[发明专利]一种数据预测模型训练方法、工业指标预测方法和装置

权利要求书

1.一种数据预测模型训练方法，包括：

接收工业互联网中至少一个传感器采集到的第一时间序列数据；

对所述第一时间序列数据进行数据预处理，以得到对应的第二时间序列数据，其中，所述第一时间序列数据和所述第二时间序列数据均为多通道时间序列数据；

通过预设局部注意力神经网络提取所述第二时间序列数据中每个通道时间序列数据的数据特征值，以训练得到所述数据预测模型，其中，所述数据特征值包括贡献特征值，所述贡献特征值用于表征任一通道时间序列数据在所述数据预测模型中的预测贡献权重；

输出所述数据预测模型，用于对所述工业互联网中的待预测指标进行预测。

2.根据权利要求1所述的方法，其中，所述通过预设局部注意力神经网络提取所述第二时间序列数据中每个通道时间序列数据的数据特征值，以训练得到所述数据预测模型，包括：

基于所述预设局部注意力神经网络的注意力机制，确定所述第二时间序列数据中每个通道时间序列数据的贡献特征值；

针对确定贡献特征值的第二时间序列数据，添加每个序列数据的序列位置信息，以得到第三时间序列数据，所述第三时间序列数据包括查询序列向量、键序列向量和值序列向量；

将第三时间序列数据的查询序列向量、键序列向量和值序列向量输入所述预设局部注意力神经网络，以利用所述预设局部注意力神经网络注意力机制得到注意力特征值，其中，所述注意力特征值用于表征所述查询向量中的任一元素与所述键序列向量对应的局部视野之间的关系；

从所述注意力特征值确定出标志位值，以将所述标志位值作为所述预设局部注意力神经网络的映射层的输入，并输出所述标志位值对应的预测值，得到所述数据预测模型。

3.根据权利要求1或2所述的方法，其中，所述方法还包括：

通过所述数据预测模型确定任一时刻的指标预测值；

确定所述指标预测值与指标真实值的加权均方误差损失函数；

基于所述加权均方误差损失函数优化所述预设局部注意力神经网络的网络参数，以输出优化后的数据预测模型。

4.根据权利要求1所述的方法，其中，所述对所述第一时间序列数据进行数据预处理，以得到对应的第二时间序列数据，包括：

对所述第一时间序列数据的每个通道时间序列数据进行筛选，以在确定任一通道时间序列数据不符合预设筛选条件时，剔除该通道时间序列数据；

针对所述第一时间序列数据中符合预设筛选条件的每一个通道时间序列数据进行归一化处理；

对所述归一化处理后的任一通道时间序列数据进行窗口数据提取，以得到时间窗口数据，其中，所述时间窗口数据包括任一时刻及该时刻之前的相邻至少一个时刻的数据；

在该通道的所述时间窗口数据的末位添加预设标志位，以得到所述第二时间序列数据。

5.根据权利要求4所述的方法，其中，所述针对所述第一时间序列数据中符合预设筛选条件的每一个通道时间序列数据进行归一化处理，包括：

针对所述第一时间序列数据中符合预设筛选条件的任一个通道时间序列数据，确定出该通道时间序列数据中的最大值和最小值；

基于该通道时间序列数据中的最大值和最小值，对该通道的所有时间序列数据进行线性变换，以使该通道时间序列数据的变换值大于等于零且小于等于1。

6.根据权利要求4或5所述的方法，其中，所述对所述归一化处理后的任一通道时间序列数据进行窗口数据提取，以得到时间窗口数据，包括：

确定预设时间窗口，所述预设时间窗口大小固定；

在任一通道时间序列数据中，以任一时刻为起点滑动所述预设时间窗口，以提取出该通道时间序列数据的时间窗口数据。