[发明专利]用于数据处理的方法、装置、电子设备及计算机可读介质

权利要求书

1.一种用于数据处理的方法，其特征在于，包括：

获取用户的流量数据，所述流量数据包括电量数据；

将所述流量数据按照时间特征分成多个时间序列数据；

通过基本统计学算法与所述多个时间序列数据，计算所述流量数据的特征值；以及

将所述特征值输入预测模型中，以获取所述用户在预定时间段中的流量数据预测值。

2.如权利要求1所述的方法，其特征在于，还包括：

将多个用户在所述预定时间段中的所述流量数据预测值进行汇总计算，获取流量数据预测总值。

3.如权利要求1所述的方法，其特征在于，所述流量数据还包括：

客流量数据。

4.如权利要求1所述的方法，其特征在于，还包括：

通过用户的历史流量数据对与长短期记忆网络进行训练，获得所述预测模型。

5.如权利要求4所述的方法，其特征在于，还包括：

在训练所述长短期记忆网络时，通过均方差与相关系数对所述预测模型进行校验。

6.如权利要求1所述的方法，其特征在于，所述将所述流量数据按照时间特征分成多个时间序列数据，包括：

将所述流量数据按照星期特征分成七个时间序列数据，

第一时间序列数据对应于不同星期中每个周一的流量数据；

第二时间序列数据对应于不同星期中每个周二的流量数据；

第三时间序列数据对应于不同星期中每个周三的流量数据；

第四时间序列数据对应于不同星期中每个周四的流量数据；

第五时间序列数据对应于不同星期中每个周五的流量数据；

第六时间序列数据对应于不同星期中每个周六的流量数据；

第七时间序列数据对应于不同星期中每个周日的流量数据。

7.如权利要求1所述的方法，其特征在于，所述通过基本统计学算法与所述多个时间序列数据，计算所述流量数据的特征值，包括：

通过所述多个时间序列数据分别计算所述流量数据的均值与标准差；

将所述均值与所述标准差作为所述流量数据的特征值。

8.如权利要求1所述的方法，其特征在于，所述获取所述用户在预定时间段中的流量数据预测值，包括：

获取所述用户在未来一个月中的流量数据预测值；

所述流量数据预测值包括未来一个月中每一天的流量数据。

9.如权利要求1所述的方法，其特征在于，所述长短期记忆网络预测模型包括：

多个子模型，所述多个子模型之间存在递进关系。

10.如权利要求9所述的方法，其特征在于，所述长短期记忆网络预测模型中五个子模型的关系为：

其中，F_i为第i个模型，f₀为第j个模型预测值的影响因素，g_j为第j个模型预测值的影响因素，g₀为空值。

11.一种用于数据处理的装置，其特征在于，包括：

数据模块，用于获取用户的流量数据，所述流量数据包括电量数据；

拆分模块，用于将所述流量数据按照时间特征分成多个时间序列数据；

特征模块，用于通过基本统计学算法与所述多个时间序列数据，计算所述流量数据的特征值；以及

预测模块，用于将所述特征值输入预测模型中，以获取所述用户在预定时间段中的流量数据预测值。

12.如权利要求11所述的装置，其特征在于，还包括：

训练模块，用于通过用户的历史流量数据对与长短期记忆网络进行训练，获得所述预测模型。