[发明专利]时间序列数据处理方法和装置

说明书

本发明提供一种时间序列数据处理方法和装置，所述方法包括以下步骤：获取多个时间序列数据，并对多个时间序列数据进行预处理；通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息；根据贡献度信息对时间序列特征进行PCA降维。本发明使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。

技术领域

本发明涉及特征工程技术领域，具体涉及一种时间序列数据处理方法、一种时间序列数据处理装置、一种计算机设备、一种非临时性计算机可读存储介质和一种计算机程序产品。

背景技术

时间序列数据作为一种典型的数据，常存在于各行各业，比如客流、车流、销量、KPI指标等等。对时间序列数据加以利用，比如做未来预测、交通拥堵分类预测、异常检测等问题，在采用机器学习算法之前，首先需要构建特征。因为大多数时间序列数据都是单变量或维度特别少，所以特征的构建就非常重要。对于构建好的特征，当维度过大时对于继续利用该数据又出现了很大的难度。因此，针对时间序列数据，亟需提出一种高效准确的特征构建和选择策略。

发明内容

本发明为解决上述技术问题，提供了一种时间序列数据处理方法和装置，使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。

本发明采用的技术方案如下：

一种时间序列数据处理方法，包括以下步骤：获取多个时间序列数据，并对所述多个时间序列数据进行预处理；通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息；根据所述贡献度信息对所述时间序列特征进行PCA(Principal Components Analysis，主成分分析)降维。

对所述多个时间序列数据进行预处理，具体包括：判断每个所述时间序列数据是否存在缺失值；如果任一所述时间序列数据存在缺失值，则补齐该时间序列数据。

获取所提取的时间序列特征的贡献度信息，具体包括：通过所述Tsfresh获取所提取的时间序列特征的贡献度排名。

根据所述贡献度信息对所述时间序列特征进行PCA降维，具体包括：建立时间序列特征的相关系数矩阵；计算所述相关系数矩阵的特征值和特征向量；根据所述贡献度排名选择预设数量的特征向量；根据所述预设数量的特征向量进行特征映射以实现特征降维。

一种时间序列数据处理装置，包括：数据获取模块，所述数据获取模块用于获取多个时间序列数据，并对所述多个时间序列数据进行预处理；特征提取模块，所述特征提取模块用于通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息；特征降维模块，所述特征降维模块用于根据所述贡献度信息对所述时间序列特征进行PCA降维。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现上述时间序列数据处理方法。

一种非临时性计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述时间序列数据处理方法。

一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行上述时间序列数据处理方法。

本发明的有益效果：

本发明通过Tsfresh对预处理后的多个时间序列数据进行特征提取，并获取所提取的时间序列特征的贡献度信息，然后根据贡献度信息对时间序列特征进行PCA降维，由此，使得特征构建和特征降维紧密结合，能够降低计算量，提高时间序列特征选择的效率和准确度。

附图说明

图1为本发明实施例的时间序列数据处理方法的流程图；