[发明专利]目标数据确定方法及装置

权利要求书

1.一种目标数据确定方法，包括：

获取待处理的时序数据；

将所述待处理的时序数据输入预先训练的预测模型，获得初始时序数据；

将所述初始时序数据与预设的异常数据库中的异常时序数据进行相似度比较，基于所述相似度比较结果确定目标时序数据。

2.根据权利要求2所述的目标数据确定方法，所述获取待处理的时序数据之后，还包括：

遍历所述待处理的时序数据，在所述待处理的时序数据缺失的情况下，采用预设数据缺失值填充方法对缺失的所述待处理的时序数据进行填充，以实现对所述待处理的时序数据的预处理。

3.根据权利要求1或2所述的目标数据确定方法，所述获取待处理的时序数据之后，还包括：

基于预设数据标准化算法将所述待处理的时序数据标准化，以实现对所述待处理的时序数据的预处理。

4.根据权利要求1所述的目标数据确定方法，所述预测模型的训练步骤如下：

获取训练样本数据集，其中，所述训练样本数据集中包括时间序列样本数据以及每个所述时间序列样本数据对应的样本标签；

基于所述训练样本数据集对预测模型进行训练，得到所述预测模型，所述预测模型输出所述时间序列样本数据对应的样本标签，其中，所述样本标签包括正常样本标签或异常样本标签。

5.根据权利要求4所述的目标数据确定方法，所述将所述待处理的时序数据输入预先训练的预测模型，获得初始时序数据包括：

将所述待处理的时序数据输入所述预测模型，所述预测模型输出所述待处理的时间序列对应的样本标签，

将样本标签为异常样本标签的待处理的时序数据作为初始时序数据。

6.根据权利要求1所述的目标数据确定方法，所述预测模型包括无监督学习的生成模型和判别模型，

所述生成模型和判别模型的训练步骤如下：

获取第一时间序列样本数据；

基于所述第一时间序列样本数据进行聚类训练，得到无监督学习的生成模型，所述生成模型生成与所述第一时间序列样本数据相关联的第二时间序列样本数据；

基于所述第一时间序列样本数据和所述第二时间序列样本数据进行聚类训练，得到无监督学习的判别模型，所述判别模型为所述第一时间序列样本数据和所述第二时间序列样本数据设置正常样本标签或异常样本标签。

7.根据权利要求6所述的目标数据确定方法，所述将所述待处理的时序数据输入预先训练的预测模型，获得初始的异常待处理的时序数据包括：

将所述待处理的时序数据输入所述生成模型，得到与所述待处理的时序数据相关联的关联待处理的时序数据；

将所述待处理的时序数据以及所述关联待处理的时序数据输入所述判别模型，得到所述待处理的时序数据的正常样本标签或异常样本标签、以及所述关联待处理的时序数据的正常样本标签或异常样本标签；

将样本标签为异常样本标签的待处理的时序数据和关联待处理的时序数据作为初始时序数据。

8.根据权利要求1所述的目标数据确定方法，所述将所述初始时序数据与预设的异常数据库中的异常时序数据进行相似度比较，基于所述相似度比较结果确定目标时序数据包括：

基于预设的相似度算法计算所述初始时序数据与预设的异常数据库中的异常时序数据的相似度，

基于所述相似度按照从大到小的顺序对所述初始时序数据进行排序，并将排序结果满足预设排序条件的初始时序数据作为所述目标时序数据。

9.根据权利要求1所述的目标数据确定方法，所述将所述初始时序数据与预设的异常数据库中的异常时序数据进行相似度比较，基于所述相似度比较结果确定目标时序数据包括：

基于预设的相似度算法计算所述初始时序数据与预设的异常数据库中的异常时序数据的相似度，

将所述相似度大于等于预设相似度阈值的初始时序数据作为所述目标时序数据。