Data processing method and apparatus, electronic device, medium, and computer program product

Abstract

Embodiments of this application provide a data processing method and apparatus, an electronic device, a medium, and a computer program product. The method includes: acquiring raw timeseries data of pre-specified at least one variable within a current aggregation interval; performing, based on the raw timeseries data of the at least one variable, interpolation on missing data of the at least one variable at each of all timestamps within the current aggregation interval, to obtain target timeseries data; and aggregating the target timeseries data to obtain an aggregation result corresponding to the current aggregation interval. The embodiments of this application may be applied to aggregate calculation for timeseries data, to improve accuracy of an aggregation result.

Description

DATA PROCESSING METHOD AND APPARATUS, ELECTRONIC DEVICE, MEDIUM, AND COMPUTER PROGRAM PRODUCTTECHNICAL FIELD

[0001] This application relates to the field of big data processing technologies, and in particular, to a data processing method and apparatus, an electronic device, a medium, and a computer program product.BACKGROUND

[0002] An existing big data processing solution, for example, a timeseries aggregation solution of Insights Hub, focuses only on aggregation at a single-variable level (namely, a target variable) , and target variable distribution information of other variables within an aggregation interval is lost during aggregation. For another example, in a data contextualization solution of Insights Hub, data from a plurality of variable dimensions is aggregated through SQL. However, this solution cannot guarantee accuracy of an aggregation result. In addition, resource consumption is large due to the need to rely on a big data platform.SUMMARY

[0003] In view of this, this application provides a data processing method and apparatus, an electronic device, a medium, and a computer program product, to at least partially resolve the foregoing technical problems.

[0004] A first aspect of embodiments of this application provides a data processing method. The method includes: acquiring raw timeseries data of pre-specified at least one variable within a current aggregation interval. performing, based on the raw timeseries data of the at least one variable, interpolation on missing data of the at least one variable at each of all timestamps within the current aggregation interval, to obtain target timeseries data; the all timestamps within the current aggregation interval are determined based on the boundary timestamps of the current aggregation interval and all timestamps comprised in the raw timeseries data of the at least one variable. aggregating the target timeseries data to obtain an aggregation result corresponding to the current aggregation interval.

[0005] In a possible implementation, the acquiring raw timeseries data of pre-specified at least one variable within a current aggregation interval further comprises: acquiring the raw  timeseries data of the pre-specified at least one variable within the current aggregation interval and data of a target variable of the at least one variable at a latest timestamp within a specified time period, wherein the specified time period comprises an ending timestamp of the current aggregation interval and a preset time period after the ending timestamp.

[0006] In a possible implementation, the performing, based on the raw timeseries data of the at least one variable, interpolation on missing data of the at least one variable at each of all timestamps within the current aggregation interval, to obtain target timeseries data further comprises: performing, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on the missing data of the at least one variable at the each of all timestamps within the current aggregation interval, to obtain the target timeseries data.

[0007] In a possible implementation, the performing, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on the missing data of the at least one variable at the each of all timestamps within the current aggregation interval, to obtain the target timeseries data further comprises: performing, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable at the boundary timestamps of the current aggregation interval, to obtain first timeseries data; and performing, based on the first timeseries data, interpolation on missing data of the at least one variable at each of all the timestamps comprised in the raw timeseries data of the at least one variable other than a timestamp that is duplicate with the boundary timestamps, to obtain the target timeseries data.

[0008] In a possible implementation, the at least one variable comprises the target variable and at least one grouping variable; and the performing, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable at the boundary timestamps of the current aggregation interval, to obtain first timeseries data further comprises: combining the raw timeseries data of the at least one variable according to timestamps to obtain combined timeseries data; and performing, in the combined timeseries data according to the combined timeseries data and the data of the target variable at the latest timestamp within the specified  time period, interpolation on missing data of the at least one variable that has missing data at the boundary timestamps of the current aggregation interval, to obtain the first timeseries data.

[0009] In a possible implementation, the performing, in the combined timeseries data according to the combined timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable that has missing data at the boundary timestamps of the current aggregation interval, to obtain the first timeseries data further comprises: acquiring, from a cache unit, interpolation data corresponding to an ending timestamp of a previous aggregation interval, and interpolating the interpolation data into the combined timeseries data as interpolation data corresponding to a starting timestamp of the current aggregation interval, to obtain second timeseries data; and performing, in the second timeseries data according to the second timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable that has missing data at the ending timestamp of the current aggregation interval, to obtain the first timeseries data, and storing interpolation data corresponding to the ending timestamp of the current aggregation interval to the cache unit.

[0010] In a possible implementation, the method further comprises: if the acquiring, from the cache unit, the interpolation data corresponding to the ending timestamp of the previous aggregation interval fails, performing, in the combined timeseries data according to the combined timeseries data, the data of the target variable at the latest timestamp within the specified time period, and data of each of the at least one variable at a latest timestamp earlier than the starting timestamp of the current aggregation interval, interpolation on missing data of the at least one variable that has missing data at a starting boundary timestamp of the current aggregation interval, to obtain the second timeseries data.

[0011] In a possible implementation, the method further comprises: performing interpolation on missing data of the target variable at the timestamp by using a preset linear interpolation algorithm; and performing interpolation on missing data of the grouping variable at the timestamp by using a preset last observation carried forward method.

[0012] In a possible implementation, the aggregating the target timeseries data to obtain an aggregation result corresponding to the current aggregation interval further comprises: performing aggregate calculation on the target timeseries data to obtain an aggregation result, corresponding to the current aggregation interval, for the target variable in a dimension of at least one grouping variable.

[0013] In a possible implementation, the target variable is power consumption or a production  capacity of a target device, and the at least one grouping variable comprises one or more of an operation state, a production object type, and a working shift of the target device.

[0014] In a possible implementation, he acquiring the raw timeseries data of the pre-specified at least one variable within the current aggregation interval and data of a target variable of the at least one variable at a latest timestamp within a specified time period further comprises: in response to reception of an instruction that instructs to perform an aggregation operation on the current aggregation interval, acquiring the raw timeseries data of the at least one variable within the current aggregation interval and the data of the target variable at the latest timestamp within the specified time period.

[0015] A second aspect of the embodiments of this application provides a data processing apparatus. The apparatus includes: a data acquisition module, configured to acquire raw timeseries data of pre-specified at least one variable within a current aggregation interval. a data interpolation module, configured to perform, based on the raw timeseries data of the at least one variable, interpolation on missing data of the at least one variable at each of all timestamps within the current aggregation interval, to obtain target timeseries data; the all timestamps within the current aggregation interval are determined based on the boundary timestamps of the current aggregation interval and all timestamps comprised in the raw timeseries data of the at least one variable. a data aggregation module, configured to aggregate the target timeseries data to obtain an aggregation result corresponding to the current aggregation interval.

[0016] A third aspect of the embodiments of this application provides an electronic device, including a processor, a communications interface, a memory, and a bus. The processor, the communications interface, and the memory communicate with each other through the bus.

[0017] The memory is configured to store at least one executable instruction, where the executable instruction enables the processor to perform an operation corresponding to the method in the first aspect.

[0018] A fourth aspect of the embodiments of this application provides a computer-readable storage medium. The computer-readable storage medium stores computer instructions. When the computer instructions are executed by a processor, the processor is enabled to perform the method in the first aspect.

[0019] A fifth aspect of the embodiments of this application provides a computer program product, including computer instructions. The computer instructions instruct a computing device to perform an operation corresponding to the method in the first aspect.

[0020] It can be learned from the foregoing descriptions that, in the embodiments of this  application, full-boundary interpolation and intra-interval interpolation are separately performed on an aggregation interval. This ensures accurate distribution of variables within the aggregation interval, so that an aggregation result within the aggregation interval has a characteristic of high accuracy. In addition, in the embodiments of this application, calculation for interpolation and aggregation is directly performed by using a software algorithm, without processing by a big data platform. This greatly reduces resource consumption.BRIEF DESCRIPTION OF THE DRAWINGS

[0021] FIG. 1 is a flowchart of a data processing method according to an embodiment of this application;

[0022] FIG. 2 is a flowchart of an exemplary implementation of step S120a according to this application;

[0023] FIG. 3 is a flowchart of another exemplary implementation of step S120a according to this application;

[0024] FIG. 4 is a flowchart of an exemplary implementation of step S320 according to this application;

[0025] FIG. 5 is a diagram of power consumption distribution of a device in different operation states of the device according to an example of this application;

[0026] FIG. 6 is a structural diagram of a data processing apparatus according to an embodiment of this application; and

[0027] FIG. 7 is a structural diagram of an electronic device according to an embodiment of this application.

[0028] List of reference signs:

[0029] 600: data processing apparatus;          610: data acquisition module;

[0030] 620: data interpolation module;          630: data aggregation module;

[0031] 700: electronic device;                  702: processor;

[0032] 704: communications interface;         706: memory;

[0033] 708: bus; and                           710: program.DETAILED DESCRIPTION

[0034] To make objectives, technical solutions, and advantages of this application clearer, the following further describes this application in detail with reference to accompanying  drawings and embodiments. Clearly, the described embodiments are merely some but not all of the embodiments of this application. All other technical solutions obtained by persons of ordinary skill in the art according to the embodiments of this application fall within the protection scope of this application.

[0035] In an existing big data processing solution (for example, a timeseries aggregation solution of Insights Hub and a data contextualization solution of Insights Hub) , during aggregation for a variable within an aggregation interval, only a sampled value of the variable within the current interval is usually calculated. However, it is actually difficult to ensure alignment between a sampling timestamp and boundary timestamps of the aggregation interval. Consequently, variable distribution in a region near a boundary of the aggregation interval is usually omitted or amplified during aggregate calculation. This greatly reduces accuracy of an aggregation result within the aggregation interval. In addition, in the data contextualization solution of Insights Hub, data from a plurality of variable dimensions is aggregated through SQL. This requires processing by a big data platform, and resource consumption cannot be guaranteed. Based on the problems in the conventional technology, the embodiments of this application provide a data processing solution. Full-boundary interpolation and intra-interval interpolation are performed on raw timeseries data of a variable within an aggregation interval to guarantee accuracy of an aggregation result within the aggregation interval. In addition, in the data processing solution in the embodiments of this application, calculation for interpolation and aggregation is mainly directly performed by using a software algorithm, without processing by a big data platform. This greatly reduces resource consumption.

[0036] FIG. 1 shows a data processing method according to an embodiment of this application. As shown in FIG. 1, the method includes the following steps: Step S110: Acquire raw timeseries data of pre-specified at least one variable within a current aggregation interval. Step S120: Perform, based on the raw timeseries data of the at least one variable, interpolation on missing data of the at least one variable at each of all timestamps within the current aggregation interval, to obtain target timeseries data. Step S130: Aggregate the target timeseries data to obtain an aggregation result corresponding to the current aggregation interval.

[0037] Specifically, the all timestamps within the current aggregation interval described in Step S120 are determined based on the boundary timestamps of the current aggregation interval and all timestamps comprised in the raw timeseries data of the at least one variable. For example, but not limited to, the all timestamps in the current aggregation interval contains  boundary timestamps of the current aggregation interval and all timestamps contained in the raw timeseries data of the at least one variable, and the all timestamps in the current aggregation interval do not contain duplicate timestamps.

[0038] It can be understood that, in Step S120, if any one of the at least one variable has no data at a timestamp, the variable is considered to have missing data at the timestamp. In addition, in this embodiment, raw timeseries data of different variables comes from different data sources, for example, is raw timeseries data captured by different controllable and monitored apparatuses (for example, a PLC, a sensor, a motor, a pump, a valve, a gauge, or a regulator) at a same or different periodicities (for example, 1s) , these raw timeseries data is stored in real time in a timeseries database. The raw timeseries data includes data captured by the apparatuses and timestamps corresponding to capture moments. In addition, the aggregation interval in this embodiment refers to a time range interval, each aggregation interval has two boundary timestamps, the end timestamp and the start timestamp; aggregation intervals are sorted in chronological order. An ending timestamp of a previous aggregation interval is aligned with a starting timestamp of an adjacent current aggregation interval in time. To avoid duplicate timestamps, a value of an aggregation interval may be defined according to a requirement (for example, but not limited to 15 min) .

[0039] In an exemplary implementation, step S110 may be further implemented as follows: acquiring the raw timeseries data of the pre-specified at least one variable within the current aggregation interval and data of a target variable of the at least one variable at a latest timestamp within a specified time period, where the specified time period includes an ending timestamp of the current aggregation interval and a preset time period after the ending timestamp. In addition, step S120 may be further implemented as follows: performing, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on the missing data of the at least one variable at the each of all timestamps within the current aggregation interval, to obtain first timeseries data. Furthermore, step S120 may be implemented as follows: Step S120a: Perform, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable at the boundary timestamps of the current aggregation interval, to obtain the first timeseries data. Step S120b: Perform, based on the first timeseries data, interpolation on missing data of the at least one variable at each of all the timestamps included in the raw timeseries data of the at  least one variable other than a timestamp that is duplicate with the boundary timestamps, to obtain the target timeseries data.

[0040] In this embodiment, for example, step S110 may be triggered when an instruction that instructs to perform an aggregation operation on the current aggregation interval is received. It can be understood that a failure to acquire data may occur in step S110. Therefore, the method in this embodiment may further include: if a failure to acquire data occurs in step S110, stopping performing a step after step S110.

[0041] In this embodiment, the at least one variable may be the target variable alone, or may be a plurality of variables including the target variable. The two exemplary implementations are separately described below.

[0042] In an exemplary implementation in which the at least one variable is an target variable alone, step S120a may further include step S210 and step S220 (refer to FIG. 2) . Details are as follows: Step S210: Acquire, from a cache unit, interpolation data corresponding to an ending timestamp of a previous aggregation interval, and interpolate the interpolation data into the raw timeseries data of the target variable as interpolation data corresponding to a starting timestamp of the current aggregation interval, to obtain second timeseries data. Step S220: Perform, in the second timeseries data according to the second timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the target variable that has missing data at the ending timestamp of the current aggregation interval, to obtain the first timeseries data, and store interpolation data corresponding to the ending timestamp of the current aggregation interval to the cache unit (to be used for calculation within a next aggregation interval) . In addition, in practical application, in the case of acquiring the interpolation data corresponding to the ending timestamp of the previous aggregation interval from the cache unit, data loss may occur. Therefore, the method in this exemplary implementation may further include the following step: if the acquiring, from the cache unit, the interpolation data corresponding to the ending timestamp of the previous aggregation interval fails, performing, based on the raw timeseries data of the target variable according to the raw timeseries data of the target variable, the data of the target variable at the latest timestamp within the specified time period, and data of the target variable at a latest timestamp earlier than the starting timestamp of the current aggregation interval, interpolation on missing data of the target variable that has missing data at a starting boundary timestamp of the current aggregation interval, to obtain the second timeseries data.

[0043] In an exemplary implementation in which the at least one variable is "a plurality of  variables including the target variable" , step S120a may further include step S310 and step S320 (refer to FIG. 3) . Details are as follows: Step S310: Combine raw timeseries data of the plurality of variables according to timestamps to obtain combined timeseries data. Step S320: Perform, in the combined timeseries data according to the combined timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable that has missing data at the boundary timestamps of the current aggregation interval, to obtain the first timeseries data.

[0044] Further, step S320 may further include step S410 and step S420 (refer to FIG. 4) . Details are as follows: Step S410: Acquire, from a cache unit, interpolation data corresponding to an ending timestamp of a previous aggregation interval, and interpolate the interpolation data into the combined timeseries data as interpolation data corresponding to a starting timestamp of the current aggregation interval, to obtain second timeseries data. Step S420: Perform, in the second timeseries data according to the second timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable that has missing data at the ending timestamp of the current aggregation interval, to obtain the first timeseries data, and store interpolation data corresponding to the ending timestamp of the current aggregation interval to the cache unit. In addition, in practical application, in the case of acquiring the interpolation data corresponding to the ending timestamp of the previous aggregation interval from the cache unit, data loss may occur. Therefore, the method in this exemplary implementation may further include: if the acquiring, from the cache unit, the interpolation data corresponding to the ending timestamp of the previous aggregation interval fails, performing, in the combined timeseries data according to the combined timeseries data, the data of the target variable at the latest timestamp within the specified time period, and data of the at least one variable at a latest timestamp earlier than the starting timestamp of the current aggregation interval, interpolation on missing data of the at least one variable that has missing data at a starting boundary timestamp of the current aggregation interval, to obtain the second timeseries data.

[0045] As described above, in the exemplary implementation in which the at least one variable is "a plurality of variables including the target variable" , the raw timeseries data of the at least one variable is first combined, and then interpolation is performed on the combined timeseries data. However, this embodiment is not limited thereto. For example, alternatively, for raw timeseries data of each variable, interpolation may be first performed on missing data of each variable at the each of all timestamps within the current aggregation interval, and then timeseries data, obtained through interpolation, of all variables is combined.

[0046] In addition, in this embodiment, an interpolation algorithm matching each of the at least one variable may be preset. In this way, for any variable that has missing data, interpolation may be performed on the missing data of the variable according to an interpolation algorithm matching the variable. For example, in an exemplary implementation in which the at least one variable includes the target variable and at least one grouping variable, interpolation may be performed, by using a preset linear interpolation algorithm, on missing data of the target variable at the each of all timestamps within the current aggregation interval; and interpolation is performed, by using a preset last observation carried forward method, on missing data of the grouping variable at the each of all timestamps within the current aggregation interval.

[0047] It can be understood that, in this embodiment, the "target variable" is an indicator of a target device that requires aggregate analysis, for example, is power consumption or a production capacity of the target device. The "grouping variable" is a variable for dividing target variable data into different analysis dimensions, for example, is an operation state type, a production object type, or a working shift of the target device.

[0048] In addition, in some embodiments, The at least one variable is an target variable alone, step S130 may be specifically implemented as follows: performing aggregate calculation on the target timeseries data to obtain an aggregation result, corresponding to the current aggregation interval, for the target variable. In some embodiments, the at least one variable includes the target variable and the at least one grouping variable, step S130 may be specifically implemented as follows: performing aggregate calculation on the target timeseries data to obtain an aggregation result, corresponding to the current aggregation interval, for the target variable (for example, device power consumption in FIG. 5) in a dimension of the at least one grouping variable (for example, a device operation state in FIG. 5) .

[0049] FIG. 5 is still used as an example. Within a first aggregation interval (A1) , device power consumption values corresponding to an idle state (I) and a running state (W) of the device are respectively calculated as follows:  and E1_W=0. Within a second aggregation interval (A2) , device power consumption values corresponding to the idle state (I) and the running state (W) of the device are respectively calculated as follows:  and Within a third aggregation interval (A3) , device power consumption values corresponding to the idle state (I) and the  running state (W) of the device are respectively calculated as follows:  and  The following can be learned: For each aggregation interval, a power consumption value is calculated for each operation state of the device. If a captured power consumption value crosses aggregation intervals, corresponding power consumption is linearly allocated to two adjacent aggregation intervals. If an operation state of the device changes within an aggregation interval (for example, at S1 in A2 and at S2 in A3 in FIG. 5) , a power consumption value including an interval in which the state change occurs is allocated to corresponding different operation states. For an aggregation interval (in a non-shutdown state) within which a power consumption value is missing, interpolation and aggregation results can still be estimated.

[0050] Refer to FIG. 6. FIG. 6 shows a data processing apparatus 600 according to an embodiment of this application. As shown in FIG. 6, the apparatus 600 includes a data acquisition module 610, a data interpolation module 620, and a data aggregation module 630.

[0051] In this embodiment, the data acquisition module 610 is configured to acquire raw timeseries data of pre-specified at least one variable within a current aggregation interval. For example, the data acquisition module 610 is further configured to acquire the raw timeseries data of the pre-specified at least one variable within the current aggregation interval and data of a target variable of the at least one variable at a latest timestamp within a specified time period, where the specified time period includes an ending timestamp of the current aggregation interval and a preset time period after the ending timestamp. For example, the data acquisition module 610 is further configured to: when an instruction that instructs to perform an aggregation operation on the current aggregation interval is received, acquire (e.g., from a timeseries data database) the raw timeseries data of the pre-specified at least one variable within the current aggregation interval and the data of the target variable of the at least one variable at the latest timestamp within the specified time period.

[0052] In this embodiment, the data interpolation module 620 is configured to perform, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable at each of all timestamps within the current aggregation interval, to obtain target timeseries data. Specifically, the all timestamps within the current aggregation interval described in Step S120 are determined based on the boundary timestamps of the current aggregation interval and all timestamps comprised in the raw timeseries data of the at least one variable.

[0053] For example, the data interpolation module 620 is further configured to: perform, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable at the boundary timestamps of the current aggregation interval, to obtain first timeseries data; and perform, based on the first timeseries data, interpolation on missing data of the at least one variable at each of all the timestamps included in the raw timeseries data of the at least one variable other than a timestamp that is duplicate with the boundary timestamps, to obtain the target timeseries data.

[0054] For example, the at least one variable is the target variable alone. In this exemplary implementation, the data interpolation module 620 is further configured to: acquire, from a cache unit, interpolation data corresponding to an ending timestamp of a previous aggregation interval, and interpolate the interpolation data into raw timeseries data of the target variable as interpolation data corresponding to a starting timestamp of the current aggregation interval, to obtain second timeseries data; and perform, in the second timeseries data according to the second timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the target variable that has missing data at the ending timestamp of the current aggregation interval, to obtain the first timeseries data, and store interpolation data corresponding to the ending timestamp of the current aggregation interval to the cache unit. In addition, in practical application, in the case of acquiring the interpolation data corresponding to the ending timestamp of the previous aggregation interval from the cache unit, data loss may occur. Therefore, the data interpolation module 620 is further configured to: if the acquiring, from the cache unit, the interpolation data corresponding to the ending timestamp of the previous aggregation interval fails, perform, in the raw timeseries data of the target variable according to the raw timeseries data of the target variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the target variable that has missing data at a starting boundary timestamp of the current aggregation interval, to obtain the second timeseries data.

[0055] For example, the at least one variable is "a plurality of variables including the target variable" . In this exemplary implementation, the data interpolation module 620 is further configured to: combine the raw timeseries data of the at least one variable according to timestamps to obtain combined timeseries data; and perform, in the combined timeseries data according to the combined timeseries data and the data of the target variable at the latest  timestamp within the specified time period, interpolation on missing data of the at least one variable that has missing data at the boundary timestamps of the current aggregation interval, to obtain the first timeseries data. Further, the data interpolation module 620 is further configured to: acquire, from a cache unit, interpolation data corresponding to an ending timestamp of a previous aggregation interval, and interpolate the interpolation data into the combined timeseries data as interpolation data corresponding to a starting timestamp of the current aggregation interval, to obtain second timeseries data; and perform, in the second timeseries data according to the second timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of a variable that is in the second timeseries data and that has missing data at the ending timestamp of the current aggregation interval, to obtain the first timeseries data, and store interpolation data corresponding to the ending timestamp of the current aggregation interval to the cache unit. Similarly, in practical application, the interpolation data corresponding to the ending timestamp of the previous aggregation interval may be lost in the cache unit. Therefore, the data interpolation module 620 is further configured to: if the acquiring, from the cache unit, the interpolation data corresponding to the ending timestamp of the previous aggregation interval fails, perform, in the combined timeseries data according to the combined timeseries data, the data of the target variable at the latest timestamp within the specified time period, and data of the at least one variable at a latest timestamp earlier than the starting timestamp of the current aggregation interval, interpolation on missing data of the at least one variable that has missing data at a starting boundary timestamp of the current aggregation interval, to obtain the second timeseries data.

[0056] In addition, in this embodiment, an interpolation algorithm matching each of the at least one variable may be preset. In this way, for any variable that has missing data, interpolation may be performed on the missing data of the variable according to an interpolation algorithm matching the variable. In an example in which the at least one variable includes the target variable and at least one grouping variable, the data interpolation module 620 is further configured to: perform, by using a preset linear interpolation algorithm, interpolation on missing data of the target variable at the each of all timestamps within the current aggregation interval; and perform, by using a preset last observation carried forward method, interpolation on missing data of the grouping variable at the each of all timestamps within the current aggregation interval.

[0057] In this embodiment, the data aggregation module 630 is configured to perform aggregate calculation on the target timeseries data to obtain an aggregation result corresponding to a  current aggregation window. For example, the data aggregation module 630 is configured to perform aggregate calculation on the target timeseries data to obtain an aggregation result for the target variable in a dimension of the at least one grouping variable within the current aggregation interval.

[0058] It can be understood that the apparatus 600 in this embodiment is an apparatus corresponding to the data processing method in the foregoing embodiments. Related technical details mentioned in the data processing method in the foregoing embodiments are still applicable to the apparatus 600 in this embodiment. To reduce duplication, details are not described herein again.

[0059] FIG. 7 is a schematic diagram of an electronic device 700 according to a embodiment of this application. A specific implementation of the electronic device 700 is not limited in a specific embodiment of this application. As shown in FIG. 7, the electronic device 700 provided in this embodiment of this application includes a processor 702, a communications interface 704, a memory 706, and a bus 708.

[0060] The processor 702, the communications interface 704, and the memory 706 communicate with each other through the bus 708.

[0061] The communications interface 704 is configured to communicate with another electronic device or a server.

[0062] The processor 702 is configured to execute a program 710, and may specifically perform related steps in the foregoing embodiments of the method.

[0063] Specifically, the program 710 may include program code, and the program code includes computer operation instructions.

[0064] The processor 702 may be a central processing unit (CPU) , an application-specific integrated circuit (ASIC) , or one or more integrated circuits configured to implement embodiments of this application. One or more processors included in a smart device may be one type of processor, for example, one or more CPUs; or may be different types of processors, for example, one or more CPUs and one or more ASICs.

[0065] The memory 706 is configured to store the program 710. The memory 706 may include a high-speed random access memory (RAM) , and may further include a non-volatile memory, for example, at least one disk memory.

[0066] The program 710 may be specifically configured to enable the processor 702 to perform the method for determining a flyover control parameter and controlling coiling flyover in any one of the foregoing embodiments.

[0067] For specific implementations of steps in the program 710, refer to corresponding  descriptions in corresponding steps and units in the foregoing embodiments of the method for determining a flyover control parameter and controlling coiling flyover. Details are not described herein again. Persons skilled in the art can clearly understand that, for ease and brevity of description, for specific working processes of the foregoing devices and modules, reference may be made to descriptions of corresponding processes in the foregoing method embodiments. Details are not described herein again.

[0068] This application further provides a computer-readable storage medium for storing instructions that enable a machine to perform the method for determining a flyover control parameter and controlling coiling flyover in this specification. Specifically, a system or an apparatus configured with a storage medium may be provided. The storage medium stores software program code for implementing functions in any one of the foregoing embodiments, and a computer (or a CPU or an MPU) of the system or the apparatus is enabled to read and execute the program code stored in the storage medium.

[0069] In this case, the program code read from the storage medium can implement the functions in any one of the foregoing embodiments. Therefore, the program code and the storage medium for storing the program code constitute a part of this application.

[0070] Examples of the storage medium for providing the program code include a floppy disk, a hard disk, a magneto-optical disk, an optical disk (for example, a CD-ROM, a CD-R, a CD-RW, a DVD-ROM, a DVD-RAM, a DVD-RW, or a DVD-RW) , a magnetic tape, a non-volatile storage card, and a ROM. Optionally, the program code may be downloaded from a server computer through a communications network.

[0071] Embodiments of this application further provide a computer program product, including computer instructions. The computer instructions instruct a computing device to perform an operation corresponding to any one of the foregoing plurality of method embodiments.

[0072] It should be noted that, according to a requirement of implementation, each part / step described in the embodiments of this application may be split into more parts / steps, or two or more parts / steps or some operations of a part / step may be combined into a new part / step to achieve the objectives of the embodiments of this application.

[0073] The foregoing methods according to the embodiments of this application may be implemented in hardware or firmware, or implemented as software or computer code that can be stored in a recording medium (for example, a CD-ROM, a RAM, a floppy disk, a hard disk, or a magneto-optical disk) , or implemented as computer code that is downloaded through a network, that is originally stored in a remote recording medium or a non-transitory machine-readable medium, and that is to be stored in a local recording medium, so that the  methods described herein may be performed by such software stored in a recording medium that uses a general-purpose computer, a dedicated processor, or programmable or dedicated hardware (for example, an ASIC or an FPGA) . It can be understood that a computer, a processor, a microprocessor controller, or programmable hardware includes a storage component (for example, a RAM, a ROM, or a flash memory) that can store or receive software or computer code, and the methods described herein are implemented when the software or computer code is accessed and executed by the computer, the processor, or the hardware. In addition, when a general-purpose computer accesses the code for implementing the methods described herein, execution of the code converts the general-purpose computer into a dedicated computer for performing the methods described herein.

[0074] It should be noted that not all steps and modules in the foregoing processes and the foregoing diagrams of system structures are necessary, and some steps or modules may be omitted according to an actual requirement. An execution sequence of the steps is not fixed and may be adjusted according to a requirement. The system structure described in the foregoing embodiments may be a physical structure or a logical structure. To be specific, some modules may be implemented by a same physical entity, or some units may be implemented by a plurality of physical entities, or may be implemented by some components in a plurality of independent devices together.

[0075] The nouns and pronouns related to persons in this application are not limited to a specific gender.

[0076] In the foregoing embodiments, the hardware modules may be implemented mechanically or electrically. For example, a hardware module may include a permanent dedicated circuit or logic (for example, a dedicated processor, an FPGA, or an ASIC) to complete a corresponding operation. The hardware module may further include a programmable logic or circuit (for example, a general-purpose processor or another programmable processor) , which may be temporarily set by software to complete a corresponding operation. A specific implementation (amechanical manner, a dedicated permanent circuit, or a temporarily set circuit) may be determined based on costs and time considerations.

[0077] This application is described in detail above with reference to the accompanying drawings and optional embodiments. However, this application is not limited to the disclosed embodiments. Based on the foregoing plurality of embodiments, persons skilled in the art can learn that code review means in the foregoing different embodiments may be combined to obtain more embodiments of this application, and these embodiments also fall within the protection scope of this application.

Claims

1.A data processing method, comprising:acquiring raw timeseries data of pre-specified at least one variable within a current aggregation interval;performing, based on the raw timeseries data of the at least one variable, interpolation on missing data of the at least one variable at each of all timestamps within the current aggregation interval, to obtain target timeseries data; the all timestamps within the current aggregation interval are determined based on the boundary timestamps of the current aggregation interval and all timestamps comprised in the raw timeseries data of the at least one variable; andaggregating the target timeseries data to obtain an aggregation result corresponding to the current aggregation interval.2.The method according to claim 1, wherein the acquiring raw timeseries data of pre-specified at least one variable within a current aggregation interval further comprises:acquiring the raw timeseries data of the pre-specified at least one variable within the current aggregation interval and data of a target variable of the at least one variable at a latest timestamp within a specified time period, wherein the specified time period comprises an ending timestamp of the current aggregation interval and a preset time period after the ending timestamp.3.The method according to claim 2, wherein the performing, based on the raw timeseries data of the at least one variable, interpolation on missing data of the at least one variable at each of all timestamps within the current aggregation interval, to obtain target timeseries data further comprises:performing, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on the missing data of the at least one variable at the each of all timestamps within the current aggregation interval, to obtain the target timeseries data.4.The method according to claim 3, wherein the performing, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on the missing data of the at least one variable at the each  of all timestamps within the current aggregation interval, to obtain the target timeseries data further comprises:performing, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable at the boundary timestamps of the current aggregation interval, to obtain first timeseries data; andperforming, based on the first timeseries data, interpolation on missing data of the at least one variable at each of all the timestamps comprised in the raw timeseries data of the at least one variable other than a timestamp that is duplicate with the boundary timestamps, to obtain the target timeseries data.5.The method according to claim 4, wherein the at least one variable comprises the target variable and at least one grouping variable; andthe performing, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable at the boundary timestamps of the current aggregation interval, to obtain first timeseries data further comprises:combining the raw timeseries data of the at least one variable according to timestamps to obtain combined timeseries data; andperforming, in the combined timeseries data according to the combined timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable that has missing data at the boundary timestamps of the current aggregation interval, to obtain the first timeseries data.6.The method according to claim 5, wherein the performing, in the combined timeseries data according to the combined timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable that has missing data at the boundary timestamps of the current aggregation interval, to obtain the first timeseries data further comprises:acquiring, from a cache unit, interpolation data corresponding to an ending timestamp of a previous aggregation interval, and interpolating the interpolation data into the combined timeseries data as interpolation data corresponding to a starting timestamp of the current aggregation interval, to obtain second timeseries data; andperforming, in the second timeseries data according to the second timeseries data and the data of the target variable at the latest timestamp within the specified time period, interpolation on missing data of the at least one variable that has missing data at the ending timestamp of the current aggregation interval, to obtain the first timeseries data, and storing interpolation data corresponding to the ending timestamp of the current aggregation interval to the cache unit.7.The method according to claim 6, wherein the method further comprises:if the acquiring, from the cache unit, the interpolation data corresponding to the ending timestamp of the previous aggregation interval fails, performing, in the combined timeseries data according to the combined timeseries data, the data of the target variable at the latest timestamp within the specified time period, and data of each of the at least one variable at a latest timestamp earlier than the starting timestamp of the current aggregation interval, interpolation on missing data of the at least one variable that has missing data at a starting boundary timestamp of the current aggregation interval, to obtain the second timeseries data.8.The method according to claim 7, wherein the method further comprises:performing interpolation on missing data of the target variable at the timestamp by using a preset linear interpolation algorithm; andperforming interpolation on missing data of the grouping variable at the timestamp by using a preset last observation carried forward method.9.The method according to claim 8, wherein the aggregating the target timeseries data to obtain an aggregation result corresponding to the current aggregation interval further comprises:performing aggregate calculation on the target timeseries data to obtain an aggregation result, corresponding to the current aggregation interval, for the target variable in a dimension of at least one grouping variable.10.The method according to claim 9, wherein the target variable is power consumption or a production capacity of a target device, and the at least one grouping variable comprises one or more of an operation state, a production object type, and a working shift of the target device.11.The method according to claim 2, wherein the acquiring the raw timeseries data of the pre-specified at least one variable within the current aggregation interval and data of a target variable of the at least one variable at a latest timestamp within a specified time period further comprises:in response to reception of an instruction that instructs to perform an aggregation operation on the current aggregation interval, acquiring the raw timeseries data of the at least one variable within the current aggregation interval and the data of the target variable at the latest timestamp within the specified time period.12.A data processing apparatus (600) , comprising:a data acquisition module (610) , configured to acquire raw timeseries data of pre-specified at least one variable within a current aggregation interval;a data interpolation module (620) , configured to perform, based on the raw timeseries data of the at least one variable, interpolation on missing data of the at least one variable at each of all timestamps within the current aggregation interval, to obtain target timeseries data; the all timestamps within the current aggregation interval are determined based on the boundary timestamps of the current aggregation interval and all timestamps comprised in the raw timeseries data of the at least one variable; anda data aggregation module (630) , configured to aggregate the target timeseries data to obtain an aggregation result corresponding to the current aggregation interval.13.The apparatus according to claim 12, wherein the data acquisition module (610) is further configured to acquire data of a target variable of the at least one variable at a latest timestamp within a specified time period, wherein the specified time period comprises an ending timestamp of the current aggregation interval and a preset time period after the ending timestamp; andthe data interpolation module (620) is further configured to perform, based on the raw timeseries data of the at least one variable and according to the raw timeseries data of the at least one variable and the data of the target variable at the latest timestamp within the specified time period, interpolation on the missing data of the at least one variable at the each of all timestamps within the current aggregation interval, to obtain the target timeseries data.14.The apparatus according to claim 13, wherein the at least one variable comprises the target variable and at least one grouping variable; andthe data aggregation module (630) is further configured to perform aggregate calculation on the target timeseries data to obtain an aggregation result, corresponding to the current aggregation interval, for the target variable in a dimension of at least one grouping variable.15.An electronic device (700) , comprising a processor (702) , a communications interface (704) , a memory (706) , and a bus (707) , wherein the processor (702) , the communications interface (704) , and the memory (706) communicate with each other through the bus (707) ; andthe memory (706) is configured to store at least one executable instruction, wherein the executable instruction enables the processor (702) to perform an operation corresponding to the method according to any one of claims 1-11.16.A computer-readable storage medium, wherein the computer-readable storage medium stores computer instructions, and when the computer instructions are executed by a processor, the processor is enabled to perform the method according to any one of claims 1-11.17.A computer program product, comprising computer instructions, wherein the computer instructions instruct a computing device to perform an operation corresponding to the method according to any one of claims 1-11.

Images