(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111514027.9 (22)申请日 2021.12.13 (71)申请人 阿里云计算有限公司 地址 310024 浙江省杭州市西湖区转塘科 技经济区块12号 申请人 阿里巴巴 （中国） 有限公司 (72)发明人 王巍巍　陈曦　罗伟　 (74)专利代理 机构 北京博浩百 睿知识产权代理 有限责任公司 1 1134 代理人 谢湘宁　李静茹 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06F 30/27(2020.01) G06F 17/14(2006.01) (54)发明名称 时间序列数据的预测方法、 装置、 存储介质 及处理器 (57)摘要 本发明公开了一种时间序列数据的预测方 法、 装置、 存储介质及处理器。 其中， 该方法包括： 获取参考数据， 其中， 参考数据为预设时间段内 物联网设备中目标指标的数据； 将参考数据输入 时间序列预测模 型， 预测得到目标指标在目标时 间段内的时间序列预测数据， 其中， 时间序列预 测模型是基于卷积的神经网络； 对时间序列预测 数据进行去噪处理， 得到目标指标在目标时间段 内的时间序列数据。 本发明解决了相关技术中获 取时间序列数据的效率较低的技 术问题。 权利要求书2页 说明书17页 附图3页 CN 113919604 A 2022.01.11 CN 113919604 A 1.一种时间序列数据的预测方法， 其特 征在于， 包括： 获取参考数据， 其中， 所述 参考数据为预设时间段内物联网设备中目标指标的数据； 将所述参考数据输入时间序列预测模型， 预测得到所述目标指标在目标时间段内的时 间序列预测数据， 其中， 所述时间序列预测模型 是基于卷积的神经网络； 对所述时间序列预测数据进行去噪处理， 得到所述目标指标在所述目标时间段内的时 间序列数据。 2.根据权利要求1所述的方法， 其特征在于， 在对所述时间序列预测数据进行去噪处 理， 得到所述目标指标在所述目标时间段内的时间序列数据之后， 所述方法还 包括： 在所述物联网设备运行 过程中， 采集所述目标时间段内所述目标指标的实际数据； 根据所述实际数据和所述时间序列数据监控所述物联网设备的运行状态。 3.根据权利要求2所述的方法， 其特征在于， 根据 所述实际数据和所述 时间序列数据监 控所述物联网设备的运行状态， 包括： 计算所述实际数据与所述时间序列数据的差值； 若所述差值超过 预设阈值， 则确定所述物联网设备的运行状态存在异常。 4.根据权利要求1所述的方法， 其特征在于， 若所述目标指标为目标产品的销售数据， 其中， 所述目标产品由所述物联网设备生产， 在对 所述时间序列预测数据进行去噪处理， 得 到所述目标指标在所述目标时间段内的时间序列数据之后， 所述方法还 包括： 依据所述目标产品的销售数据在所述目标时间段内的时间序列 数据， 生成所述物联网 设备生产所述目标产品的排产计划。 5.根据权利要求1所述的方法， 其特征在于， 所述基于卷积的神经网络中至少包括卷积 层， 控制层和网络层。 6.根据权利要求5所述的方法， 其特征在于， 所述卷积层包括因果卷积层， 所述控制层 为门控控制层， 所述网络层为残差网络层， 其中， 将所述参考数据输入时间序列预测模型， 预测得到所述目标指标在目标时间段内的时间序列预测数据包括： 将所述参考数据输入所述因果卷积层和所述门控 控制层； 将所述因果卷积层的输出和所述门控控制层的输出通过所述残差网络层得到差异向 量； 将所述差异向量 通过多个卷积处 理， 输出所述时间序列预测数据。 7.根据权利要求6所述的方法， 其特征在于， 在将所述参考数据输入时间序列预测模 型， 输出预测出的时间序列预测数据之前， 所述方法还 包括： 搭建卷积神经网络深度模型， 其中， 所述卷积神经网络深度模型的结构中包括： 因果卷 积层， 门控 控制层， 残差网络层， 以及多个卷积； 采用时间序列样本数据， 对所述卷积神经网络深度模型进行训练， 生成所述时间序列 预测模型。 8.根据权利要求7所述的方法， 其特征在于， 采用时间序列样本数据， 对所述卷积神经 网络深度模型进行训练， 包括： 将预设时间序列数据输入将所述因果卷积层进行处 理， 得到时间序列数据一； 将所述时间序列数据一 通过所述门控 控制层进行处 理， 得到时间序列数据二； 将所述时间序列数据一和所述时间序列数据二 通过所述残差网络层， 得到 差异向量；权　利　要　求　书 1/2 页 2 CN 113919604 A 2将所述差异向量 通过多个卷积处 理， 得到时间序列预测数据。 9.根据权利要求8所述的方法， 其特征在于， 所述门控控制层中包括第 一预设激活函数 和第二预设激活函数，  所述第一预设激活函数和所述第二预设激活函数用于增加时间序 列数据一的非线性关系， 将所述时间序列数据一通过所述 门控控制层进行处理， 得到时间 序列数据二， 包括： 将所述时间序列数据一通过第 一预设激活函数进行处理， 得到处理后的第 一时间序列 数据； 将所述时间序列数据一通过第 一预设激活函数进行处理， 得到处理后的第 二时间序列 数据； 将所述处理后的第 一时间序列数据和所述处理后的第 二时间序列数据相乘， 得到所述 时间序列数据二。 10.根据权利要求8所述的方法， 其特征在于， 所述多个卷积包括： 第一卷积层， 第二卷 积层以及全连接网络层， 将所述差异向量通过多个卷积处理， 得到时间序列预测数据， 包 括： 将所述差异向量输入所述第一卷积层进行处 理， 得到处 理后的差异向量 一； 将所述处理后的差异向量一输入所述第二卷积层进行处理， 得到处理后的差异向量 二； 将所述处理后的差异向量二通过所述全连接网络层进行处理， 得到所述 时间序列 预测 数据。 11.根据权利要求1所述的方法， 其特征在于， 对所述 时间序列 预测数据进行去噪处理， 得到所述目标指标在所述目标时间段内的时间序列数据， 包括： 对所述时间序列预测数据进行小 波多尺度分解， 得到分解后的时间序列预测数据； 对所述时间序列预测数据的小波变换系数进行非线性阈值处理， 得到处理后的小波变 换系数； 采用所述处理后的小波变换系数对所述分解后的时间序列预测数据进行重构， 得到所 述目标指标在所述目标时间段内的时间序列数据。 12.一种时间序列数据的预测装置， 其特 征在于， 包括： 第一获取单元， 用于获取参考数据， 其中， 所述参考数据为预设时间段内物联网设备中 目标指标的数据； 预测单元， 用于将所述参考数据输入时间序列预测模型， 预测得到所述目标指标在目 标时间段内的时间序列预测数据， 其中， 所述时间序列预测模型 是基于卷积的神经网络； 第一处理单元， 用于对所述时间序列预测数据进行去噪处理， 得到所述目标指标在所 述目标时间段内的时间序列数据。 13.一种计算机可读存储介质， 其特征在于， 所述存储介质包括存储的程序， 其中， 在所 述程序运行时控制所述存储介质所在设备执行权利要求 1至11中任意一项所述的时间序列 数据的预测方法。 14.一种处理器， 其特征在于， 所述处理器用于运行程序， 其中， 所述程序运行时执行权 利要求1至1 1中任意一项所述的时间序列数据的预测方法。权　利　要　求　书 2/2 页 3 CN 113919604 A 3