[发明专利]基于层次化深度网络的长时序列数据处理方法

说明书

本发明实施例提供了一种基于层次化深度网络的长时序列数据处理方法，包括：S1，将所述长时序列数据输入训练好的层次化深度网络模型；S2，利用所述卷积层中的所述多对卷积核和池化核对所述长时序列数据进行单维卷积操作得到第一压缩时序数据集，并将所述第一压缩时序数据集中的所有压缩时序数据连结形成第一多维时序数据；S3，利用所述卷积层获取多个多维时序数据，并将所述多个多维时序数据中长度小于第一预设长度的多维时序数据进行组合形成第一数据集；S4，利用所述递归层和所述全连接层对所述第一数据集进行处理，以得到所述长时序列数据的分类结果向量。实现了层次化深度网络模型对长数据的自动化处理，且结果准确。

技术领域

本发明实施例涉及计算机数据分析技术领域，更具体地，涉及一种基于层次化深度网络的长时序列数据处理方法。

背景技术

在多数工业生产中，为了方便管理人员实时观察生产设备的工作状态，会有附着于设备的传感器实时产生工况数据，有经验的领域专家可通过观察其一段时间内的变化来判断对应的生产设备工况是否产生变化。这类问题实际上是一种分类问题。如在电力生产企业中，专家可通过观察电机电压变化来判断电机时候产生异常，以及时做进一步处理。然而随着生产设备的设计趋向于复杂，需要观测的传感器数据也随之增多，也随着人力成本的增加，企业亟须一种自动化方法替代人工观察。这种实时工况数据是一种多维的时间序列数据，其特点为数据质量较好，且固定采集间隔，但采集频率密集，这就造成了其在时间维度上过长，一般会达到几千或上万个时间点，这就需要在处理前需要一些采样等技术对其进行压缩以节约内存与网络带宽。现有的处理方法对于这种长时间时序数据难以做到压缩数据的同时更好的保留数据原有的信息，因此本发明提出一种深度学习方法来处理此类问题。

深度学习技术目前已得到工业界和学术界的广泛关注，也在日常生活中取得了广泛的应用。如我们熟悉的搜索引擎、人脸识别，已经出现了较为成熟的深度学习解决方案，其效果也得到了人们的广泛认可。深度学习技术对于复杂性较高的问题能够给出较优的近似解，适用于目前企业复杂的生产环境问题。随着大数据的发展与广泛应用，企业往往会保存几个月乃至几年的历史数据，这也给使用深度学习技术提供了数据支持。虽然深度学习技术在各个领域已有了较高的成就，但对于时序数据分类问题，目前还没有较好的解决方案，原因在于时序数据的特征仍没有较好的方法提取。因此，亟需提供一种基于深度学习技术的时序数据处理方法。

发明内容

本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的基于层次化深度网络的长时序列数据处理方法。

一方面本发明实施例提供了一种基于层次化深度网络的长时序列数据处理方法，所述方法包括：

S1，获取长时序列数据，并将所述长时序列数据输入训练好的层次化深度网络模型，所述层次化深度网络模型包括卷积层、递归层以及全连接层；其中，所述卷积层包括多对卷积核和池化核，且各对卷积核和池化核对应的卷积核的长度和池化核的长度的乘积相同；

S2，利用所述卷积层中的所述多对卷积核和池化核对所述长时序列数据进行单维卷积操作得到第一压缩时序数据集，并将所述第一压缩时序数据集中的所有压缩时序数据连结形成第一多维时序数据；

S3，基于所述第一多维时序数据，利用所述卷积层获取多个多维时序数据，并将所述多个多维时序数据中长度小于第一预设长度的多维时序数据进行组合形成第一数据集；

S4，利用所述递归层和所述全连接层对所述第一数据集进行处理，以得到所述长时序列数据的分类结果向量。

其中，步骤S2具体包括：

每对卷积核和池化核中的卷积核以对应的卷积步长对所述长时序列数据进行卷积；

所述每对卷积核和池化核中的池化核以对应的池化步长对经卷积后的所述长时序列数据进行池化，得到所述每对卷积核和池化核对应的压缩时序数据，并将所述多对卷积核和池化核对应的多个压缩时序数据进行组合形成所述第一压缩时序数据集；