建立同步时间预测模型的方法、数据同步方法及对应装置.pdf

(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CN113011507A(43)申请公布日2021.06.22(21)申请号202110314033.3(22)申请日2021.03.24(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)发明人秦兴彬(74)专利代理机构济南信达专利事务所有限公司37100代理人李世喆(51)Int.Cl.G06K9/62(2006.01)G06F17/18(2006.01)G06N3/08(2006.01)G06F16/27(2019.01)权利要求书4页说明书13页附图6页(54)发明名称建立同步时间预测模型的方法、数据同步方法及对应装置(57)摘要本说明书实施例提供了一种建立同步时间预测模型的方法、数据同步方法及对应装置。根据该实施例的方法，利用同步时间预测模型包括的第一时间序列模型对目标站点在待预测同步周期的同步时间进行预测；然后在待预测同步周期按照预测得到的同步时间向目标站点发起数据同步请求；并将所述目标站点发送的同步数据存储至数据中心。其中第一时间序列模型是对目标站点的基线时间序列进行学习得到的，基线时间序列是从目标站点在预设历史时长内的同步时间数据中提取各同步周期所对应同步时间的基线时间而构成的。CN113011507ACN113011507A权利要求书1/4页1.建立同步时间预测模型的方法，包括：获取站点在预设历史时长内的同步时间数据；从所述同步时间数据中提取各同步周期所对应同步时间的基线时间，构成基线时间序列；利用第一时间序列模型对所述基线时间序列进行学习，得到包括所述第一时间序列模型的同步时间预测模型；其中，训练得到的所述第一时间序列模型用以对所述站点在待预测同步周期的同步时间进行预测。2.根据权利要求1所述的方法，其中，从所述同步时间数据中提取各同步周期所对应同步时间的基线时间包括：获取所述各同步周期所对应同步时间的时间曲线；确定所述时间曲线的下包络线；确定各同步周期在所述下包络线上对应的时间分别作为各同步周期的基线时间。3.根据权利要求1所述的方法，在所述利用第一时间序列模型对所述基线时间序列进行学习之前，还包括：对所述基线时间序列进行以下滤波处理中的至少一种：中值滤波、均值滤波、卡尔曼滤波、高斯滤波和双边滤波。4.根据权利要求1所述的方法，其中，所述利用第一时间序列模型对所述基线时间序列进行学习包括：利用所述基线时间序列得到一个以上的训练样本，所述训练样本中包括连续T1+N1个同步周期的基线时间；分别将训练样本中前T1个同步周期的基线时间作为所述第一时间序列模型的输入，将所述训练样本中后N1个同步周期的基线时间作为所述第一时间序列模型的目标输出，以训练所述第一时间序列模型；其中，所述T1为大于1的正整数，所述N1为1以上的正整数。5.根据权利要求1所述的方法，还包括：分别确定各同步时间周期的同步时间与基线时间的时间差值，构成时间差值序列；利用第二时间序列模型对所述时间差值序列进行学习；所述同步时间预测模型进一步包括所述第二时间序列模型，训练得到的所述第二时间序列模型用以对所述站点在待预测同步周期的同步请求重试间隔进行预测。6.根据权利要求5所述的方法，在所述利用第二时间序列模型对所述时间差值序列进行学习之前，还包括：对所述时间差值序列进行以下滤波处理中的至少一种：中值滤波、均值滤波、卡尔曼滤波、高斯滤波和双边滤波。7.根据权利要求5所述的方法，其中，利用第二时间序列模型对所述时间差值序列进行学习包括：利用所述时间差值序列得到一个以上的训练样本，所述训练样本中包括连续T2+N2个同步周期对应的时间差值；分别将训练样本中前T2个同步周期对应的时间差值作为所述第二时间序列模型的输入，将所述训练样本中后N2个同步周期对应的时间差值作为所述第二时间序列模型的目标输出，以训练所述第二时间序列模型；2CN113011507A权利要求书2/4页其中，所述T2为大于1的正整数，所述N2为1以上的正整数。8.数据同步方法，包括：利用同步时间预测模型包括的第一时间序列模型对目标站点在待预测同步周期的同步时间进行预测；在所述待预测同步周期按照预测得到的同步时间向所述目标站点发起数据同步请求；将所述目标站点发送的同步数据存储至数据中心；其中所述第一时间序列模型是对所述目标站点的基线时间序列进行学习得到的，所述基线时间序列是从所述目标站点在预设历史时长内的同步时间数据中提取各同步周期所对应同步时间的基线时间而构成的。9.根据权利要求8所述的方法，其中，所述利用同步时间预测模型包括的第一时间序列模型对目标站点在待预测同步周期的同步时间进行预测包括：将连续T1个同步周期的同步时间输入所述第一时间序列模型；获取