本發(fā)明涉及人工智能，特別是指一種基于時(shí)序分析模型進(jìn)行數(shù)據(jù)智能分析的處理方法及基于時(shí)序分析模型進(jìn)行數(shù)據(jù)智能分析的處理裝置、電子設(shè)備和計(jì)算機(jī)可讀存儲介質(zhì)。

背景技術(shù)：

1、時(shí)序數(shù)據(jù)，也叫做?時(shí)間序列數(shù)據(jù)（time?series?data），?是一種在不同時(shí)間點(diǎn)上收集到的數(shù)據(jù)，用于描述現(xiàn)象隨時(shí)間變化的情況。這類數(shù)據(jù)反映了某一事物或現(xiàn)象隨時(shí)間的變化狀態(tài)或程度，比如包括股票價(jià)格、氣溫變化、網(wǎng)站訪問量、服務(wù)器日志等。其特征包括時(shí)間戳、數(shù)值和可能的周期性、趨勢性、季節(jié)性。

2、而時(shí)間序列數(shù)據(jù)還可以細(xì)分為季度數(shù)據(jù)、月度數(shù)據(jù)等，具有周期性變化的特性。時(shí)間序列數(shù)據(jù)庫（time-series?database）是專門用于處理帶時(shí)間標(biāo)簽（按照時(shí)間的順序變化，即時(shí)間序列化）的數(shù)據(jù)的數(shù)據(jù)庫系統(tǒng)。時(shí)間序列數(shù)據(jù)的典型特點(diǎn)包括產(chǎn)生頻率快、嚴(yán)重依賴于采集時(shí)間、測點(diǎn)多信息量大等。

3、時(shí)間序列數(shù)據(jù)廣泛應(yīng)用于各個(gè)領(lǐng)域。例如，物聯(lián)網(wǎng)（iot）領(lǐng)域需要處理大量實(shí)時(shí)數(shù)據(jù)；工業(yè)互聯(lián)網(wǎng)中，生產(chǎn)、測試、運(yùn)行階段都會產(chǎn)生大量帶時(shí)間戳的傳感器數(shù)據(jù)；車聯(lián)網(wǎng)中，通過車機(jī)報(bào)文的分析可以實(shí)現(xiàn)實(shí)時(shí)車載網(wǎng)絡(luò)質(zhì)量監(jiān)控等；電力行業(yè)中，發(fā)、輸、變、配、用各個(gè)環(huán)節(jié)產(chǎn)生的數(shù)據(jù)量巨大，需要專業(yè)的時(shí)序數(shù)據(jù)庫進(jìn)行處理。

4、時(shí)序數(shù)據(jù)分析在各個(gè)領(lǐng)域發(fā)揮著重要作用，主要包括以下方面：

5、1.預(yù)測未來趨勢：通過對歷史數(shù)據(jù)的分析，時(shí)序數(shù)據(jù)分析可以預(yù)測未來的市場走向、用戶需求等，為企業(yè)決策提供依據(jù)。

6、2.優(yōu)化資源配置：通過分析歷史數(shù)據(jù)，時(shí)序數(shù)據(jù)分析可以幫助企業(yè)優(yōu)化生產(chǎn)、庫存、人力資源等資源配置，降低成本，提高效率。

7、3.質(zhì)量控制：時(shí)序數(shù)據(jù)分析可以監(jiān)測產(chǎn)品質(zhì)量，及時(shí)發(fā)現(xiàn)潛在問題，避免不良品產(chǎn)生，提高產(chǎn)品質(zhì)量。

8、4.風(fēng)險(xiǎn)預(yù)警：通過對金融市場、自然災(zāi)害等風(fēng)險(xiǎn)因素的分析，時(shí)序數(shù)據(jù)分析可以為企業(yè)提供風(fēng)險(xiǎn)預(yù)警，幫助規(guī)避潛在風(fēng)險(xiǎn)。

9、5.智能決策：時(shí)序數(shù)據(jù)分析與人工智能技術(shù)相結(jié)合，可以為企業(yè)提供智能決策支持，提高決策效率。

10、然而，傳統(tǒng)時(shí)序數(shù)據(jù)的分析、處理方式，目前主要有如下方式：

11、一是采用人工分析方式。人工分析需要依賴分析技術(shù)人員具有較高的數(shù)據(jù)分析能力和入門水平，需要掌控較高水準(zhǔn)的數(shù)據(jù)分析專業(yè)能力，因此入門要求高，且人力成本極大。再者就是，面對大數(shù)據(jù)分析，人力分析有限，無法提高對大數(shù)據(jù)的數(shù)據(jù)分析效率，僅僅適應(yīng)小規(guī)模的數(shù)據(jù)分析場景。

12、二是傳統(tǒng)采用包括自回歸（ar）、移動平均線（ma）、自回歸移動平均線（arma）、自回歸綜合移動平均線（arima）等機(jī)器分析方式，雖然可以提高一定的效率，但是這些模型依賴于事件發(fā)生的先后順序進(jìn)行預(yù)測，因此分析能力缺乏寬泛性和準(zhǔn)確性。因?yàn)閭鹘y(tǒng)模型只能按照時(shí)序數(shù)據(jù)的產(chǎn)生事件/日志等，來進(jìn)行分析預(yù)測，無法從時(shí)序數(shù)據(jù)中精確、隨機(jī)尋找時(shí)序數(shù)據(jù)特征，因此傳統(tǒng)模型面對時(shí)序數(shù)據(jù)的預(yù)測分析缺乏較強(qiáng)的泛化能力、魯棒性和穩(wěn)定性。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)存在的技術(shù)問題，本發(fā)明提供了如下技術(shù)方案：

2、一方面，提供了一種基于時(shí)序分析模型進(jìn)行數(shù)據(jù)智能分析的處理方法，該方法由電子設(shè)備實(shí)現(xiàn)，該方法包括：

3、s1、實(shí)時(shí)采集并解析前端上傳的任務(wù)數(shù)據(jù)包，從解析數(shù)據(jù)中提取若干時(shí)間戳下的時(shí)序數(shù)據(jù)；

4、s2、遍歷各個(gè)時(shí)間戳下的所述時(shí)序數(shù)據(jù)，并將所述時(shí)序數(shù)據(jù)導(dǎo)入預(yù)設(shè)的時(shí)序分析模型，通過所述時(shí)序分析模型識別所述時(shí)序數(shù)據(jù)中的時(shí)序變化特征，并輸出；

5、s3、將所述時(shí)序變化特征與對應(yīng)的所述時(shí)間戳綁定，生成對應(yīng)所述任務(wù)數(shù)據(jù)包的數(shù)據(jù)變化特征表；

6、s4、將所述數(shù)據(jù)變化特征表原路反饋至前端。

7、優(yōu)選地，所述s1、實(shí)時(shí)采集并解析前端上傳的任務(wù)數(shù)據(jù)包，從解析數(shù)據(jù)中提取若干時(shí)間戳下的時(shí)序數(shù)據(jù)，包括：

8、通過后臺服務(wù)器接口，接收前端上傳的所述任務(wù)數(shù)據(jù)包；

9、識別所述任務(wù)數(shù)據(jù)包的數(shù)據(jù)格式，并根據(jù)對應(yīng)數(shù)據(jù)格式的解析方式，解析所述任務(wù)數(shù)據(jù)包，得到標(biāo)記有時(shí)間戳的若干時(shí)序數(shù)據(jù)；

10、遍歷識別各個(gè)所述時(shí)序數(shù)據(jù)的時(shí)間戳，基于為所述任務(wù)數(shù)據(jù)包預(yù)先配置的數(shù)字簽名判斷規(guī)則，判斷各個(gè)所述時(shí)序數(shù)據(jù)的時(shí)間戳是否合格：

11、若合格，則將合格的所述時(shí)間戳下的所述時(shí)序數(shù)據(jù)，按序存儲至后臺mysql數(shù)據(jù)庫中；

12、反之，則通知前端對不合格的所述時(shí)間戳下的所述時(shí)序數(shù)據(jù)，進(jìn)行數(shù)據(jù)補(bǔ)正；待補(bǔ)正合格后，再存儲至后臺mysql數(shù)據(jù)庫。

13、優(yōu)選地，所述遍歷識別各個(gè)所述時(shí)序數(shù)據(jù)的時(shí)間戳，基于為所述任務(wù)數(shù)據(jù)包預(yù)先配置的數(shù)字簽名判斷規(guī)則，判斷各個(gè)所述時(shí)序數(shù)據(jù)的時(shí)間戳是否合格，包括：

14、提取為所述任務(wù)數(shù)據(jù)包預(yù)先配置的所述數(shù)字簽名判斷規(guī)則中的關(guān)鍵詞和判斷邏輯，其中，所述關(guān)鍵詞包括時(shí)間戳類型、版本、格式和數(shù)字簽名標(biāo)識；

15、將所述關(guān)鍵詞和所述判斷邏輯，作為提示詞輸入至預(yù)設(shè)的llm大語言模型中；

16、遍歷各個(gè)所述時(shí)序數(shù)據(jù)的時(shí)間戳，通過所述llm大語言模型基于所述關(guān)鍵詞和所述判斷邏輯識別并判斷各個(gè)所述時(shí)序數(shù)據(jù)的時(shí)間戳是否合格。

17、優(yōu)選地，所述時(shí)序分析模型的構(gòu)建方法，包括：

18、收集并解析若干歷史任務(wù)數(shù)據(jù)包，構(gòu)建由若干歷史時(shí)序數(shù)據(jù)組成的歷史時(shí)序數(shù)據(jù)集；

19、遍歷所述歷史時(shí)序數(shù)據(jù)集，找出不具備時(shí)間戳的歷史時(shí)序數(shù)據(jù)并剔除，并將剩余的歷史時(shí)序數(shù)據(jù)按照時(shí)間戳進(jìn)行排序，重新組建所述歷史時(shí)序數(shù)據(jù)集；

20、對所述歷史時(shí)序數(shù)據(jù)集進(jìn)行特征工程，提取時(shí)序變化特征，包括：

21、提取各個(gè)所述歷史時(shí)序數(shù)據(jù)的時(shí)間戳中的時(shí)間特征；

22、利用預(yù)設(shè)的滑動窗口，提取各個(gè)所述歷史時(shí)序數(shù)據(jù)中的數(shù)據(jù)特征值包括均值、方差、最大值、最小值和/或中位數(shù)；

23、識別并提取各個(gè)所述時(shí)間特征之間的趨勢/季節(jié)性特征；

24、統(tǒng)計(jì)各個(gè)所述時(shí)間特征、所述數(shù)據(jù)特征值以及對應(yīng)各個(gè)所述時(shí)間特征的所述趨勢/季節(jié)性特征，組建特征集；

25、按照預(yù)設(shè)比例，將所述特征集劃分為訓(xùn)練集和驗(yàn)證集；

26、將所述訓(xùn)練集輸入預(yù)設(shè)的時(shí)序分析模型中，進(jìn)行特征學(xué)習(xí)，并按照預(yù)設(shè)的模型優(yōu)化迭代條件，對所述時(shí)序分析模型進(jìn)行優(yōu)化訓(xùn)練；

27、使用所述驗(yàn)證集，對所述時(shí)序分析模型進(jìn)行性能驗(yàn)證：

28、若驗(yàn)證通過，則部署并應(yīng)用所述時(shí)序分析模型；

29、反之，重復(fù)上述步驟。

30、優(yōu)選地，所述遍歷所述歷史時(shí)序數(shù)據(jù)集，找出不具備時(shí)間戳的歷史時(shí)序數(shù)據(jù)并剔除，包括：

31、遍歷所述歷史時(shí)序數(shù)據(jù)集中各個(gè)所述歷史時(shí)序數(shù)據(jù)的時(shí)間戳，通過所述llm大語言模型基于所述關(guān)鍵詞，識別出所述歷史時(shí)序數(shù)據(jù)集中不具備所述關(guān)鍵詞的所述歷史時(shí)序數(shù)據(jù)；

32、將遍歷識別到的不具備所述關(guān)鍵詞的所述歷史時(shí)序數(shù)據(jù)，從所述歷史時(shí)序數(shù)據(jù)集中剔除。

33、優(yōu)選地，所述s3、將所述時(shí)序變化特征與對應(yīng)的所述時(shí)間戳綁定，生成對應(yīng)所述任務(wù)數(shù)據(jù)包的數(shù)據(jù)變化特征表，包括：

34、讀取各個(gè)所述時(shí)間戳下的所述時(shí)序變化特征：所述時(shí)間特征、所述數(shù)據(jù)特征值以及對應(yīng)各個(gè)所述時(shí)間特征的所述趨勢/季節(jié)性特征；

35、按照時(shí)序，依次將各個(gè)所述時(shí)間戳下的所述時(shí)序變化特征寫入預(yù)設(shè)的數(shù)據(jù)波動統(tǒng)計(jì)表中，為所述任務(wù)數(shù)據(jù)包生成本次的數(shù)據(jù)變化特征表。

36、另一方面，提供了一種基于時(shí)序分析模型進(jìn)行數(shù)據(jù)智能分析的處理裝置，所述基于時(shí)序分析模型進(jìn)行數(shù)據(jù)智能分析的處理裝置用于實(shí)現(xiàn)所述基于時(shí)序分析模型進(jìn)行數(shù)據(jù)智能分析的處理方法，所述裝置包括：

37、前端，用于實(shí)時(shí)采集并上傳任務(wù)數(shù)據(jù)包至數(shù)據(jù)分析后臺；

38、數(shù)據(jù)分析后臺，包括：

39、數(shù)據(jù)接收端口，用于接收前端上傳的任務(wù)數(shù)據(jù)包；

40、解析模塊，用于解析所述任務(wù)數(shù)據(jù)包，并從解析數(shù)據(jù)中提取若干時(shí)間戳下的時(shí)序數(shù)據(jù)；

41、時(shí)序特征識別模塊，用于遍歷各個(gè)時(shí)間戳下的所述時(shí)序數(shù)據(jù)，并將所述時(shí)序數(shù)據(jù)導(dǎo)入預(yù)設(shè)的時(shí)序分析模型，通過所述時(shí)序分析模型識別所述時(shí)序數(shù)據(jù)中的時(shí)序變化特征，并輸出；

42、時(shí)序波動記錄模塊，用于將所述時(shí)序變化特征與對應(yīng)的所述時(shí)間戳綁定，生成對應(yīng)所述任務(wù)數(shù)據(jù)包的數(shù)據(jù)變化特征表；

43、消息中心，用于將所述數(shù)據(jù)變化特征表原路反饋至前端；

44、mysql數(shù)據(jù)庫，用于存儲數(shù)據(jù)；

45、所述前端與所述數(shù)據(jù)分析后臺通信連接。

46、另一方面，提供一種電子設(shè)備，所述電子設(shè)備包括：處理器；存儲器，所述存儲器上存儲有計(jì)算機(jī)可讀指令，所述計(jì)算機(jī)可讀指令被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上述基于時(shí)序分析模型進(jìn)行數(shù)據(jù)智能分析的處理方法中的任一項(xiàng)方法。

47、另一方面，提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述存儲介質(zhì)中存儲有至少一條指令，所述至少一條指令由處理器加載并執(zhí)行以實(shí)現(xiàn)上述基于時(shí)序分析模型進(jìn)行數(shù)據(jù)智能分析的處理方法中的任一項(xiàng)方法。

48、本發(fā)明實(shí)施例提供的技術(shù)方案帶來的有益效果至少包括：

49、本發(fā)明基于時(shí)間戳對前端上傳的任務(wù)數(shù)據(jù)包進(jìn)行時(shí)序數(shù)據(jù)的解析、提取，得到當(dāng)前任務(wù)中各個(gè)時(shí)間戳下的時(shí)序數(shù)據(jù)。為了便于后臺對當(dāng)前任務(wù)進(jìn)行數(shù)據(jù)分析，通過對各時(shí)間戳下的時(shí)序數(shù)據(jù)進(jìn)行ai識別，利用大數(shù)據(jù)訓(xùn)練構(gòu)建的時(shí)序分析模型識別時(shí)序數(shù)據(jù)中的時(shí)序變化特征（時(shí)間特征，數(shù)據(jù)特征值包括均值、方差、最大值、最小值和/或中位數(shù)，以及趨勢/季節(jié)性特征），記錄當(dāng)前任務(wù)中各時(shí)間戳下時(shí)序數(shù)據(jù)的時(shí)序變化特征并生當(dāng)前成任務(wù)的數(shù)據(jù)變化特征表，便于用戶查看當(dāng)前任務(wù)重時(shí)序數(shù)據(jù)的分析處理結(jié)果。因此，能夠基于時(shí)序ai分析，快速分析任務(wù)數(shù)據(jù)的變化特征，相比人工分析，本發(fā)明能夠大大提高時(shí)序數(shù)據(jù)的分析效率，且能夠適應(yīng)海量時(shí)序數(shù)據(jù)的在線實(shí)時(shí)分析，提供更高的數(shù)據(jù)支持能力。

50、本發(fā)明基于特征工程，利用時(shí)序分析模型進(jìn)行特征訓(xùn)練學(xué)習(xí)，讓模型對提取的特征集進(jìn)行訓(xùn)練學(xué)習(xí)，讓模型通過時(shí)序變化特征的特征集進(jìn)行訓(xùn)練學(xué)習(xí)而不按序?qū)W習(xí)，使得模型得到海量訓(xùn)練集的特征訓(xùn)練學(xué)習(xí)，便于提高模型對特征識別的魯棒性和隨機(jī)性，提高模型預(yù)測的泛化能力。