[發明專利]一種時間序列數據的處理方法、裝置及設備

在審

• 申請號: 202111485747.7
• 申請日: 2021-12-08
• 公開（公告）號: CN113886470A
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 陳超;嚴川;張博
• 申請（專利權）人: 云智慧（北京）科技有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/28
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明的實施例提供一種時間序列數據的處理方法、裝置及設備，該方法包括：獲取時間序列數據；對所述時間序列數據進行處理，得到所述時間序列數據的自相關序列；獲取所述自相關序列的相似度差異序列；根據所述相似度差異序列，確定所述時間序列數據為周期時間序列；根據所述周期時間序列，對預設時間序列數據進行處理，得到處理結果。本發明的實施例可以提高時間序列數據周期檢測的準確性。

技術領域

本發明涉及時序數據處理技術領域，特別是指一種時間序列數據的處理方法、裝置及設備。

背景技術

隨著大數據的發展，時間序列數據出現在越來越多的領域中，如物聯網、醫療、金融等等。現有數據的周期檢測方法包括循環檢測算法（Cycle Detection）、自相關方法（Autocorrelation）和快速傅里葉變換（FFT）方法等，這些算法只適合檢測高信噪比的周期數據，特別的，循環檢測算法只適合檢測沒有噪聲的周期序列；自相關方法通過計算各級自相關值的方式，以波峰所在位置為周期。當數據存在較大波動時，容易因甲假性波峰的存在導致高誤報率，得到錯誤的檢測判斷和周期長度。傅立葉變換將序列從時域形態轉換到頻域形態，通過識別波峰來獲取對應周期值。傅里葉變換方法一般僅適用于短中期周期值的檢測，且當數據存在較大噪聲波動時，容易得到錯誤的周期值。

同時，循環檢測算法和自相關方法、快速傅立葉變換等這類現有周期檢測方法都無法較好的處理那些同時涵蓋周期和趨勢成分的時間序列數據，從而造成周期檢測不準確，無法有效地進行時間序列數據的分析。

發明內容

本發明提供了一種時間序列數據的處理方法、裝置及設備。可以提高時間序列數據周期檢測的準確性。

為解決上述技術問題，本發明的實施例提供以下方案：

一種時間序列數據的處理方法，包括：

獲取時間序列數據；

對所述時間序列數據進行處理，得到所述時間序列數據的自相關序列；

對所述自相關序列進行處理，獲取所述自相關序列的相似度差異序列；

根據所述相似度差異序列，確定所述時間序列數據為周期時間序列；

根據所述周期時間序列，對預設時間序列數據進行處理，得到處理結果。

可選的，對所述時間序列數據進行處理，得到所述時間序列數據的自相關序列，包括：

根據自相關函數，對所述時間序列數據進行自相關計算，得到所述時間序列數據的自相關序列。

可選的，所述自相關函數為：；

其中，所述時間序列數據為，N表示時間序列數據X的長度；為時間序列數據X的均值，；表示時間序列數據中的第t個點，。

可選的，所述時間序列數據的自相關序列為：

；

其中，記，，；

和為A的子序列，i為子序列的長度；

則。

可選的，獲取所述自相關序列的相似度差異序列，包括：

計算子序列和在各個長度下的相似度差異，得到相似度差異序列M；

其中，

為相似度差異計算函數。

可選的，根據所述相似度差異序列，確定所述時間序列數據為周期時間序列，包括：

根據所述相似度差異序列，令，通過公式，得到所述時間序列數據的候選周期T；

根據T和所述時間序列數據得到，噪聲程度以及趨勢成分比重；

若，且，，則認為時間序列數據X為周期性時間序列，其周期長度為T；

其中，j為相似度差異序列M中元素m的索引；為預設噪聲閾值、為預設趨勢閾值。

可選的，根據所述周期時間序列，對預設時間序列數據進行處理，得到處理結果，包括：