时序数据处理方法、装置、设备、存储介质及产品与流程

本申请涉及数据处理，尤其涉及一种时序数据处理方法、装置、设备、存储介质及计算机程序产品。

背景技术：

1、现有的神经网络模型中，例如自回归移动平均模型、rnn(循环神经网络)模型、lstm(长短期记忆网络)模型，这些模型的主要不足是普遍不能对距离当前时刻较远的数据进行充分考虑，而只能着眼于临近当前时刻的一些数据，从而忽略的较远的数据产生的长时间规律，降低了模型的分析和预测精度，导致神经网络模型的预测准确率较低。

2、因此，如何提高神经网络模型的预测准确率，是目前亟需解决的一个问题。

3、上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本申请的主要目的在于提供一种时序数据处理方法、装置、设备、存储介质及计算机程序产品，旨在解决如何提高神经网络模型的预测准确率的技术问题。

2、为实现上述目的，本申请提出一种时序数据处理方法，所述方法包括：

3、获取待处理的初始时序数据；

4、将所述初始时序数据划分成多个向量数据，并计算各所述向量数据的最优映射维度；

5、基于所述最优映射维度，通过预设增强门算法对各所述向量数据进行计算，得到优化时序参数，以供预设长短期记忆模型对所述优化时序参数进行计算处理后，输出预测结果，其中，所述预设增强门算法用于增强所述向量数据的长时期记忆能力。

6、在一实施例中，所述计算各所述向量数据的最优映射维度的步骤，包括：

7、在各所述向量数据中任意选取第一向量数据，并确定与所述第一向量数据距离最近的第二向量数据；

8、计算所述第一向量数据与所述第二向量数据的p范数距离；

9、基于所述p范数距离，确定各所述向量数据的最优映射维度。

10、在一实施例中，所述计算所述第一向量数据与所述第二向量数据的p范数距离的步骤，包括：

11、将当前向量数据所属维度加上预设取值，得到第二映射维度；

12、确定所述第一向量数据在所述第二映射维度下的第一取值，以及所述第二向量数据在所述第二映射维度下的第二取值；

13、基于所述第一取值以及所述第二取值，计算得到所述第二映射维度下的第一向量数据与第二向量数据的p范数距离。

14、在一实施例中，所述基于所述p范数距离，确定向量数据的最优映射维度的步骤，包括：

15、将所述p范数距离与预设阈值相比较，得到比较结果；

16、若所述比较结果显示所述p范数距离小于预设阈值，则确定向量数据所对应的当前映射维度为最优映射维度。

17、在一实施例中，所述预设长短期记忆模型还包括多个遗忘门节点；所述基于所述最优映射维度，通过预设增强门算法对各所述向量数据进行计算，得到优化时序参数的步骤，包括：

18、获取第一输出数据；其中，所述第一输出数据是所述遗忘门节点对所述初始时序数据进行计算处理后得到的；

19、基于所述向量数据的序列长度以及最优映射维度，计算得到第一数据变量；

20、基于预设增强门算法，将所述第一数据变量与所述第一输出数据相减，得到增强输出数据；

21、将所述增强输出数据与所述遗忘门节点输出的第二输出数据相乘，得到优化时序参数。

22、在一实施例中，所述将所述初始时序数据划分成多个向量数据的步骤，包括：

23、获取所述初始时序数据的映射维度以及移动步长；

24、基于所述映射维度和所述移动步长，将初始时序数据截取成多个向量数据，其中，所述向量数据中包括所述映射维度对应数目的多个标量数据，所述移动步长用于表征各个标量数据之间的位置距离。

25、此外，为实现上述目的，本申请还提出一种时序数据处理装置，所述时序数据处理装置包括：

26、获取模块，用于获取待处理的初始时序数据；

27、计算模块，用于将所述初始时序数据划分成多个向量数据，并计算各所述向量数据的最优映射维度；

28、处理模块，用于基于所述最优映射维度，通过预设增强门算法对各所述向量数据进行计算，得到优化时序参数，以供预设长短期记忆模型对所述优化时序参数进行计算处理后，输出预测结果，其中，所述预设增强门算法用于增强所述向量数据的长时期记忆能力。

29、此外，为实现上述目的，本申请还提出一种时序数据处理设备，所述设备包括：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，所述计算机程序配置为实现如上文所述的时序数据处理方法的步骤。

30、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的时序数据处理方法的步骤。

31、此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的时序数据处理方法的步骤。

32、本申请提出了一种时序数据处理方法、装置、设备、存储介质及计算机程序产品，本申请通过获取待处理的初始时序数据，并将初始时序数据划分为多个向量数据，再通过计算向量数据的最优映射维度，从而通过预设增强门算法对各个向量数据进行计算，从而得到优化时序参数，由于预设增强门算法可以增强向量数据的长时期记忆能力，将最优映射维度与预设增强门算法相结合，可以更好地挖掘过去的一段时间内的数据规律，从而便于模型更准确地预测未来时刻的数据，也即，优化时序参数是对初始时序数据优化处理后得到的数据，因而，在优化时序参数中，也包含了未来时刻或者是过去一段较长时间段内的数据，再通过预设长短期记忆模型对该优化时序参数进行处理，能够提高模型的预测精度，进而，促使其输出更准确的预测结果。

33、综上可知，本申请通过预设增强门算法对各个向量数据进行计算，从而得到优化时序参数，由于预设增强门算法可以增强向量数据的长时期记忆能力，也即，优化时序参数是对初始时序数据优化处理后得到的数据，增强输入模型的数据的长时期记忆能力，以解决现有模型中无法考虑较远的数据所产生的长时间规律，从而导致模型的预测准确率低的技术问题。

技术特征：

1.一种时序数据处理方法，其特征在于，所述时序数据处理方法包括：

2.如权利要求1所述的方法，其特征在于，所述计算各所述向量数据的最优映射维度的步骤，包括：

3.如权利要求2所述的方法，其特征在于，所述计算所述第一向量数据与所述第二向量数据的p范数距离的步骤，包括：

4.如权利要求2所述的方法，其特征在于，所述基于所述p范数距离，确定向量数据的最优映射维度的步骤，包括：

5.如权利要求1所述的方法，其特征在于，所述预设长短期记忆模型还包括多个遗忘门节点；所述基于所述最优映射维度，通过预设增强门算法对各所述向量数据进行计算，得到优化时序参数的步骤，包括：

6.如权利要求1所述的方法，其特征在于，所述将所述初始时序数据划分成多个向量数据的步骤，包括：

7.一种时序数据处理装置，其特征在于，所述装置包括：

8.一种时序数据处理设备，其特征在于，所述设备包括：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，所述计算机程序配置为实现如权利要求1至6中任一项所述的时序数据处理方法的步骤。

9.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的时序数据处理方法的步骤。

10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的时序数据处理方法的步骤。

技术总结本申请公开了一种时序数据处理方法、装置、设备、存储介质及产品，涉及数据处理技术领域，所述时序数据处理方法，包括：获取待处理的初始时序数据；将所述初始时序数据划分成多个向量数据，并计算各所述向量数据的最优映射维度；基于所述最优映射维度，通过预设增强门算法对各所述向量数据进行计算，得到优化时序参数，以供预设长短期记忆模型对所述优化时序参数进行计算处理后，输出预测结果，其中，所述预设增强门算法用于增强所述向量数据的长时期记忆能力。本申请提高了模型输出的预测结果的准确率。技术研发人员：纪添,何安宁,杨晓敏受保护的技术使用者：深智算（深圳）科技有限公司技术研发日：技术公布日：2024/7/29