[发明专利]基于多时间尺度融合的业务场景时序数据确定方法及系统

说明书

本发明公开一种基于多时间尺度融合的业务场景时序数据确定方法及系统，涉及智能停车管理领域，包括：利用历史业务时序数据以及相关数据，通过进行分钟级和天级两种时间尺度的数据分解，并根据分解后的时序数据特征分别采用不同的方法进行时序预测，并最终通过两种时间尺度时序数据的融合，从而实现了更为稳定的以天为时间单位的长周期趋势性波动预测，还可以利用提取的分钟级24小时时序模式实现未来时间段内的细粒度业务量预测，并且由于利用了信号分解技术，使得整体计算流程更为简洁稳定，无需复杂的调参过程以及包含多个长业务周期的大量时序数据的计算，从而提升了业务场景时序数据的确定效率。

技术领域

本发明涉及智能停车管理领域，特别涉及一种基于多时间尺度融合的业务场景时序数据确定方法及系统。

背景技术

在静态交通场景下，随着AI技术的广泛应用，泊位车辆停靠状态和车牌等车辆信息的自动化获取已经极大的提升了业务处理的实时效能，但鉴于AI技术必然存在的无法达到100％识别准确度的技术瓶颈，因此高效的人工辅助处理在当前技术条件和业务模式下对提升整体服务水平起着至关重要的作用。通常情况下，通过一系列算法构建的自动化信息处理流程中，系统会捕获一些算法无法确认的识别结果和相关信息，这些信息可能包含置信度不高的正确识别结果，也可能包含识别错误的结果，此时系统会将该类待核查信息生成系统任务，返回给后台客服人员进行人工核查处理后，再将修正或确认后的结果返回给系统数据库，完成整个处理流程的闭环操作。因此，在人工成本日益增高的今天，如何根据系统业务量进行合理的人工配置，并进行灵活的调度对企业的降本增效起着至关重要的作用，而其中最为关键的步骤之一便是如何根据历史业务数据信息对业务量进行合理准确的预测，这为人员配置优化提供了重要且必要的信息基础。

目前常用的时序预测方法根据可预测时长主要分为两种模式：一是长期的趋势性预测，主要评估时序数据在长周期时间，如几个月到一年条件下基本的趋势性波动模式，该类算法基于既定的数学模型进行数据拟合，但计算中需要包含多个时序周期的长时间序列进行模型拟合，当反映长周期规律的时序数据不足或者预测时序过长时均无法得到较为准确的时序波动演化结果，并且该方法还需要根据序列特征预设较多的先验参数，而结果准确度与先验参数设定存在强相关性，导致该种方法的局限性较强。第二种方法是短期的波动性预测，主要用于评估时序数据在较短时间内的波动模式，但由于该方法一般没有预设的先验模型进行求解空间的控制，因此需要大规模的数据进行模型训练用于提取复杂稳定的时序模式，并且对训练数据敏感；同时对于大量获取业务模式比较新颖的商业数据本身存在困难，并且该方法还需要高性能设备进行快速训练、评估、调优、迭代模型，导致该方法的实现难度较大，实现成本较高。

发明内容

为解决上述技术问题，本发明提供一种基于多时间尺度融合的业务场景时序数据确定方法及系统，可以解决现有业务场景时序数据确定方法实现难度较大、实现成本较高、业务场景时序数据预测的准确率难以保证的问题。

为实现上述目的，一方面，本发明提供一种基于多时间尺度融合的业务场景时序数据确定方法，所述方法包括：对异常处理后的分钟级时序数据进行趋势和局部周期二分量模式分解，得到趋势部分序列和局部周期模式部分序列；

对所述趋势部分序列进行以天为采样单位的数据整合，并通过预置分解算法对整合后的天级时序数据进行二次分解，得到所述天级时序数据对应的光滑性趋势分量和平稳波动性分量；

对所述光滑性趋势分量和平稳波动性分量分别进行时序预测得到光滑性趋势分量估计序列、平稳波动性分量估计序列、平稳波动性分量的残差统计量估计值；

根据所述光滑性趋势分量估计序列、所述平稳波动性分量估计序列、所述平稳波动性分量的残差统计量估计值，获取天级业务时序数据对应的趋势预测数据；

根据天级趋势预测数据获取天内数据采样频率的平均值，并与所述分钟级时序数据局部周期模式部分序列进行逐个周期的时序数据合并，得到分钟级长时间的业务量估计值。