核函数构造及数据预测方法、装置、设备和存储介质制造方法及图纸

本申请涉及一种核函数构造及数据预测方法、装置、计算机设备和存储介质。所述核函数构造方法包括：获取预设方差参数及预设频率平移参数；根据所述预设方差参数及所述预设频率平移参数构建核函数；对所述核函数的协方差矩阵进行特征分解得到分解结果；根据所述分解结果，通过最大化边缘对数似然函数对所述核函数的超参数进行优化，得到最优核函数。可以避免超参数优化陷入局部最优解，使得优化得到的最优核函数的准确性较高，从而使得通过该最优核函数构建的高斯过程回归模型的准确性较高，因此，将该高斯过程回归模型应用于数据预测时，得到的预测结果的准确性较高。

Kernel function construction and data prediction method, device, device and storage medium

This application relates to a method, device, computer equipment and storage medium for constructing a kernel function and data prediction. The construction method of the kernel function includes: obtaining the preset variance parameters and the preset frequency translation parameters; constructing the kernel function according to the preset variance parameters and the preset frequency translation parameters; eigenvaluing the covariance matrix of the kernel function to obtain the decomposition results; and maximizing the edge pairs according to the decomposition results. The likelihood function is used to optimize the super parameters of the kernel function and get the optimal kernel function. It can avoid superparametric optimization falling into local optimum solution, and make the accuracy of the optimal kernel function obtained by optimization higher, so that the accuracy of the Gauss process regression model constructed by the optimal kernel function is higher. Therefore, when the Gauss process regression model is applied to data prediction, the accuracy of the prediction results is higher. Higher.

【技术实现步骤摘要】
核函数构造及数据预测方法、装置、设备和存储介质
本申请涉及计算机信息
，特别是涉及一种核函数构造方法、装置、计算机设备和存储介质，以及一种数据预测方法、装置、计算机设备和存储介质。
技术介绍
由于高斯过程(GaussianProcesses)在函数逼近(functionapproximation)方面的出色表现以及模型自带的不确定性界限(uncertaintybound)，高斯过程回归模型的应用十分广泛。例如居民每天的生活数据(如水，电，煤气用量)的预测；城市交通在某一地区某个时段的出租车或网约车供应量或需求量的预测；网络中上下行数据流量的分时预测；股票走势的实时预测；城市天气和污染物(PM2.5，PM10等)的浓度预报等。高斯过程回归模型的重点在于如何选择一个合适的核函数(kernelfunction)。一个好的核函数能够将原始特征提升到一个更高(甚至是无限)维空间，而在这个空间里，回归问题和分类问题可以更容易被处理。传统的核函数包括一种谱混合(SM)核函数，其思想是首先在频域中找到一个真实谱密度(spectraldensity)的近似，然后将其转换回时域得到一个通用的平稳核函数(stationarykernelfunction)。由于在最小化超参数的过程容易陷入局部最优解，通过该谱混合核函数构建的高斯过程回归模型的准确性较低，从而将该高斯过程回归模型应用于数据预测时，得到的预测结果的准确性较低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高数据预测结果的准确性的核函数构造及数据预测方法、装置、计算机设备和存储介质。一种核函数构造方法，所述方法包括：获取预设方差参数及预设频率平移参数；根据所述预设方差参数及所述预设频率平移参数构建核函数；对所述核函数的协方差矩阵进行特征分解得到分解结果；根据所述分解结果，通过最大化边缘对数似然函数对所述核函数的超参数进行优化，得到最优核函数。在其中一个实施例中，所述获取预设方差参数及预设频率平移参数的步骤，包括：获取方差参数的方差区间；获取频率平移参数的频率平移区间；在所述方差区间及所述频率平移区间形成的二维平面区域内，选取栅格点；根据所述栅格点确定所述预设方差参数及所述预设频率平移参数。在其中一个实施例中，所述对所述核函数的协方差矩阵进行特征分解得到分解结果的步骤，包括：对所述核函数的协方差矩阵中接近零的特征进行截断，得到中间结果；对所述中间结果进行特征分解，得到所述分解结果。在其中一个实施例中，所述对所述核函数的协方差矩阵中接近零的特征进行截断，得到中间结果的步骤，包括：获取截断阈值；对所述核函数的协方差矩阵中小于所述截断阈值的特征设置为零，得到所述中间结果。一种核函数构造装置，所述装置包括：参数获取模块，用于获取预设方差参数及预设频率平移参数；函数构建模块，用于根据所述预设方差参数及所述预设频率平移参数构建核函数；矩阵分解模块，用于对所述核函数的协方差矩阵进行特征分解得到分解结果；函数优化模块，用于根据所述分解结果，通过最大化边缘对数似然函数对所述核函数的超参数进行优化，得到最优核函数。在其中一实施例中，所述参数获取模块，包括：方差获取单元，用于获取方差参数的方差区间；平移获取单元，用于获取频率平移参数的频率平移区间；栅格选取单元，用于在所述方差区间及所述频率平移区间形成的二维平面区域内，选取栅格点；参数确定单元，用于根据所述栅格点确定所述预设方差参数及所述预设频率平移参数。在其中一实施例中，所述核函数构造装置，还包括：特征截断模块；所述特征截断模块，用于对所述核函数的协方差矩阵中接近零的特征进行截断，得到中间结果；所述矩阵分解模块，用于对所述中间结果进行特征分解，得到所述分解结果。在其中一实施例中，所述核函数构造装置，还包括：阈值获取模块；所述阈值获取模块，用于获取截断阈值；所述特征截断模块，用于对所述核函数的协方差矩阵中小于所述截断阈值的特征设置为零，得到所述中间结果。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取预设方差参数及预设频率平移参数；根据所述预设方差参数及所述预设频率平移参数构建核函数；对所述核函数的协方差矩阵进行特征分解得到分解结果；根据所述分解结果，通过最大化边缘对数似然函数对所述核函数的超参数进行优化，得到最优核函数。在其中一个实施例中，所述获取预设方差参数及预设频率平移参数的步骤，包括：获取方差参数的方差区间；获取频率平移参数的频率平移区间；在所述方差区间及所述频率平移区间形成的二维平面区域内，选取栅格点；根据所述栅格点确定所述预设方差参数及所述预设频率平移参数。在其中一个实施例中，所述对所述核函数的协方差矩阵进行特征分解得到分解结果的步骤，包括：对所述核函数的协方差矩阵中接近零的特征进行截断，得到中间结果；对所述中间结果进行特征分解，得到所述分解结果。在其中一个实施例中，所述对所述核函数的协方差矩阵中接近零的特征进行截断，得到中间结果的步骤，包括：获取截断阈值；对所述核函数的协方差矩阵中小于所述截断阈值的特征设置为零，得到所述中间结果。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取预设方差参数及预设频率平移参数；根据所述预设方差参数及所述预设频率平移参数构建核函数；对所述核函数的协方差矩阵进行特征分解得到分解结果；根据所述分解结果，通过最大化边缘对数似然函数对所述核函数的超参数进行优化，得到最优核函数。在其中一个实施例中，所述获取预设方差参数及预设频率平移参数的步骤，包括：获取方差参数的方差区间；获取频率平移参数的频率平移区间；在所述方差区间及所述频率平移区间形成的二维平面区域内，选取栅格点；根据所述栅格点确定所述预设方差参数及所述预设频率平移参数。在其中一个实施例中，所述对所述核函数的协方差矩阵进行特征分解得到分解结果的步骤，包括：对所述核函数的协方差矩阵中接近零的特征进行截断，得到中间结果；对所述中间结果进行特征分解，得到所述分解结果。在其中一个实施例中，所述对所述核函数的协方差矩阵中接近零的特征进行截断，得到中间结果的步骤，包括：获取截断阈值；对所述核函数的协方差矩阵中小于所述截断阈值的特征设置为零，得到所述中间结果。上述核函数构造方法、装置、计算机设备和存储介质，由于预先获取了固定的预设方差参数及预设频率平移参数，根据所述预设方差参数及所述预设频率平移参数构建核函数的方式构建的核函数，在对所述核函数的协方差矩阵进行特征分解得到分解结果后，根据所述分解结果，通过最大化边缘对数似然函数对所述核函数的超参数进行优化时的优化问题具有凸性结构，如此，可以避免超参数优化陷入局部最优解，使得优化得到的最优核函数的准确性较高，从而使得通过该最优核函数构建的高斯过程回归模型的准确性较高，因此，将该高斯过程回归模型应用于数据预测时，得到的预测结果的准确性较高。一种数据预测方法，所述方法包括：获取待预测时序序列；将所述待预测时序序列输入至GPR预测模型，得到预测结果；所述GPR预测模型是根据上述的核函数构造方法构造的最优核函数，而构造获得的。在其中一个实施例中，所述将所述待预测时序序列输入至GPR预测模型本文档来自技高网...

【技术保护点】
1.一种核函数构造方法，所述方法包括：获取预设方差参数及预设频率平移参数；根据所述预设方差参数及所述预设频率平移参数构建核函数；对所述核函数的协方差矩阵进行特征分解得到分解结果；根据所述分解结果，通过最大化边缘对数似然函数对所述核函数的超参数进行优化，得到最优核函数。

【技术特征摘要】
1.一种核函数构造方法，所述方法包括：获取预设方差参数及预设频率平移参数；根据所述预设方差参数及所述预设频率平移参数构建核函数；对所述核函数的协方差矩阵进行特征分解得到分解结果；根据所述分解结果，通过最大化边缘对数似然函数对所述核函数的超参数进行优化，得到最优核函数。2.根据权利要求1所述的方法，其特征在于，所述获取预设方差参数及预设频率平移参数的步骤，包括：获取方差参数的方差区间；获取频率平移参数的频率平移区间；在所述方差区间及所述频率平移区间形成的二维平面区域内，选取栅格点；根据所述栅格点确定所述预设方差参数及所述预设频率平移参数。3.根据权利要求1所述的方法，其特征在于，所述对所述核函数的协方差矩阵进行特征分解得到分解结果的步骤，包括：对所述核函数的协方差矩阵中接近零的特征进行截断，得到中间结果；对所述中间结果进行特征分解，得到所述分解结果。4.根据权利要求3所述的方法，其特征在于，所述对所述核函数的协方差矩阵中接近零的特征进行截断，得到中间结果的步骤，包括：获取截断阈值；对所述核函数的协方差矩阵中小于所述截断阈值的特征设置为零，得到所述中间结果。5.一种数据预测方法，所述方法包括：获取待预测时序序列；将所述待预测时序序列输入至GPR预测模型，得到预测结果；所述GPR预测模型是根据权利要求1-4任意一项所述的方...

【专利技术属性】
技术研发人员：尹峰，陈天石，
申请(专利权)人：香港中文大学深圳，深圳市大数据研究院，
类型：发明
国别省市：广东,44