装器中的预设融合算法，例如一种聚类融合算法(比如，Voting(投票)算法)，一种层次融合算法(比如，Stacking(结合)算法)等，按照预设的逻辑顺序组合成与原始时间序列对应的目标处理流水线。
步骤S606，云服务器利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果。
其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
在获取到目标处理流水线之后，便可以按照目标处理流水线中的处理逻辑顺序，利用目标预测模型对原始时间序列进行数据预测，来得到上述的目标预测结果。
步骤S608，云服务器基于目标预测结果控制电力***。
最后，云服务器可以基于该目标预测结果，来控制电力***的运行。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例4
根据本申请实施例，还提供了一种时间序列的处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图7是根据本申请实施例4的一种时间序列的处理方法的流程图，如图7所示，该方法可以包括如下步骤：
步骤S702，通过调用第一接口获取原始时间序列。
其中，第一接口包括第一参数，第一参数的参数值为原始时间序列，原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列。
上述第一接口可以是指用来向目标***发送获取原始时间序列的指令。
在本实施例的一种可选方案中，处理***可以通过调用预设的第一接口，向目标***发送获取原始时间序列的指令。
步骤S704，基于原始时间序列，生成目标处理流水线。
其中，目标处理流水线至少包括：目标预测模型。
在本实施例的一种可选方案中，处理***在获取到原始时间序列之后，可以根据原始时间序列生成目标处理流水线，其中，目标处理流水线至少包括目标预测模型。
步骤S706，利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果。
其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
在获取到目标处理流水线之后，便可以按照目标处理流水线中的处理逻辑顺序，利用目标预测模型对原始时间序列进行数据预测，来得到上述的目标预测结果。
步骤S708，通过调用第二接口输出目标预测结果。
其中，第二接口包括第二参数，第二参数的参数值为目标预测结果，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
上述第二接口可以是指由处理***向预设显示设备，发送目标预测结果和对应显示指令的接口。
为了方便用户查看目标预测结果，处理***在确定出目标预测结果之后，可以通过调用第二接口，将目标预测结果输出值预设的显示设备中，供用户查看。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例5
根据本申请实施例，还提供了一种用于实施上述时间序列的处理方法的时间序列的处理装置，该装置可以部署在目标客户端中。图8是根据本申请实施例5的一种时间序列的处理装置的结构框图，如图8所示，该装置800包括：获取模块802，生成模块804和预测模块806。
其中，获取模块802用于获取原始时间序列，其中，原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列；生成模块804用于基于原始时间序列，生成目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；预测模块806用于利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
此处需要说明的是，上述序列获取模块802，生成模块804和预测模块806，对应于实施例1中的步骤S302至步骤S308，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块或单元可以是存储在存储器(例如，存储器104)中并由一个或多个处理器(例如，处理器102a，102b，……，102n)处理的硬件组件或软件组件，上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端12中。
本申请上述实施例中，生成模块804包括：验证集获取单元，用于获取原始时间序列对应的验证集；验证集预测单元，用于利用多个预测模型对验证集进行数据预测，得到验证集对应的预测结果；模型确定单元，用于基于预测结果，确定多个预测模型中的目标预测模型；第一流水线生成单元，用于基于目标预测模型，生成目标处理流水线。
本申请上述实施例中，验证集预测单元还用于：对验证集进行特征提取，得到验证集对应的原始数据特征；对原始数据特征进行特征选择，得到目标数据特征；将目标数据特征分别输入至多个预测模型，并获取多个预测模型输出的预测结果。
本申请上述实施例中，验证集预测单元还用于：基于原始数据特征之间的相似性对原始数据特征进行分组，得到至少一个特征集合；分别对至少一个特征集合进行特征筛选，得到目标数据特征。
本申请上述实施例中，目标处理流水线还包括：目标前处理算法和目标后处理算法，预测模块806包括：序列修正单元，用于基于上述目标前处理算法对上述原始时间序列进行修正，得到修正原始时间序列；第一预测单元，用于利用目标预测模型对修正原始时间序列进行数据预测，得到修正原始时间序列的原始预测结果；结果后处理单元，用于利用目标后处理算法对原始预测结果进行后处理，得到目标预测结果。
本申请上述实施例中，生成模块804包括：验证集获取单元，用于获取原始时间序列对应的验证集；数据预测单元，用于利用目标预测模型对验证集进行数据预测，得到验证集对应的验证预测结果后处理单元，用于；利用多个后处理算法对验证预测结果进行后处理，得到验证预测结果的后处理结果；目标后处理算法确定单元，用于基于后处理结果，确定多个后处理算法中的目标后处理算法。
本申请上述实施例中，目标处理流水线还包括：目标预测解释算法，该装置还包括：解释模块，用于利用目标预测解释算法对目标预测结果进行解释，得到原始时间序列的预测解释结果，其中，预测解释结果用于表征目标特征对目标预测结果的影响程度；输出模块，用于输出预测解释结果。
本申请上述实施例中，生成模块804包括：验证集获取单元，用于获取原始时间序列对应的验证集；数据预测单元，用于利用目标预测模型对验证集进行数据预测，得到验证集对应的验证预测结果；验证预测结果解释单元，用于利用多个预测解释算法对验证预测结果进行解释，得到验证预测结果的验证解释结果；目标预测解释算法确定单元，用于基于验证解释结果，从多个预测解释算法中确定目标预测解释算法。
本申请上述实施例中，该装置还包括：相似时间序列获取模块，用于从多个历史时间序列中确定原始时间序列对应的相似时间序列；目标处理流水线确定模块，用于获取相似时间序列对应的处理流水线，得到原始时间序列对应的目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；数据预测模块，用于利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
实施例6
根据本申请实施例，还提供了一种用于实施上述时间序列的处理方法的时间序列的处理装置，该装置可以部署在目标客户端中。图9是根据本申请实施例6的一种时间序列的处理装置的结构框图，如图9所示，该装置900包括：序列监测模块902，结果显示模块904。
其中，序列监测模块902，用于监测电力***的运行过程，并在操作界面上显示原始时间序列，其中，原始时间序列用于表征电力***在历史时间段内所产生的时间序列；结果显示模块904，用于响应作用于操作界面上的预测指令，在操作界面上显示原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列，目标预测结果是利用目标处理流水线中的目标预测模型对原始时间序列进行数据预测得到的，目标处理流水线是基于原始时间序列生成的。
此处需要说明的是，上述序列监测模块902，结果显示模块904，对应于实施例2中的步骤S502至步骤S504，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块或单元可以是存储在存储器(例如，存储器104)中并由一个或多个处理器(例如，处理器102a，102b，……，102n)处理的硬件组件或软件组件，上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端12中。
实施例7
根据本申请实施例，还提供了一种用于实施上述时间序列的处理方法的时间序列的处理装置，该装置可以部署在目标客户端中。图10是根据本申请实施例7的一种时间序列的处理装置的结构框图，如图10所示，该装置1000包括：序列获取模块1002，流水线生产模块1004，数据预测模块1006，***控制模块1008。
其中，序列获取模块1002用于云服务器获取电力***上传的原始时间序列，其中，原始时间序列用于表征电力***在历史时间段内运行所产生的时间序列；流水线生产模块1004用于云服务器基于原始时间序列，生成目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；数据预测模块1006用于云服务器利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列；***控制模块1008用于云服务器基于目标预测结果控制电力***。
此处需要说明的是，上述序列获取模块1002，流水线生产模块1004，数据预测模块1006，***控制模块1008，对应于实施例3中的步骤S602至步骤S608，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块或单元可以是存储在存储器(例如，存储器104)中并由一个或多个处理器(例如，处理器102a，102b，……，102n)处理的硬件组件或软件组件，上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端12中。
实施例8
根据本申请实施例，还提供了一种用于实施上述时间序列的处理方法的时间序列的处理装置，该装置可以部署在目标客户端中。图11是根据本申请实施例8的一种时间序列的处理装置的结构框图，如图11所示，该装置1100包括：序列获取模块1102，流水线生产模块1104，数据预测模块1106和结果输出模块1108。
其中，序列获取模块1102用于通过调用第一接口获取原始时间序列，其中，第一接口包括第一参数，第一参数的参数值为原始时间序列，原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列；流水线生产模块1104用于基于原始时间序列，生成目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；数据预测模块1106用于利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列；结果输出模块1108用于通过调用第二接口输出目标预测结果，其中，第二接口包括第二参数，第二参数的参数值为目标预测结果。
此处需要说明的是，上述序列获取模块1102，流水线生产模块1104，数据预测模块1106和结果输出模块1108，对应于实施例4中的步骤S702至步骤S708，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块或单元可以是存储在存储器(例如，存储器104)中并由一个或多个处理器(例如，处理器102a，102b，……，102n)处理的硬件组件或软件组件，上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端12中。
实施例9
本申请的实施例还提供了一种计算机可读存储介质。在本申请上述实施例中，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的时间序列的处理方法所执行的程序代码。
在本申请上述实施例中，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
在本申请上述实施例中，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取原始时间序列，其中，原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列；基于原始时间序列，生成目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
在本申请上述实施例中，上述存储介质还可以执行如下步骤的程序代码：基于原始时间序列，生成目标处理流水线，包括：获取原始时间序列对应的验证集；利用多个预测模型对验证集进行数据预测，得到验证集对应的预测结果；基于预测结果，确定多个预测模型中的目标预测模型；基于目标预测模型，生成目标处理流水线。
在本申请上述实施例中，上述存储介质还可以执行如下步骤的程序代码：利用多个预测模型对验证集进行数据预测，得到验证集对应的预测结果，包括：对验证集进行特征提取，得到验证集对应的原始数据特征；对原始数据特征进行特征选择，得到目标数据特征；将目标数据特征分别输入至多个预测模型，并获取多个预测模型输出的预测结果。
在本申请上述实施例中，上述存储介质还可以执行如下步骤的程序代码：对原始数据特征进行特征选择，得到目标数据特征，包括：基于原始数据特征之间的相似性对原始数据特征进行分组，得到至少一个特征集合；分别对至少一个特征集合进行特征筛选，得到目标数据特征。
在本申请上述实施例中，上述存储介质还可以执行如下步骤的程序代码：目标处理流水线还包括：目标前处理算法和目标后处理算法，利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，包括：基于上述目标前处理算法对上述原始时间序列进行修正，得到修正原始时间序列；利用目标预测模型对修正原始时间序列进行数据预测，得到修正原始时间序列的原始预测结果；利用目标后处理算法对原始预测结果进行后处理，得到目标预测结果。
在本申请上述实施例中，上述存储介质还可以执行如下步骤的程序代码：基于原始时间序列，生成目标处理流水线，包括：获取原始时间序列对应的验证集；利用目标预测模型对验证集进行数据预测，得到验证集对应的验证预测结果；利用多个后处理算法对验证预测结果进行后处理，得到验证预测结果的后处理结果；基于后处理结果，确定多个后处理算法中的目标后处理算法。
在本申请上述实施例中，上述存储介质还可以执行如下步骤的程序代码：目标处理流水线还包括：目标预测解释算法，在利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果之后，方法还包括：利用目标预测解释算法对目标预测结果进行解释，得到原始时间序列的预测解释结果，其中，预测解释结果用于表征目标特征对目标预测结果的影响程度；输出预测解释结果。
在本申请上述实施例中，上述存储介质还可以执行如下步骤的程序代码：基于原始时间序列，生成目标处理流水线，包括：获取原始时间序列对应的验证集；利用目标预测模型对验证集进行数据预测，得到验证集对应的验证预测结果；利用多个预测解释算法对验证预测结果进行解释，得到验证预测结果的验证解释结果；基于验证解释结果，从多个预测解释算法中确定目标预测解释算法。
在本申请上述实施例中，上述存储介质还可以执行如下步骤的程序代码：在获取原始时间序列之后，方法还包括：从多个历史时间序列中确定原始时间序列对应的相似时间序列；获取相似时间序列对应的处理流水线，得到原始时间序列对应的目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
在本申请实施例中，采用获取原始时间序列；基于原始时间序列，生成目标处理流水线；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果方式，通过根据原始时间序列，实现自动化生成与原始时间序列匹配度较高的目标处理流水线，然后利用目标处理流水线中的目标预测模型对原始时间序列进行数据预测得到目标预测结果，能够提高预测出的目标预测结果的准确度，进而解决了相关技术中由于电力时间序列受传感误差、采集故障等影响，导致电力预测准确度较低的技术问题。
实施例10
本申请的实施例可以提供一种电子设备，该电子设备可以是电子设备群中的任意一个电子设备。在本申请上述实施例中，在本实施例中，上述电子设备也可以替换为移动终端等终端设备。
在本申请上述实施例中，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述电子设备可以执行时间序列的处理方法中以下步骤的程序代码：获取原始时间序列，其中，原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列；基于原始时间序列，生成目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
在本申请上述实施例中，图12是根据本申请实施例10的一种电子设备的结构框图。如图所示，该电子设备A可以包括：处理器1202、存储器1204、通信接口和通信总线，处理器1202、存储器1204和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行实施例1中所示的时间序列的处理方法。
在本申请上述实施例中，如图12所示，在电子设备A中还可以包括：存储控制器和外设接口，其中，外设接口与射频模块、音频模块和显示器连接。
其中，存储器可用于存储软件程序以及模块，如本申请实施例中的时间序列的处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的时间序列的处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在本申请上述实施例中，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：基于原始时间序列，生成目标处理流水线，包括：获取原始时间序列对应的验证集；利用多个预测模型对验证集进行数据预测，得到验证集对应的预测结果；基于预测结果，确定多个预测模型中的目标预测模型；基于目标预测模型，生成目标处理流水线。
在本申请上述实施例中，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：利用多个预测模型对验证集进行数据预测，得到验证集对应的预测结果，包括：对验证集进行特征提取，得到验证集对应的原始数据特征；对原始数据特征进行特征选择，得到目标数据特征；将目标数据特征分别输入至多个预测模型，并获取多个预测模型输出的预测结果。
在本申请上述实施例中，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：对原始数据特征进行特征选择，得到目标数据特征，包括：基于原始数据特征之间的相似性对原始数据特征进行分组，得到至少一个特征集合；分别对至少一个特征集合进行特征筛选，得到目标数据特征。
在本申请上述实施例中，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：目标处理流水线还包括：目标前处理算法和目标后处理算法，利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，包括：基于上述目标前处理算法对上述原始时间序列进行修正，得到修正原始时间序列；利用目标预测模型对修正原始时间序列进行数据预测，得到修正原始时间序列的原始预测结果；利用目标后处理算法对原始预测结果进行后处理，得到目标预测结果。
在本申请上述实施例中，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：基于原始时间序列，生成目标处理流水线，包括：获取原始时间序列对应的验证集；利用目标预测模型对验证集进行数据预测，得到验证集对应的验证预测结果；利用多个后处理算法对验证预测结果进行后处理，得到验证预测结果的后处理结果；基于后处理结果，确定多个后处理算法中的目标后处理算法。
在本申请上述实施例中，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：目标处理流水线还包括：目标预测解释算法，在利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果之后，方法还包括：利用目标预测解释算法对目标预测结果进行解释，得到原始时间序列的预测解释结果，其中，预测解释结果用于表征目标特征对目标预测结果的影响程度；输出预测解释结果。
在本申请上述实施例中，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：基于原始时间序列，生成目标处理流水线，包括：获取原始时间序列对应的验证集；利用目标预测模型对验证集进行数据预测，得到验证集对应的验证预测结果；利用多个预测解释算法对验证预测结果进行解释，得到验证预测结果的验证解释结果；基于验证解释结果，从多个预测解释算法中确定目标预测解释算法。
在本申请上述实施例中，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：在获取原始时间序列之后，方法还包括：从多个历史时间序列中确定原始时间序列对应的相似时间序列；获取相似时间序列对应的处理流水线，得到原始时间序列对应的目标处理流水线，其中，目标处理流水线至少包括：目标预测模型；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果，其中，目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
在本申请实施例中，采用获取原始时间序列；基于原始时间序列，生成目标处理流水线；利用目标预测模型对原始时间序列进行数据预测，得到原始时间序列的目标预测结果方式，通过根据原始时间序列，实现自动化生成与原始时间序列匹配度较高的目标处理流水线，然后利用目标处理流水线中的目标预测模型对原始时间序列进行数据预测得到目标预测结果，能够提高预测出的目标预测结果的准确度，进而解决了相关技术中由于电力时间序列受传感误差、采集故障等影响，导致电力预测准确度较低的技术问题。
本领域普通技术人员可以理解，图12所示的结构仅为示意，电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图12其并不对上述电子设备A的结构造成限定。例如，电子设备A还可包括比图12中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图12所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种时间序列的处理方法，其特征在于，包括：
获取原始时间序列，其中，所述原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列；
基于所述原始时间序列，生成目标处理流水线，其中，所述目标处理流水线至少包括：目标预测模型；
利用所述目标预测模型对所述原始时间序列进行数据预测，得到所述原始时间序列的目标预测结果，其中，所述目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
2.根据权利要求1所述的方法，其特征在于，基于所述原始时间序列，生成目标处理流水线，包括：
获取所述原始时间序列对应的验证集；
利用多个预测模型对所述验证集进行数据预测，得到所述验证集对应的预测结果；
基于所述预测结果，确定所述多个预测模型中的目标预测模型；
基于所述目标预测模型，生成所述目标处理流水线。
3.根据权利要求2所述的方法，其特征在于，利用多个预测模型对所述验证集进行数据预测，得到所述验证集对应的预测结果，包括：
对所述验证集进行特征提取，得到所述验证集对应的原始数据特征；
对所述原始数据特征进行特征选择，得到目标数据特征；
将所述目标数据特征分别输入至所述多个预测模型，并获取所述多个预测模型输出的所述预测结果。
4.根据权利要求3所述的方法，其特征在于，对所述原始数据特征进行特征选择，得到目标数据特征，包括：
基于所述原始数据特征之间的相似性对所述原始数据特征进行分组，得到至少一个特征集合；
分别对所述至少一个特征集合进行特征筛选，得到目标数据特征。
5.根据权利要求1所述的方法，其特征在于，所述目标处理流水线还包括：目标前处理算法和目标后处理算法，利用所述目标预测模型对所述原始时间序列进行数据预测，得到所述原始时间序列的目标预测结果，包括：
基于上述目标前处理算法对上述原始时间序列进行修正，得到修正原始时间序列；
利用所述目标预测模型对所述修正原始时间序列进行数据预测，得到所述修正原始时间序列的原始预测结果；
利用所述目标后处理算法对所述原始预测结果进行后处理，得到所述目标预测结果。
6.根据权利要求5所述的方法，其特征在于，基于所述原始时间序列，生成目标处理流水线，包括：
获取所述原始时间序列对应的验证集；
利用所述目标预测模型对所述验证集进行数据预测，得到所述验证集对应的验证预测结果；
利用多个后处理算法对验证预测结果进行后处理，得到所述验证预测结果的后处理结果；
基于所述后处理结果，确定所述多个后处理算法中的所述目标后处理算法。
7.根据权利要求1所述的方法，其特征在于，所述目标处理流水线还包括：目标预测解释算法，在利用所述目标预测模型对所述原始时间序列进行数据预测，得到所述原始时间序列的目标预测结果之后，所述方法还包括：
利用所述目标预测解释算法对所述目标预测结果进行解释，得到所述原始时间序列的预测解释结果，其中，所述预测解释结果用于表征目标特征对所述目标预测结果的影响程度；
输出所述预测解释结果。
8.根据权利要求7所述的方法，其特征在于，基于所述原始时间序列，生成目标处理流水线，包括：
获取所述原始时间序列对应的验证集；
利用所述目标预测模型对所述验证集进行数据预测，得到所述验证集对应的验证预测结果；
利用多个预测解释算法对所述验证预测结果进行解释，得到所述验证预测结果的验证解释结果；
基于所述验证解释结果，从所述多个预测解释算法中确定所述目标预测解释算法。
9.根据权利要求1所述的方法，其特征在于，在获取原始时间序列之后，所述方法还包括：
从多个历史时间序列中确定所述原始时间序列对应的相似时间序列；
获取所述相似时间序列对应的处理流水线，得到所述原始时间序列对应的所述目标处理流水线，其中，所述目标处理流水线至少包括：目标预测模型；
利用所述目标预测模型对所述原始时间序列进行数据预测，得到所述原始时间序列的目标预测结果，其中，所述目标预测结果用于表征当前时刻之后预设时间段内的时间序列。
10.一种时间序列的处理方法，其特征在于，包括：
监测电力***的运行过程，并在操作界面上显示原始时间序列，其中，所述原始时间序列用于表征所述电力***在历史时间段内所产生的时间序列；
响应作用于所述操作界面上的预测指令，在所述操作界面上显示所述原始时间序列的目标预测结果，其中，所述目标预测结果用于表征当前时刻之后预设时间段内的时间序列，所述目标预测结果是利用目标处理流水线中的目标预测模型对原始时间序列进行数据预测得到的，所述目标处理流水线是基于所述原始时间序列生成的。
11.一种时间序列的处理方法，其特征在于，包括：
云服务器获取电力***上传的原始时间序列，其中，所述原始时间序列用于表征所述电力***在历史时间段内运行所产生的时间序列；
所述云服务器基于所述原始时间序列，生成目标处理流水线，其中，所述目标处理流水线至少包括：目标预测模型；
所述云服务器利用所述目标预测模型对所述原始时间序列进行数据预测，得到所述原始时间序列的目标预测结果，其中，所述目标预测结果用于表征当前时刻之后预设时间段内的时间序列；
所述云服务器基于所述目标预测结果控制所述电力***。
12.一种时间序列的处理方法，其特征在于，包括：
通过调用第一接口获取原始时间序列，其中，所述第一接口包括第一参数，所述第一参数的参数值为所述原始时间序列，所述原始时间序列用于表征目标***在历史时间段内运行所产生的时间序列；
基于所述原始时间序列，生成目标处理流水线，其中，所述目标处理流水线至少包括：目标预测模型；
利用所述目标预测模型对所述原始时间序列进行数据预测，得到所述原始时间序列的目标预测结果，其中，所述目标预测结果用于表征当前时刻之后预设时间段内的时间序列；
通过调用第二接口输出所述目标预测结果，其中，所述第二接口包括第二参数，所述第二参数的参数值为所述目标预测结果。
13.一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包括存储的可执行程序，其中，在所述可执行程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至12中任意一项所述的方法。
14.一种电子设备，其特征在于，包括：
存储器，存储有可执行程序；
处理器，用于运行所述程序，其中，所述程序运行时执行权利要求1至12中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310366050.0A CN116435995A (zh) | 2023-03-31 | 2023-03-31 | 时间序列的处理方法、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310366050.0A CN116435995A (zh) | 2023-03-31 | 2023-03-31 | 时间序列的处理方法、计算机可读存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116435995A true CN116435995A (zh) | 2023-07-14 |
Family
ID=87084930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310366050.0A Pending CN116435995A (zh) | 2023-03-31 | 2023-03-31 | 时间序列的处理方法、计算机可读存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116435995A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757254A (zh) * | 2023-08-16 | 2023-09-15 | 阿里巴巴（中国）有限公司 | 任务处理方法、电子设备及存储介质 |
-
2023
- 2023-03-31 CN CN202310366050.0A patent/CN116435995A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757254A (zh) * | 2023-08-16 | 2023-09-15 | 阿里巴巴（中国）有限公司 | 任务处理方法、电子设备及存储介质 |
| CN116757254B (zh) * | 2023-08-16 | 2023-11-14 | 阿里巴巴（中国）有限公司 | 任务处理方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107888397B (zh) | 确定故障类型的方法和装置 | |
| CN111368890A (zh) | 故障检测方法及装置、信息物理融合*** | |
| TW201947463A (zh) | 模型測試的方法及裝置 | |
| CN112149329B (zh) | 核电厂关键设备的状态预演方法、***、设备及存储介质 | |
| CN113837358B (zh) | 基于格兰杰因果关系的***策略预测方法及相关设备 | |
| CN116435995A (zh) | 时间序列的处理方法、计算机可读存储介质和电子设备 | |
| CN111652406A (zh) | 云-边协同下电网设备运行状态预测方法及*** | |
| US10545465B2 (en) | System and method for selecting controllable parameters for equipment operation safety | |
| CN113094284A (zh) | 应用故障检测方法及装置 | |
| CN112801434A (zh) | 性能指标健康度的监测方法、装置、设备和存储介质 | |
| CN116470485A (zh) | 时间序列的处理***、方法和计算机可读存储介质 | |
| CN117294617A (zh) | 通信网络异常检测方法及装置 | |
| CN116433018A (zh) | 基于数字孪生的配电网风险态势感知方法及装置 | |
| CN115904916A (zh) | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 | |
| CN113779386B (zh) | 模型训练方法和信息推荐方法 | |
| CN115237606B (zh) | 一种边缘计算控制*** | |
| CN115442247B (zh) | 一种采用人工智能数据处理运维箱 | |
| CN116128323B (zh) | 电力交易决策处理方法、存储介质和电子设备 | |
| CN116975590A (zh) | 数据处理方法、装置、程序产品、计算机设备和介质 | |
| CN117725402B (zh) | 一种基于设备运行音频的设备异常状态确定方法及*** | |
| CN114330866B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
| RU2675762C1 (ru) | Способ максимизации степени адекватности модели системы связи | |
| CN115879041A (zh) | 一种生产线设备健康状态的评估方法、***和计算机设备 | |
| CN117129036A (zh) | 一种云端环境监控方法及装置 | |
| CN118018394A (zh) | 故障定位模型训练方法、网络故障定位方法及相关设备 |
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 |