[发明专利]基于多阶差分网络的高频时序数据处理方法

说明书

本发明实施例提供了一种基于多阶差分网络的高频时序数据处理方法，包括：S1，获取高频时序数据，并将所述高频时序数据输入训练好的多阶差分网络模型；S2，若判断获知所述高频时序数据超过预设长度，则利用所述采样模块对所述高频时序数据进行下采样，并将下采样得到的时序数据与所述高频时序数据进行组合形成第一数据集；S3，利用所述差分模块对所述第一数据集进行多次差分，并将多次差分得到的多个数据集与所述第一数据集组合形成第二数据集；S4，利用所述递归层和所述全连接层对所述第二数据集进行处理，以得到所述高频时序数据的分类结果向量。实现了多阶差分网络模型对高频时序数据的自动化处理，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，涉及基于多阶差分网络的高频时序数据处理方法。

背景技术

随着工业生产技术的日趋成熟，多数工业生产设备会安装有一种或多种传感器，在工作时传感器实时产生时间序列数据，管理人员可通过观察数据特点来了解设备的工作状况。这种问题本质上是一种分类问题，多数可通过物理原理来进行一定程度上的解决，但由于实际生产环境往往比较复杂，无法完全考虑影响生产的所有因素，对于设备工况的判断严重依赖于管理人员的经验。此外，由于生产工艺越来越复杂，生产设备需要越来越多的传感器来反映其真实的工作状况，大大提高了对于管理人员能力的要求。如在电力生产部门，没一台发电机上拥有包括电压、电流等上百种传感器，实时产生上百种高频时序数据。但由于人力成本等原因，企业招聘的管理人员素质良莠不齐，造成对于故障的处理不及时、不恰当，给企业造成了极大的损失。目前大多数设备已经具有一定的自动诊断功能，但这些自动化技术多从设备原理出发，只能给出初步判断结果，难以适应复杂的工作环境，极易造成漏报误报。

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多阶差分网络的高频时序数据处理方法。

一方面本发明实施例提供了基于多阶差分网络的高频时序数据处理方法所述方法包括：

S1，获取高频时序数据，并将所述高频时序数据输入训练好的多阶差分网络模型，其中，所述多阶差分网络模型包括采样模块、差分模块、递归层以及全连接层；

S2，若判断获知所述高频时序数据超过预设长度，则利用所述采样模块对所述高频时序数据进行下采样，并将下采样得到的时序数据与所述高频时序数据进行组合形成第一数据集；

S3，利用所述差分模块对所述第一数据集进行多次差分，并将多次差分得到的多个数据集与所述第一数据集组合形成第二数据集；

S4，利用所述递归层和所述全连接层对所述第二数据集进行处理，以得到所述高频时序数据的分类结果向量。

其中，步骤S2具体包括：

若判断获知所述高频时序数据超过预设长度，选取多种不同的步长分别对所述高频时序数据进行下采样，得到多个时序数据；

将所述多个时序数据和所述高频时序数据作为数据集中的元素进行组合形成所述第一数据集。

其中，步骤S3具体包括：