[发明专利]时序数据分类方法、装置、终端设备及存储介质

权利要求书

1.一种时序数据分类方法，其特征在于，所述时序数据分类方法包括以下步骤：

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。

2.如权利要求1所述的时序数据分类方法，其特征在于，所述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，得到多维时序特征的步骤，包括：

将所述时间序列集合输入至预设的数据分类器中，其中，所述数据分类器中包括多个分类模型；

利用各所述分类模型对所述时间序列集合中的各时间序列分别进行特征提取处理，得到各所述时间序列的多维时序特征。

3.如权利要求2所述的时序数据分类方法，其特征在于，所述数据分类器中包括量级分类模型，所述多维时序特征包括量级占比，所述利用各所述分类模型对所述时间序列集合中的各时间序列分别进行特征提取处理，得到各所述时间序列的多维时序特征的步骤，包括：

利用所述量级分类模型统计各时间序列中序列值大于各量级预设的量级参考阈值的序列值数量，其中，所述量级参考阈值是利用所述量级分类模型对历史时间序列集合进行挖掘得到的；

计算所述序列值数量的量级占比，其中，所述量级占比为各量级对应的序列值的数量在时间序列中所占的比例。

4.如权利要求2所述的时序数据分类方法，其特征在于，所述数据分类器中包括上/下线分类模型，所述多维时序特征包括上/下线时刻点，所述利用各所述分类模型对所述时间序列集合中的各时间序列分别进行特征提取处理，得到各所述时间序列的多维时序特征的步骤，包括：

利用所述上/下线分类模型对所述时间序列集合中的各时间序列进行极值滤波处理，得到多个特征序列；

获取所述特征序列的下标集合，根据所述下标集合遍历所述特征序列的序列值，从所述特征序列中计算上/下线时刻点，其中，所述下标集合中的下标为所述特征序列中各序列值的位置。

5.如权利要求2所述的时序数据分类方法，其特征在于，所述数据分类器中包括波动型分类模型，所述多维时序特征包括序列相似度，所述利用各所述分类模型对所述时间序列集合中的各时间序列分别进行特征提取处理，得到各所述时间序列的多维时序特征的步骤包括：

获取预设的序列样本集合，其中，所述序列样本集合是基于历史时间序列集合中具有特殊波形的时间序列构建的；

利用所述波动型分类模型遍历所述序列样本集合中的各样本序列，并计算所述时间序列集合中的各时间序列与各所述样本序列的序列相似度。

6.如权利要求2所述的时序数据分类方法，其特征在于，所述数据分类器中包括不规则型分类模型，所述多维时序特征包括序列波动因子，所述利用各所述分类模型对所述时间序列集合中的各时间序列分别进行特征提取处理，得到各所述时间序列的多维时序特征的步骤，包括：

获取第一轮窗口参数并将所述第一轮窗口参数设置为目标窗参数，根据所述不规则型分类模型和所述目标窗参数，将所述时间序列集合中的各时间序列划分为多个子序列，得到所述时间序列集合中各时间序列的子序列集合；

计算各所述子序列集合中各子序列与所述子序列集合中其余子序列的距离，得到各所述时间序列的距离集合；

计算所述距离集合中大于预设的序列标准差阈值的距离值的目标数量，并根据所述目标数量计算第一距离特征值；

基于所述第一轮窗口参数计算第二轮窗口参数，并将所述第二轮窗口参数设置为目标窗参数，返回并执行所述根据所述不规则型分类模型和所述目标窗参数，将所述时间序列集合中的各时间序列划分为多个子序列，得到所述时间序列集合中各时间序列的子序列集合的步骤，得到第二距离特征值；

根据所述第一距离特征值和所述第二距离特征值计算各所述时间序列的波动因子。