[发明专利]时间序列数据的预测方法、装置、存储介质及处理器

权利要求书

1.一种时间序列数据的预测方法，其特征在于，包括：

获取参考数据，其中，所述参考数据为预设时间段内物联网设备中目标指标的数据；

将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据，其中，所述时间序列预测模型是基于卷积的神经网络；

对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据。

2.根据权利要求1所述的方法，其特征在于，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：

在所述物联网设备运行过程中，采集所述目标时间段内所述目标指标的实际数据；

根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。

3.根据权利要求2所述的方法，其特征在于，根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态，包括：

计算所述实际数据与所述时间序列数据的差值；

若所述差值超过预设阈值，则确定所述物联网设备的运行状态存在异常。

4.根据权利要求1所述的方法，其特征在于，若所述目标指标为目标产品的销售数据，其中，所述目标产品由所述物联网设备生产，在对所述时间序列预测数据进行去噪处理，得到所述目标指标在所述目标时间段内的时间序列数据之后，所述方法还包括：

依据所述目标产品的销售数据在所述目标时间段内的时间序列数据，生成所述物联网设备生产所述目标产品的排产计划。

5.根据权利要求1所述的方法，其特征在于，所述基于卷积的神经网络中至少包括卷积层，控制层和网络层。

6.根据权利要求5所述的方法，其特征在于，所述卷积层包括因果卷积层，所述控制层为门控控制层，所述网络层为残差网络层，其中，将所述参考数据输入时间序列预测模型，预测得到所述目标指标在目标时间段内的时间序列预测数据包括：

将所述参考数据输入所述因果卷积层和所述门控控制层；

将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向量；

将所述差异向量通过多个卷积处理，输出所述时间序列预测数据。

7.根据权利要求6所述的方法，其特征在于，在将所述参考数据输入时间序列预测模型，输出预测出的时间序列预测数据之前，所述方法还包括：

搭建卷积神经网络深度模型，其中，所述卷积神经网络深度模型的结构中包括：因果卷积层，门控控制层，残差网络层，以及多个卷积；

采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，生成所述时间序列预测模型。

8.根据权利要求7所述的方法，其特征在于，采用时间序列样本数据，对所述卷积神经网络深度模型进行训练，包括：

将预设时间序列数据输入将所述因果卷积层进行处理，得到时间序列数据一；

将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二；

将所述时间序列数据一和所述时间序列数据二通过所述残差网络层，得到差异向量；

将所述差异向量通过多个卷积处理，得到时间序列预测数据。

9.根据权利要求8所述的方法，其特征在于，所述门控控制层中包括第一预设激活函数和第二预设激活函数， 所述第一预设激活函数和所述第二预设激活函数用于增加时间序列数据一的非线性关系，将所述时间序列数据一通过所述门控控制层进行处理，得到时间序列数据二，包括：

将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第一时间序列数据；

将所述时间序列数据一通过第一预设激活函数进行处理，得到处理后的第二时间序列数据；

将所述处理后的第一时间序列数据和所述处理后的第二时间序列数据相乘，得到所述时间序列数据二。