[发明专利]基于多条件约束的时间序列数据生成方法、装置及介质有效
申请号: | 202010227885.4 | 申请日: | 2020-03-26 |
公开(公告)号: | CN111475496B | 公开(公告)日: | 2023-07-21 |
发明(设计)人: | 彭磊;张俊楠;李慧云 | 申请(专利权)人: | 深圳先进技术研究院 |
主分类号: | G06F16/215 | 分类号: | G06F16/215;G06F16/2458;G06N3/0475;G06N3/045;G06N3/0442 |
代理公司: | 广州三环专利商标代理有限公司 44202 | 代理人: | 熊永强;陈聪 |
地址: | 518055 广东省深圳*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 条件 约束 时间 序列 数据 生成 方法 装置 介质 | ||
1.一种基于多条件约束的时间序列数据生成方法,其特征在于,所述方法包括:
接收客户端的数据修复请求,所述数据修复请求包括待修复数据及条件信息,所述数据修复请求用于请求根据所述条件信息对所述待修复数据进行数据修复,所述条件信息为与所述待修复数据相匹配的特征条件;
对所述待修复数据进行归一化处理,得到所述待修复数据的归一化数据,并对所述条件信息进行张量化处理,得到所述条件信息的特征标签;
获取样本数据及第一样本条件,所述样本数据为噪声数据,并对所述样本数据进行归一化处理,得到所述样本数据的第一处理数据,对所述第一样本条件进行张量化处理,得到第一样本标签;
获取真实样本数据及第二样本条件,并对所述样本数据进行归一化处理,得到所述样本数据的第二处理数据,对所述第二样本条件进行张量化处理,得到第二样本标签;
根据所述第一处理数据、所述第一样本标签、所述第二处理数据及所述第二样本标签对数据修复模型进行监督训练,确定模型函数;
所述模型函数包括生成损失函数、判别损失函数及目标函数;
根据所述第一样本标签对所述第一处理数据进行修复处理,得到第二修复数据,并对所述第二修复数据及所述第一样本标签进行判别处理,得到第一判别结果;
对所述第二处理数据及所述第二样本标签进行判别处理,得到第二判别结果;
根据所述第一判别结果及所述第二判别结果,确定所述判别损失函数,所述判别损失函数为判别器的损失函数;
根据所述第一判别结果,确定所述生成损失函数,所述生成损失函数为生成器的损失函数;
对所述判别损失函数及所述生成损失函数进行优化,确定所述目标函数;
根据所述生成损失函数、所述判别损失函数和所述目标函数优化网络参数,构建所述数据修复模型;
根据所述时间序列,对所述归一化数据中各个数据进行排序,所述时间序列为所述待修复数据中各个数据的生成时间点所组成的序列,所述归一化数据中各个数据为所述待修复数据中各个数据经过归一化处理后得到的;
调用已完成训练的数据修复模型,根据所述特征标签,对已完成排序的所述归一化数据进行数据修复处理,得到第一修复数据;
发送所述第一修复数据至所述客户端。
2.根据权利要求1所述的方法,其特征在于,所述第一样本条件包括n个特征条件,n为正整数;
所述获取样本数据及第一样本条件之前,所述方法还包括:
接收所述客户端发送的条件指令,所述条件指令用于指示从n个所述特征条件中获取x个所述特征条件,x为小于或等于n的非负整数;
根据所述条件指令从所述包括n个特征条件的第一样本条件信息中获取x个所述特征条件。
3.根据权利要求1所述的方法,其特征在于,所述调用已完成训练的数据修复模型之前还包括:
对所述第二修复数据及所述第二处理数据进行平均余弦相似度计算,得到相似度结果,所述第二处理数据为与所述第二修复数据相匹配的真实数据;
根据所述相似度结果,优化所述数据修复模型的网络参数。
4.根据权利要求1所述的方法,其特征在于,所述样本数据包括验证数据,所述方法还包括:
获取所述验证数据,并对所述验证数据进行归一化处理,得到所述验证数据的第三处理数据;
获取验证条件,并对所述验证条件进行张量化处理,得到所述验证条件的验证标签;
调用已完成训练的所述数据修复模型,根据所述验证标签对所述第三处理数据进行修复处理,得到第三修复数据;
获取真实验证数据,并对所述真实验证数据进行归一化处理,得到所述真实验证数据的第四处理数据,所述第四处理数据为与所述第三修复数据相匹配的真实数据;
对所述第三修复数据及所述第四处理数据进行残差分析,得到残差分析结果,并将所述残差分析结果发送至所述客户端。
5.一种基于多条件约束的时间序列数据生成装置,其特征在于,用于执行如权利要求1-4中任一项所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳先进技术研究院,未经深圳先进技术研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010227885.4/1.html,转载请声明来源钻瓜专利网。