使用模体压缩单变量时间序列数据集的制作方法

背景技术：

1、随着计算机系统的复杂性、大小和处理能力的增加，由这些计算机系统执行的处理也继续增长。监测系统在尝试管理计算机系统执行的应用并提高计算机系统的整体效率方面越来越受欢迎。然而，这是一项困难的任务。数据以不断增加的速度创建，这使得审查变得困难。当将数据审查传递给第三方时，第三方收到的数据可能无法访问计算机系统中的所有环境数据。

技术实现思路

技术特征：

1.一种系统，包括：

2.根据权利要求1所述的系统，其中所述压缩数据集表示包括描述所述多个模体中的每个模体的元数据和被分组到每个相应模体的聚类的基于时间的索引。

3.根据权利要求2所述的系统，所述指令还使所述系统：

4.根据权利要求3所述的系统，其中所述重新填充的时间序列数据集是部分地通过在被分组到所述第一模体中的聚类的基于时间的索引处插入基于描述所述第一模体的所述元数据的代表性数据集来生成的。

5.根据权利要求3所述的系统，其中预告所述受监测设备的所述未来行为包括：将所述重新填充的时间序列数据集输入到如下算法中，所述算法生成时间序列数据集的未来数据点预告。

6.根据权利要求1所述的系统，其中所述距离算法求出到聚类之间的曲线相似性。

7.根据权利要求1所述的系统，其中所述无监督机器学习模型是使用定制的k均值聚类算法而被训练的。

8.一种计算机实现的方法，包括：

9.根据权利要求8所述的方法，其中所述压缩数据集表示包括描述所述多个模体中的每个的元数据和被分组到每个相应模体中的聚类的基于时间的索引。

10.根据权利要求9所述的方法，还包括：

11.根据权利要求10所述的方法，其中所述重新填充的时间序列数据集是部分地通过在被分组到所述第一模体的聚类的基于时间的索引处插入基于描述所述第一模体的所述元数据的代表性数据集来生成的。

12.根据权利要求10所述的方法，其中预告所述受监测设备的所述未来行为包括：将所述重新填充的时间序列数据集输入到如下算法中，所述算法生成时间序列数据集的未来数据点预告。

13.根据权利要求8所述的方法，其中所述距离算法求出聚类之间的曲线相似性。

14.根据权利要求8所述的方法，其中所述无监督机器学习模型是使用定制的k均值聚类算法而被训练的。

15.一种非暂时性机器可读存储介质，包括处理器可执行的指令，该指令将处理器编程为：

16.根据权利要求15所述的非暂时性机器可读存储介质，其中所述压缩数据集表示包括描述所述多个模体中的每个的元数据和被分组到每个相应模体的聚类的基于时间的索引。

17.根据权利要求16所述的非暂时性机器可读存储介质，所述指令还将所述处理器编程为：

18.根据权利要求17所述的非暂时性机器可读存储介质，其中所述重新填充的时间序列数据集是部分地通过在被分组到所述第一模体的聚类的基于时间的索引处插入基于描述所述第一模体的所述元数据的代表性数据集来生成的。

19.根据权利要求17所述的非暂时性机器可读存储介质，其中预告所述受监测设备的所述未来行为包括：将所述重新填充的时间序列数据集输入到如下算法中，所述算法生成时间序列数据集的未来数据点预告。

20.根据权利要求19所述的非暂时性机器可读存储介质，其中所述距离算法求出聚类之间的曲线相似性。

技术总结本公开涉及使用模体压缩单变量时间序列数据集。提供了用于将来自受监测设备的时间序列数据集压缩成压缩数据集表示的系统和方法。使用无监督机器学习模型，系统可以对时间序列数据集的一组连续数据点进行分组，并使用距离算法将第一聚类分组到第一模体。压缩数据集表示可以使用多个模体生成，包括第一模体，它存储在时间序列数据集的位置。这可以允许将时间序列数据集替换为压缩数据集表示，从而说明时间序列数据集的整体抽象定义，而不是单个数据点。技术研发人员：M·S·吉尔,D·萨蒂亚纳拉亚纳穆尔蒂,M·C·塞沙,A·巴布拉尔受保护的技术使用者：慧与发展有限责任合伙企业技术研发日：技术公布日：2024/7/29