时序数据的分类方法和时序数据的预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115688030A(43)申请公布日2023.02.03(21)申请号202211297065.8(22)申请日2022.10.21(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人张芮熙余航廖聪李建国(74)专利代理机构北京博思佳知识产权代理有限公司11415专利代理师李威(51)Int.Cl.G06F18/2431(2023.01)G06F18/214(2023.01)G06Q10/04(2023.01)G06N5/00(2023.01)G06N20/00(2019.01)权利要求书3页说明书14页附图4页(54)发明名称时序数据的分类方法和时序数据的预测方法(57)摘要本说明书提供一种时序数据的分类方法和时序数据的预测方法，其中时序数据的分类方法包括：获取时序数据，并提取出所述时序数据对应的时序特征，所述时序特征包括极值波动稳定性特征，所述极值波动稳定性特征用于表征所述时序数据包含的各极值点的波动稳定性；将所述时序特征输入时序分类模型，得到所述时序数据对应的时序类别，不同的时序类别用于区分所含极值点具有不同波动稳定性的时序数据。CN115688030ACN115688030A权利要求书1/3页1.一种时序数据的分类方法，包括：获取时序数据，并提取出所述时序数据对应的时序特征，所述时序特征包括极值波动稳定性特征，所述极值波动稳定性特征用于表征所述时序数据包含的各极值点的波动稳定性；将所述时序特征输入时序分类模型，得到所述时序数据对应的时序类别，不同的时序类别用于区分所含极值点具有不同波动稳定性的时序数据。2.根据权利要求1所述的方法，所述提取出所述时序数据对应的时序特征，包括：基于时序特征提取工具提取出所述时序数据对应的时序特征；和/或，基于自定义算法提取出所述时序数据对应的时序特征。3.根据权利要求1所述的方法，所述时序特征还包括频域特征，所述频域特征用于表征所述时序数据的频域特性；不同的时序类别还用于区分具有不同频域特性的时序数据。4.根据权利要求1或3所述的方法，所述不同的时序类别包括：有周期极值波动稳定类、无周期极值波动稳定类、有周期极值波动不稳定类与无周期极值波动不稳定类。5.根据权利要求1所述的方法，还包括：确定所述时序类别对应的时序预测模型，所述时序预测模型预先通过所述时序类别对应的时序数据训练得到；将所述时序数据输入所述时序预测模型，得到所述时序数据对应的预测数据。6.根据权利要求5所述的方法，还包括：在确定所述时序类别为无周期极值波动不稳定类的情况下，将所述时序数据丢弃。7.根据权利要求5所述的方法，所述时序数据包括预设服务对应的流量数据，所述方法还包括：基于所述预测数据调整所述预设服务的服务能力，以使调整后的所述预设服务适用于处理所述预测数据。8.根据权利要求7所述的方法，所述预设服务对应的流量数据包括：单位时间内的远程调用流量数据、消息中间件消费流量数据、消息中间件消费流量数据、页面访问流量数据、外部服务调用流量数据、访问数据库流量数据或访问缓存流量数据。9.根据权利要求1所述的方法，所述极值波动稳定性特征包括以下至少之一：峰值点均值、峰值点极差、峰值点方差、谷值点均值、谷值点均值、谷值点极差、谷值点方差。10.根据权利要求1所述的方法，所述时序分类模型基于有监督学习或半监督学习训练得到。11.根据权利要求1所述的方法，所述时序分类模型包括随机森林分类模型。12.一种时序数据的预测方法，包括：获取时序数据，基于所述时序数据对应的时序特征确定所述时序数据对应的时序类别，所述时序特征包括极值波动稳定性特征，所述极值波动稳定性特征用于表征相应时序数据包含的各极值点的波动稳定性，不同的时序类别用于区分所含极值点具有不同波动稳定性的时序数据；确定所述时序类别对应的时序预测模型，所述时序预测模型预先通过所述时序类别对应的时序数据训练得到；将所述时序数据输入所述时序预测模型，得到所述时序数据对应的预测数据。2CN115688030A权利要求书2/3页13.一种时序分类模型的训练方法，包括：获取训练集中的时序数据，并提取出所述时序数据对应的时序特征，所述时序特征包括极值波动稳定性特征，所述极值波动稳定性特征用于表征所述时序数据包含的各极值点的波动稳定性；基于所述时序特征对时序分类模型进行训练，得到训练后的时序分类模型，所述训练后的时序分类模型用于基于输入的时序数据输出对应的时序类别，不同的时序类别用于区分所含极值点具有不同波动稳定性的时序数据。14.根据权利要求13所述的方法，所述基于所述时序特征对时序分类模型进行训练，包括：基于所述时序特征以及所述训练集中的至少部分时序数据预