[发明专利]模型训练及数据分析方法、装置、设备以及存储介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

构造训练样本，所述训练样本包括一个或多个时序数据，不同的时序数据对应于不同的特征维度，每个所述时序数据分别包括多个按时间顺序排列的数据；所述一个或多个时序数据包括以下一项或多项身体指标：心率数据曲线；脑电图；呼吸仪成像；血压数据曲线；

使用一个或多个所述训练样本训练时序数据分析模型，所述时序数据分析模型用于对包括一个或多个时序数据的样本所属的类别进行分析；其中，所述时序数据分析模型是特定结构的卷积神经网络模型，所述卷积神经网络模型包括位于卷积层和激活函数层之间的批标准化层，所述批标准化层用于对所述卷积层输出的数据分批次地进行随机梯度下降训练，对每批下降训练后的数据进行归一化处理，并将归一化处理后的数据输入所述激活函数层。

2.根据权利要求1所述的模型训练方法，其特征在于，

所述训练样本还包括所述一个或多个时序数据所对应的标记，所述标记用于标记所述训练样本所属的类别。

3.根据权利要求1所述的模型训练方法，其特征在于，所述一个或多个时序数据是下述信息中的一项：

一项或多项油气探测指标；

一项或多项光伏切片制造工艺参数；

一项或多项风能机组性能参数；

一项或多项环保设备监测参数；

一项或多项交通运输数据；

一项或多项空港生产参数。

4.根据权利要求3所述的模型训练方法，其特征在于，不同的时序数据对应于不同的油气探测指标，每个所述时序数据包括多个以等距方式先后采集的对应不同地表深度的地质测量数据，所述一个或多个时序数据包括以下一项或多项油气探测指标：

电阻率；

孔隙率；

渗透率；

伽马能谱；

质量密度；

声波速度；

中子孔隙度；

光谱噪声。

5.根据权利要求1所述的模型训练方法，其特征在于，

所述卷积神经网络模型还包括预定层数的特征提取层，每层所述特征提取层包括依次连接的卷积层、批标准化层、激活函数层、网络节点丢弃层、卷积层以及最大池化层。

6.根据权利要求2所述的模型训练方法，其特征在于，所述构造训练样本的步骤包括：

在一个类别的训练样本的数量低于第三预定阈值的情况下，基于该类别的训练样本的时序数据，构造新的时序数据，以得到属于该类别的新的训练样本。

7.根据权利要求6所述的模型训练方法，其特征在于，

使用上采样的方式构造所述新的时序数据；或者

使用SMOTE算法构造新的时序数据。

8.根据权利要求6所述的模型训练方法，其特征在于，

所述训练样本分为正样本和负样本，在其中一个类别的训练样本的数量低于第四预定阈值的情况下，所述构造训练样本的步骤还包括：

对另一个类别的训练样本进行下采样，以减少所述另一个类别的训练样本的数量。

9.根据权利要求1所述的模型训练方法，其特征在于，还包括：

针对数据量小于第一预定阈值的时序数据，对所述时序数据进行增补，以使其数据量大于或等于所述第一预定阈值。

10.根据权利要求9所述的模型训练方法，其特征在于，所述对其时序数据进行增补的步骤包括：

插入预定数量的零值；并且/或者

插入预定数量的所述时序数据的均值；并且/或者

根据插入位置的在前数据和在后数据，使用线性插值算法确定所述插入位置的数据。

11.根据权利要求1所述的模型训练方法，其特征在于，还包括：

剔除数据量小于第二预定阈值的时序数据。