[发明专利]一种基于seq2seq的数据缺失值预测方法及系统

权利要求书

1.一种基于seq2seq的数据缺失值预测方法，其特征在于，包括：

预先构建初始seq2seq模型，其中所述seq2seq模型包括编码器和解码器，所述编码器采用LSTM模型，所述解码器采用LSTM模型；

在所述初始seq2seq模型的输出层添加全连接层，生成预先构建的seq2seq模型；

基于家畜的耳标传感器获取家畜的传感器数据样本；

基于传感器数据样本对预先构建的seq2seq模型进行训练，生成缺失值预测模型；

获取待预测的传感器数据，将所述待预测的传感器数据输入所述缺失值预测模型，得到数据缺失值预测结果。

2.根据权利要求1所述的基于seq2seq的数据缺失值预测方法，其特征在于，所述基于家畜的耳标传感器获取家畜的传感器数据样本，包括：

基于家畜的耳标传感器获取家畜实时的传感器数据，所述家畜的实时数据包括家畜的温度数据和运动数据；

将所述家畜的实时数据与家畜的标识号进行映射后存储至时序数据库；

检测到传感器数据样本生成指令，则基于家畜的耳标号获取家畜的标识号；

根据家畜的标识号在所述时序数据库中读取家畜对应的传感器数据；

将传感器数据按照时间步数进行提取，将提取的数据格式转化为seq2seq模型的样本格式，生成初始传感器数据样本；

将初始传感器数据样本进行标准化处理，生成传感器数据样本。

3.根据权利要求2所述的基于seq2seq的数据缺失值预测方法，其特征在于，所述基于传感器数据样本对预先构建的seq2seq模型进行训练，生成缺失值预测模型，包括：

将传感器数据样本进行切分，生成训练集、测试集及验证集；

将训练集输入预先构建的seq2seq模型进行训练；

训练过程中通过预先定义的标签和损失函数优化模型参数；

优化完成后，生成缺失值预测模型，存储所述缺失值预测模型。

4.根据权利要求3所述的基于seq2seq的数据缺失值预测方法，其特征在于，所述训练过程中通过预先定义的标签和损失函数优化模型参数，包括：

获取seq2seq模型输出的结果与训练标签通过RMSE函数求损失函数；

基于损失函数对参数求导，利用梯度下降的方式不断修改优化模型参数。

5.根据权利要求4所述的基于seq2seq的数据缺失值预测方法，其特征在于，所述获取待预测的传感器数据，将所述待预测的传感器数据输入所述缺失值预测模型，得到数据缺失值预测结果，包括：

获取待预测的传感器数据，提取传感器数据中的数据缺失值及非缺失值；

提取缺失值前预定长度的非缺失值的时序数据作为输入数据，将输入数据进行标准化处理输入到seq2seq模型；

获取seq2seq模型的输出结果，将输出结果进行反标准化处理，得到数据缺失值的预测结果。

6.一种基于seq2seq的数据缺失值预测系统，其特征在于，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现以下步骤：

预先构建初始seq2seq模型，其中所述seq2seq模型包括编码器和解码器，所述编码器采用LSTM模型，所述解码器采用LSTM模型；

在所述初始seq2seq模型的输出层添加全连接层，生成预先构建的seq2seq模型；

基于家畜的耳标传感器获取家畜的传感器数据样本；

基于传感器数据样本对预先构建的seq2seq模型进行训练，生成缺失值预测模型；

获取待预测的传感器数据，将所述待预测的传感器数据输入所述缺失值预测模型，得到数据缺失值预测结果。