预测模型构建方法和设备以及实时预测方法和设备技术

本公开涉及预测模型构建方法和设备以及实时预测方法和设备。所述预测模型构建方法包括：识别待训练数据中的多种不同的关联模式，其中多种不同的关联模式描述待训练数据中的影响因素与目标数据之间的多种不同的关联关系；利用与多种不同的关联模式相对应的多组数据分别进行训练，以得到适用于多种不同的关联模式的多个子预测模型；以及根据待训练数据构建多种不同的关联模式之间的关联模式转移模型，其中关联模式转移模型用于在预测过程中确定多个不同的子预测模型与待预测数据之间的匹配度。根据本公开的实施方式，可以得到与多种数据特征对应的多个预测模型，因此在预测时可以基于数据自身特征动态调整各个预测模型的权重，从而提高预测精度。

Prediction model building method and apparatus, and real-time prediction method and apparatus

The present disclosure relates to a prediction model construction method and apparatus, and a real-time prediction method and apparatus. Model construction method includes the prediction: recognition in the training data to a variety of different patterns of association, the association of different model to describe the relationship between the effect of training data in a variety of factors and different target data; respectively trained using multiple sets of data associated with a variety of different modes corresponding to the prediction in order to get the sub model is suitable for various modes of Association; and according to the construction of association pattern transfer model of association between various modes of the training data, the association mode transfer model in the prediction process for determining a plurality of different prediction sub model and forecast the matching degree between the data. According to embodiments of the disclosure, can obtain a plurality of corresponding prediction models and various data characteristics, therefore in the forecast can weight data characteristics of each prediction model based on dynamic adjustment, so as to enhance the prediction accuracy.

【技术实现步骤摘要】
预测模型构建方法和设备以及实时预测方法和设备
本公开涉及预测
，更特别地涉及一种用于构建预测模型的方法和设备以及用于执行实时预测的方法和设备。
技术介绍
预测技术是当下的一个热点研究问题。预测技术可以在各个领域得到广泛应用，诸如空气质量预测、气候预测、交通流量预测等。根据数据的特点和预测的问题的不同，已经提出了各种不同的预测模型，例如基于参数的时间序列预测、神经网络、回归分析等。传统的预测模型通常采用全局建模的方式，即利用一个统一的模型涵盖各种预测过程，并对自变量与因变量之间的关系进行建模。然而，数据中变量间的关联模式随着时间、空间的不同通常有着较大变化，而这类统一的模型难以涵盖数据中的所有情况，尤其是数据中的稀有事件。而这些事件往往会是预测中需要特别关注的重点，例如空气质量预测中的重度污染预测、交通流中的事故预测等。传统的预测方法，如神经网络、回归分析等方法，通常首先采集一些真实数据作为样本，以用于训练模型，然后用训练好的模型进行预测。这样预测的准确度非常依赖于训练时所用样本数据的数量和质量。而且待预测的数据与训练样本特征差异较大时，其预测结果往往是不准确的。多模型预测是传统的空气质量预测多采用的预测方式，这种预测方式已经被证明是有效的。例如，在US6535817B1中公开了一种基于多回归模型的气候预测方式。根据该专利中提出的技术方案，在训练过程中，首先针对历史气候数据执行预处理，以使其满足模型的输入和输出形式；接着随机地将数据划分为N个分组；然后，针对这N个分组进行训练以得到相应的N个预测模型；随后，基于历史气候数据针对这N个相应的预测模型进行评估，以便获得他们各自的历史性能。而在预测过程中，针对实时数据采用N个预测模型进行预测，以得到N个预测结果；然后，基于各个预测模型的历史性能对这N个预测结果进行加权平均；最后，将得到的平均结果作为最终预测结果进行存储。在上述的美国专利所提出的技术中，采用了历史性能作为模型性能的度量。然而，实时预测是一个相当复杂的问题，例如对于空气质量而言，它不但受到最近历史空气质量因素和交通因素的影响，而且还受到实时气象因素的影响。因而，包括上述专利在内的现有技术中基于多模型的预测方法目前对于实时预测而言有效性仍然不太理想，其预测结果的准确性和可靠性依然较低。为此，在现有技术中存在针对实时预测技术的方案进行改进的需要。
技术实现思路
有鉴于此，本公开公开了一种用于构建预测模型的方法和设备以及用于执行实时预测的方法和设备，以至少部分上消除或者缓解上述问题。根据本公开的第一方面，提供了一种用于构建预测模型的方法。该方法包括：识别待训练数据中的多种不同的关联模式，其中所述多种不同的关联模式描述所述待训练数据中的影响因素与目标数据之间的多种不同的关联关系；利用与所述多种不同的关联模式相对应的多组数据分别进行训练，以得到适用于所述多种不同的关联模式的多个子预测模型；以及根据所述待训练数据构建所述多种不同的关联模式之间的关联模式转移模型。所述关联模式转移模型用于在预测过程中确定所述多个不同的子预测模型与待预测数据之间的匹配度。在根据本公开的第一方面的实施方式中，所述识别待训练数据中的多种不同的关联模式包括：将所述待训练数据按照时间划分为多个数据分段；学习所述多个数据分段中的各个数据分段的关联模式；以及通过合并相似的关联模式和对应的数据分段来确定所述多种不同的关联模式。在根据本公开的第一方面的另一实施方式中，所述确定所述多种不同的关联模式包括：基于层次聚类对所述各个数据分段的关联模式进行聚类。在根据本公开的第一方面的另一实施方式中，所述关联模式转移模型描述所述多种不同的关联模式之间的模式转移的概率。在根据本公开的第一方面的另一实施方式中，根据所述待训练数据构建所述多种不同的关联模式之间的关联模式转移模型包括：利用马尔科夫链模型按照最大似然性原则根据所述待训练数据来确定所述多种不同的关联模式之间的转移矩阵。根据本公开的第二方面，提供了一种用于执行实时预测的方法。所述方法包括：利用多个不同的子预测模型针对实时数据执行预测，以得到多个初始预测结果，其中所述多个不同的子预测模型分别适用于多种不同的关联模式；基于所述多种不同的关联模式之间的关联模式转移模型确定所述实时数据与所述多个不同的子预测模型之间的匹配度；以及基于所述匹配度对所述多个初始预测结果进行加权平均，以确定针对所述实时数据的预测结果。在根据本公开的第一方面的实施方式中，所述多个不同的子预测模型是通过识别待训练数据中的所述多种不同的关联模式并且利用与所述多种不同的关联模式相对应的多组数据分别进行训练而得到的。在根据本公开的第一方面的另一实施方式中，所述关联模式转移模型描述所述多种不同的关联模式之间的模式转移的概率。在根据本公开的第一方面的再一实施方式中，所述基于关联模式转移模型确定所述实时数据与所述多个不同的子预测模型之间的匹配度包括：通过根据所述实时数据之前的数据的关联模式以及所述多种不同的关联模式之间的模式转移的概率计算所述实时数据处于所述多种不同的关联模式的各个关联模式的概率，来确定所述匹配度。根据本公开的第三方面，提供了一种用于构建预测模型的设备。所述设备包括：模式识别模块、模型训练模块和模型构建模块。所述模式识别模块被配置用于识别待训练数据中的多种不同的关联模式，其中所述多种不同的关联模式描述所述待训练数据中的影响因素与目标数据之间的多种不同的关联关系。所述模型训练模块被配置用于利用与所述多种不同的关联模式相对应的多组数据分别进行训练，以得到适用于所述多种不同的关联模式的多个子预测模型。所述模型构建模块被配置用于根据所述待训练数据构建所述多种不同的关联模式之间的关联模式转移模型，其中所述关联模式转移模型用于在预测过程中确定所述多个不同的子预测模型与待预测数据之间的匹配度。根据本公开的第四方面，提供了一种用于执行实时预测的设备。所述设备包括：预测执行模块、匹配度确定模块和结果平均模块。所述预测执行模块被配置用于利用多个不同的子预测模型针对实时数据执行预测，以得到多个初始预测结果，其中所述多个不同的子预测模型分别适用于多种不同的关联模式。所述匹配度确定模块被配置用于基于所述多种不同的关联模式之间的关联模式转移模型确定所述实时数据与所述多个不同的子预测模型之间的匹配度。所述结果平均模块被配置用于基于所述匹配度对所述多个初始预测结果进行加权平均，以确定针对所述实时数据的预测结果。根据本公开的第五方面，提供了一种计算程序产品，其上包括有计算机程序代码，当被加载到计算机设备中时，其可以使得该计算机设备执行根据本公开的第一方面的方法。根据本公开的第六方面，提供了一种计算程序产品，其上包括有计算机程序代码，当被加载到计算机设备中时，其可以使得该计算机设备执行根据本公开的第二方面的方法。根据本公开的第七方面，还提供一种用于构建预测模型的设备，所述设备包括存储器，和处理器，所述处理器可以被配置为执行根据本公开的第一方面的方法。根据本公开的第八方面，还提供一种用于执行实时预测的设备，所述设备包括存储器，和处理器，所述处理器可以被配置为执行根据本公开的第二方面的方法。根据本公开的实施方式，可以得到与多个关联模式对应的多个预测子模型，而本文档来自技高网...

【技术保护点】
一种用于构建预测模型的方法，包括：识别待训练数据中的多种不同的关联模式，其中所述多种不同的关联模式描述所述待训练数据中的影响因素与目标数据之间的多种不同的关联关系；利用与所述多种不同的关联模式相对应的多组数据分别进行训练，以得到适用于所述多种不同的关联模式的多个子预测模型；以及根据所述待训练数据构建所述多种不同的关联模式之间的关联模式转移模型，其中所述关联模式转移模型用于在预测过程中确定所述多个不同的子预测模型与待预测数据之间的匹配度。

【技术特征摘要】
1.一种用于构建预测模型的方法，包括：识别待训练数据中的多种不同的关联模式，其中所述多种不同的关联模式描述所述待训练数据中的影响因素与目标数据之间的多种不同的关联关系；利用与所述多种不同的关联模式相对应的多组数据分别进行训练，以得到适用于所述多种不同的关联模式的多个子预测模型；以及根据所述待训练数据构建所述多种不同的关联模式之间的关联模式转移模型，其中所述关联模式转移模型用于在预测过程中确定所述多个不同的子预测模型与待预测数据之间的匹配度。2.根据权利要求1所述的方法，其中所述识别待训练数据中的多种不同的关联模式包括：将所述待训练数据按照时间划分为多个数据分段；学习所述多个数据分段中的各个数据分段的关联模式；以及通过合并相似的关联模式和对应的数据分段来确定所述多种不同的关联模式。3.根据权利要求2所述的方法，其中所述确定所述多种不同的关联模式包括：基于层次聚类对所述各个数据分段的关联模式进行聚类。4.根据权利要求1至3任一项所述的方法，其中所述关联模式转移模型描述所述多种不同的关联模式之间的模式转移的概率。5.根据权利要求4所述的方法，其中根据所述待训练数据构建所述多种不同的关联模式之间的关联模式转移模型包括：利用马尔科夫链模型按照最大似然性原则根据所述待训练数据来确定所述多种不同的关联模式之间的转移矩阵。6.一种用于执行实时预测的方法，包括：利用多个不同的子预测模型针对实时数据执行预测，以得到多个初始预测结果，其中所述多个不同的子预测模型分别适用于多种不同的关联模式；基于所述多种不同的关联模式之间的关联模式转移模型确定所述实时数据与所述多个不同的子预测模型之间的匹配度；以及基于所述匹配度对所述多个初始预测结果进行加权平均，以确定针对所述实时数据的预测结果。7.根据权利要求6所述的方法，其中所述多个不同的子预测模型是通过识别待训练数据中的所述多种不同的关联模式并且利用与所述多种不同的关联模式相对应的多组数据分别进行训练而得到的。8.根据权利要求6或7所述的方法，其中所述关联模式转移模型描述所述多种不同的关联模式之间的模式转移的概率。9.根据权利要求8所述的方法，其中所述基于关联模式转移模型确定所述实时数据与所述多个不同的子预测模型之间的匹配度包括：通过根据所述实时数据之前的数据的关联模式以及所述多种不同的关联模式之间的模式转移的概率计算所述实时数据处于所述多种不同的关联模式的各个关联模式的概率，来确定所述匹配度。10.一种用于构建预测模型的设备，包括：模式识别模块，被配置用于识...

【专利技术属性】
技术研发人员：祁仲昂，刘博，胡卫松，
申请(专利权)人：日本电气株式会社，
类型：发明
国别省市：日本,JP