[发明专利]数据处理方法、装置、存储介质以及处理器

权利要求书

1.一种数据处理方法，其特征在于，包括：

获取在执行目标任务的过程中产生的多个时间序列数据；

将所述多个时间序列数据输入目标模型进行聚类处理，得到聚类结果，其中，所述目标模型至少包括编码模块和聚类模块，所述编码模块用于提取所述多个时间序列数据的特征，所述聚类模块用于对所述特征进行聚类，得到所述聚类结果；

根据所述聚类结果分析所述目标任务的执行情况。

2.根据权利要求1所述的数据处理方法，其特征在于，在将所述多个时间序列数据输入目标模型进行聚类处理，得到聚类结果之前，所述方法还包括：

获取多个样本时间序列数据；

通过所述多个样本时间序列数据训练预设编码模块，并确定训练所述预设编码模块的过程中对应的第一损失值，其中，在训练所述预设编码模块时，所述预设编码模块处理所述多个样本时间序列数据得到多个样本特征；

获取训练所述预设编码模块的过程中产生的所述多个样本特征，通过所述多个样本特征训练预设聚类模块，并确定训练所述预设聚类模块的过程中对应的第二损失值；

根据所述第一损失值和所述第二损失值确定目标损失值，并获取所述目标损失值小于损失阈值的情况下对应的编码模块和聚类模块；

将获取的所述编码模块和所述聚类模块组合为所述目标模型。

3.根据权利要求2所述的数据处理方法，其特征在于，通过所述多个样本时间序列数据训练预设编码模块，并确定训练所述预设编码模块的过程中对应的第一损失值包括：

将所述多个样本时间序列数据输入所述预设编码模块，处理得到所述多个样本时间序列数据的所述多个样本特征；

通过预设解码模块对所述多个样本特征进行还原，得到还原后的多个时间序列数据；

根据所述多个样本时间序列数据和所述还原后的多个时间序列数据之间的差异确定所述第一损失值。

4.根据权利要求1所述的数据处理方法，其特征在于，所述编码模块的类型为以下至少之一：稀疏自编码器、变分自编码器。

5.根据权利要求4所述的数据处理方法，其特征在于，在所述编码模块的类型为变分自编码器的情况下，所述编码模块包括：

卷积层，用于提取所述时间序列数据的第一特征；

池化层，与所述卷积层连接，用于降低所述第一特征的维度；

第一长短期记忆模型，与所述池化层连接，用于提取所述第一特征中的正序列特征；

第二长短期记忆模型，与所述池化层连接，用于提取所述第一特征中的逆序列特征；

第一全连接层：与所述第一长短期记忆模型和所述第二长短期记忆模型连接，用于根据所述正序列特征和所述正序列特征确定第一分布参数；

第二全连接层：与所述第一长短期记忆模型和所述第二长短期记忆模型连接，用于根据所述正序列特征和所述逆序列特征确定第二分布参数；

将所述正序列特征、所述逆序列特征、所述第一分布参数以及所述第二分布参数确定为所述编码器的输出。

6.根据权利要求1所述的数据处理方法，其特征在于，所述聚类模块采用的聚类算法为以下至少之一：K均值聚类算法、层次聚类算法。

7.根据权利要求6所述的数据处理方法，其特征在于，所述聚类算法通过每两个时间序列数据之间的距离进行聚类，其中，通过下式确定每两个时间序列数据之间的距离：

CID(x,y)＝ED(x,y)·CF(x,y)；

其中，x和y是两个时间序列数据的特征，ED(x,y)是x和y之间的欧式距离，CF(x,y)为时序复杂度因子；

其中，N是时间序列数据的个数，t是时间序列数据的序列号；

其中，CF(x,y)＝max(CE(x),CE(y))/min(CE(x),CE(y))，CE(x)是x对应的时序复杂度因子，CE(y)是y对应的时序复杂度因子；

其中，