[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

说明书

本发明公开了一种时间序列数据的预测方法、装置、存储介质及处理器。其中，该方法包括：获取参考数据，其中，参考数据为预设时间段内物联网设备中目标指标的数据；将参考数据输入时间序列预测模型，预测得到目标指标在目标时间段内的时间序列预测数据，其中，时间序列预测模型是基于卷积的神经网络；对时间序列预测数据进行去噪处理，得到目标指标在目标时间段内的时间序列数据。本发明解决了相关技术中获取时间序列数据的效率较低的技术问题。

技术领域

本发明涉及信息处理技术领域，具体而言，涉及一种时间序列数据的预测方法、装置、存储介质及处理器。

背景技术

作为物联网平台最主要的数据模式：时间序列数据，对其进行智能化处理和预测具有重要的意义，可以应用在设备运行状态监测、各行业生产指标预测等多个领域。

为了得到时间序列数据，传统时序建模方法采用的是ARMA/ARIMA等线性模型，其中，ARIMA是一种比较常用的基于历史数据来做预测的时间序列模型，ARIMA的全称是auto-regressive integrated moving average，主要是由三个参数确定的，即(p,d,q)。参数p是指回归过程中某个时间点的取值依赖于过去的p个时间点的取值。参数d表示差分 I(d) 的阶，差分即为用当前的值减去之前的值。差分主要用于将不平稳的序列平稳化。阶数q表示当前的误差依赖于之前q个误差。这三个成分使得ARIMA模型不具有季节性，可以写成线性方程。另外，采用的xgboot等传统机器学习模型,XGBoost的全称是eXtreme GradientBoosting，它是经过优化的分布式梯度提升数，旨在高效、灵活且可移植，本质是决策树的升级。然而，传统时序建模方法，要求时序数据是稳定的，或者是通过差分化后是稳定的，本质上只能捕捉线性关系，而不能捕捉非线性关系。另外，xgboot等传统机器学习模型，需要针对不同领域的时间序列构建人工特征，不适合进行产品化标准，因此，获取时间序列数据的效率较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种时间序列数据的预测方法、装置、存储介质及处理器，以至少解决相关技术中获取时间序列数据的效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种时间序列数据的预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。