“时间序列数据”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果4577843个，建议您升级VIP下载更多相关专利

[发明专利]一种数据处理方法及装置-CN202011570099.0有效
发明人：游庆富;李书;张春;尚鸿斌;张家文;陈晓伟 -专利权人：中国农业银行股份有限公司
申请日： 2020-12-26 - 公布日： 2023-10-13 - 主分类号： G06Q10/10 文献下载
摘要：本发明公开了一种数据处理方法及装置，可以获得节点的业务处理时长的时间序列数据，计算时间序列数据的周期值，根据周期值对时间序列数据进行周期性划分，以获得至少一组周期序列数据，将各周期序列数据中排列次序相同的数据确定为一组趋势序列数据，对趋势序列数据中的数据进行聚类，将聚类后出现的离散数据确定为趋势序列数据中的异常数据。本发明可以从节点的时间序列数据中提取出周期分量和趋势分量，并通过聚类处理辨识出异常数据，之后可以将异常数据剔除出时间序列数据，通过统计分析确定节点的业务处理时长的正常规律，有效提高在业务处理过程中对异常节点的辨识准确率
一种数据处理方法装置

[发明专利]一种换流站中充油电气设备运行异常检测方法和装置-CN202211444062.2在审
发明人：王林;杨海峰;戴甲水;宋海彬;江海;关宇洋;谢仁杰 -专利权人：中国南方电网有限责任公司超高压输电公司天生桥局
申请日： 2022-11-18 - 公布日： 2023-03-28 - 主分类号： G01N30/86 文献下载
摘要：该方法包括：对原始氢气含量时间序列数据进行趋势成分提取，得到氢气含量趋势数据，并进行变点检测，确定是否存在变点；若是，获取距当前时刻最近的变点至当前时刻的优选氢气含量时间序列数据；基于优选氢气含量时间序列数据进行趋势检验，确定优选氢气含量时间序列数据是否存在上升趋势；若是，确定优选氢气含量时间序列数据的斜率值；若当前时刻氢气含量超过当前给定阈值或斜率值为正值，则甲烷含量时间序列数据；确定甲烷含量时间序列数据与优选氢气含量时间序列数据的相关性系数及平均比值
一种换流站中充油电气设备运行异常检测方法装置

[发明专利]一种施工监测异常采集数据自动识别与处理的系统-CN202110675627.7在审
发明人：何光辉;严再春 -专利权人：上海建工集团股份有限公司
申请日： 2021-06-18 - 公布日： 2021-09-21 - 主分类号： G06F16/2458 文献下载
摘要：本发明属于土木工程施工过程监控数据处理领域，提供了一种施工监测异常采集数据自动识别与处理的系统，对土建施工领域内所使用的传感器采集的时间序列数据，如温度、应变、位移、加速度等，通过数据收集系统进行时间序列数据的收集，通过数据前处理系统对所述时间序列数据进行前处理，通过识别和删除异常数据对时间序列数据中的毛刺点进行识别并删除，通过还原数据系统，还原时间序列数据，实现对时间序列数据的光滑处理，对其进行真实还原，使得监测采集的数据更准确
一种施工监测异常采集数据自动识别处理系统

[发明专利]一种时间序列数据的周期检测方法、装置及设备-CN202211223813.8有效
发明人：徐昕军;严川;张博 -专利权人：云智慧（北京）科技有限公司
申请日： 2022-10-09 - 公布日： 2023-10-27 - 主分类号： G06F18/23 文献下载
摘要：本发明公开了一种时间序列数据的周期检测方法、装置及设备。方法包括：获得运维系统的不含趋势成分的目标时间序列数据；根据所述目标时间序列数据的能量密度谱，确定能量占比按从大到小顺序排列的预设数量个频率成分；将所述预设数量个频率成分转换到时域，得到时域数据；根据所述时域数据的自相关序列的峰值间隔的聚类结果，确定原始时间序列数据的周期。本发明的方案可有效解决运维时间序列周期性检测过程中的周期漂移问题，提高时间序列数据周期检测的准确率。
一种时间序列数据周期检测方法装置设备

[发明专利]时间序列数据相似性确定方法、装置、设备及存储介质-CN202110741579.7在审
发明人：陈静静;吴睿振;黄萍;王凛 -专利权人：山东云海国创云计算装备产业创新中心有限公司
申请日： 2021-06-30 - 公布日： 2021-12-31 - 主分类号： G06K9/62 文献下载
摘要：本申请公开了一种时间序列数据相似性确定方法，包括：利用第一自编码器模型将第一时间序列数据映射到第一抽象特征空间，获得第一时间序列数据的第一抽象特征；利用第二自编码器模型将第二时间序列数据映射到第二抽象特征空间，获得第二时间序列数据的第二抽象特征；基于第一抽象特征和第二抽象特征，确定第一时间序列数据和第二时间序列数据的相似性；其中，第一抽象特征空间和第二抽象特征空间的维度相同。应用本申请所提供的技术方案，基于维度相同的第一抽象特征和第二抽象特征，可以准确、有效地确定第一时间序列数据和第二时间序列数据的相似性。本申请还公开了一种时间序列数据相似性确定装置、设备及存储介质，具有相应技术效果。
时间序列数据相似性确定方法装置设备存储介质

[发明专利]一种基于特征采样的时间序列分类方法及装置-CN201810384213.7有效
发明人：王宏志;孟凡山;齐志鑫;高宏 -专利权人：哈尔滨工业大学
申请日： 2018-04-26 - 公布日： 2021-02-19 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及数据处理技术领域，提供了一种基于特征采样的时间序列分类方法及装置，该方法包括：通过特征采样方法将训练用的时间序列数据集转化为具有等长特征的训练数据集，并将测试用的时间序列数据集转化为具有等长特征的测试数据集；采用集成学习分类方法，利用所述具有等长特征的训练数据集进行模型训练；使用训练后的模型对所述具有等长特征的测试数据集进行时间序列分类。本发明先通过特征采样方法将不同长度的时间序列数据集转化为具有等长特征的数据集，再采用集成学习分类方法进行分类，提高时间序列分类的准确率，能够对于大规模的时间序列数据进行准确的分类。
一种基于特征采样时间序列分类方法装置

[发明专利]一种基于FCN的多变量时间序列数据分类方法-CN202011418905.2有效
发明人：包先雨;吴共庆;蔡伊娜;何伊娜;台昌杨;阮周曦;杨泽;夏家铸 -专利权人：深圳市检验检疫科学研究院;合肥工业大学;深圳海关信息中心;深圳海关动植物检验检疫技术中心
申请日： 2020-12-07 - 公布日： 2023-07-11 - 主分类号： G06F18/2415 文献下载
摘要：本申请提供了一种基于FCN的多变量时间序列数据分类方法，包括：确定多变量时间序列数据对应的多变量高斯模型参数；依据多变量高斯模型参数和多变量时间序列数据生成输入条件；利用人工智能模型的学习能力，建立输入条件与多变量时间序列数据的数据类别之间的对应关系；获取目标的当前多变量时间序列数据，并依据当前多变量时间序列数据确定对应的当前输入条件；通过对应关系，确定与当前输入条件对应的当前数据类别。通过将多变量时间序列数据对应的多变量高斯模型参数作为输入条件，在保证了精度的同时，极大地提高了人工智能模型的训练速度，且数据集维度越高，提升越为显著。
一种基于 fcn 多变时间序列数据分类方法

[发明专利]一种时间序列数据处理方法及系统-CN202310232225.9在审
发明人：唐德尧;金贻涛;廖云;李修文;龚妙 -专利权人：北京唐智科技发展有限公司;唐智科技湖南发展有限公司
申请日： 2023-03-10 - 公布日： 2023-07-14 - 主分类号： G06F18/241 文献下载
摘要：本发明提供了一种时间序列数据处理方法及系统，方法包括如下步骤：S1.根据第一时间序列数据待提取或待剔除的频率成分，选取中心频率；S2.根据中心频率分段处理第一时间序列数据，以获取多个分段时间序列和各分段的分段数据值；S3.根据预设规则处理分段时间序列和各分段的分段数据值，以获取第二时间序列数据。该方法及系统能够解决给定周期信号的调制频率成分，剔除干扰信号保留频率波动周期信号，有效提高时间序列数据处理效率及准确性。
一种时间序列数据处理方法系统

[发明专利]时间序列数据预测方法、系统、设备及介质-CN202310883839.3在审
发明人：刘林;林山驰;李相国 -专利权人：宏景科技股份有限公司
申请日： 2023-07-18 - 公布日： 2023-09-05 - 主分类号： G06F18/20 文献下载
摘要：本发明涉及数据处理技术领域，提供一种时间序列数据预测方法、系统、设备及介质，包括：获取资讯文本；根据所述资讯文本，通过资讯文本情感倾向判定模型，得到资讯文本情感倾向特征向量；利用第一注意力机制融合所述资讯文本情感倾向特征向量和历史时间序列数据，得到市场历史走向向量；根据所述市场历史走向向量，通过趋势预测模型预测市场未来趋势，得到未来时间序列数据。本发明提供的时间序列数据预测方法、系统、设备及介质，借助舆情分析实现时间序列数据的精确预测，能够有效应对时间序列趋势的突变，预测出与实际情况更为贴近的时间序列数据。
时间序列数据预测方法系统设备介质

[发明专利]一种聚类方法、装置、设备以及计算机存储介质-CN202211203950.5在审
发明人：段居方;王奕;屈鹏展 -专利权人：联想（北京）有限公司
申请日： 2022-09-29 - 公布日： 2022-12-23 - 主分类号： G06K9/62 文献下载
摘要：本申请实施例公开了一种聚类方法、装置、设备以及计算机存储介质，该方法包括：获取待聚类的时间序列数据；其中，时间序列数据包括若干个数据点；根据时间序列数据中相邻数据点之间数据值的变化幅度，从若干个数据点中筛选出目标数据点；基于目标数据点，对时间序列数据进行预聚类，得到至少两类数据点；对至少两类数据点进行再次聚类，得到聚类结果。这样，能够通过在时间序列数据中筛选出特征明显的目标数据点，并根据目标数据点对时间序列数据进行预聚类，然后进行再次聚类，降低聚类过程的时间复杂度和空间复杂度。
一种方法装置设备以及计算机存储介质

[发明专利]时序数据无监督异常检测模型训练方法及装置、时序数据无监督异常检测方法及装置-CN202310222088.0在审
发明人：张凤斌;邓昊;何东 -专利权人：哈尔滨理工大学
申请日： 2023-03-09 - 公布日： 2023-06-09 - 主分类号： G06F18/24 文献下载
摘要：时间序列数据异常检测模型训练方法及装置、时间序列数据异常检测方法及装置，涉及时间序列技术领域。为解决现有技术中存在的，无监督时间序列在异常检测方面数据集存在污染的问题，本发明提供的技术方案为：时间序列数据异常检测模型训练方法，方法包括：步骤1：采集时间序列数据集合作为原始数据，并对原始数据进行预处理，生成扰动数据；步骤2：根据扰动数据与原始数据，训练检测模型。进一步，步骤1中，预处理包括：对时序数据进行数据划分和随机扰动的操作。进一步，步骤2中，训练检测模型的方法具体为：将扰动数据和原始数据进行特征提取，根据得到的数据对预设模型进行训练。适合应用于无监督时间序列异常检测的工作中。
时序数据监督异常检测模型训练方法装置

[发明专利]基于全局信息的时间序列数据中异常数据点的修复方法-CN201810489437.4有效
发明人：王晓玲;刘小捷;宋光旋 -专利权人：华东师范大学
申请日： 2018-05-21 - 公布日： 2021-03-30 - 主分类号： G06F11/07 文献下载
摘要：本发明公开了基于全局信息的时间序列数据中异常数据点的修复方法，通过获取的原始时间序列数据以及异常数据点位置，采用最近的k个非异常数据点的均值对异常数据点进行初始化即初步修复；将相似的子序列数据聚到同一个类簇中；查找相似的已修复子序列数据；时间序列数据中的相似子序列数据作为一种全局信息，最后使用多个相似子序列数据提供的均值的加权累加值作为修复后异常数据点的值，以降低单个相似子序列数据的误差带来的影响。通过这些步骤，从而实现了对时间序列数据中突发异常数据点的精确修复。
基于全局信息时间序列数据异常据点修复方法

[发明专利]一种自适应时间序列数据预测方法-CN202010451280.3有效
发明人：常关羽;赵勇;张彬;胡芸华;朱炼;牛富增 -专利权人：成都千嘉科技股份有限公司
申请日： 2020-05-25 - 公布日： 2023-04-18 - 主分类号： G06F16/215 文献下载
摘要：本发明涉及一种自适应时间序列数据预测方法，包括以下步骤：收集并清理原始时间序列数据，增强数据维度；构建数据集，评定数据集特性；构建数据集的预测模型；对预测模型进行训练和参数优化；利用预测模型计算数据预测值本发明解决了多时间序列特征条件下数据预测的问题，提供一种自适应时间序列数据预测方法，可以监测时间序列数据的特性，并根据特性选择对应的预测模型实现预测。
一种自适应时间序列数据预测方法

[发明专利]时序数据分类方法、装置、终端设备及存储介质-CN202111047596.7在审
发明人：李晓颖;胡明艳;吴慧强;李苏璇 -专利权人：招商银行股份有限公司
申请日： 2021-09-07 - 公布日： 2021-12-24 - 主分类号： G06F16/28 文献下载
摘要：本发明公开了一种时序数据分类方法，该方法包括：获取待分类的时间序列集合，其中，所述时间序列集合中包括多个时间序列；对所述时间序列集合中的各时间序列分别进行多维特征提取，得到多维时序特征；根据所述多维时序特征对所述时间序列集合中的各时间序列进行分类本发明还公开了一种时序数据分类装置、终端设备及存储介质。本发明通过对时间序列进行多维特征提取，结合时间序列的多维时序特征进行分类，可以有效提高对时序数据的分类精度，从而使对时序数据的分类精度能够满足金融领域复杂业务场景的预测需求。
时序数据分类方法装置终端设备存储介质

[发明专利]无监督异常检测方法与装置-CN202011355743.2在审
发明人：裴丹;苏亚 -专利权人：清华大学
申请日： 2020-11-26 - 公布日： 2021-02-26 - 主分类号： G06F11/07 文献下载
摘要：本申请提出一种无监督异常检测方法与装置，包括以下步骤：获取网络模型，其中，网络模型包括变分网络和生成网络；获取输入数据，并将输入数据分割成多时间序列片段数据；将多时间序列片段数据输入变分网络进行处理，获取多时间序列片段的随机隐变量；将多时间序列片段的随机隐变量输入生成网络进行连接处理，获取输入数据的重构值；检测输入数据与重构值是否一致，根据检测结果确定是否异常。由此，在考虑多时间序列随机性和时间依赖性的前提下，对多时间序列的历史正常模式进行学习，从而实现对多时间序列数据更加准确的无监督异常检测。
监督异常检测方法装置