一种基于历史数据的预测方法及装置制造方法及图纸

本申请实施例公开了一种基于历史数据的预测方法及装置，有效提高了预测结果的精确度。其中，所述方法包括：获取预测项的历史数据，并利用神经网络系统对所述历史数据进行训练，得到预测模型，所述历史数据包括所述预测项的自身历史数据和所述预测项的相关历史数据，所述预测模型反映了所述自身历史数据与相关历史数据之间的关系；获取预测项的相关实际数据，并根据所述相关实际数据以及所述预测模型得到所述预测项的自身实际数据，实现基于所述预测项的历史数据对自身实际数据的预测。

A prediction method and device based on historical data

The embodiment of the present invention discloses a prediction method and device based on historical data, which effectively improves the accuracy of the prediction result. Among them, the method comprises: obtaining historical data items, and the training of the historical data using neural network system, prediction model, the historical data including historical data related to the prediction of the historical data and the prediction of the model reflects the relationship between the the historical data and related historical data; access to real data and the forecast, according to the actual data and the prediction model to obtain the predicted item actual data, forecast the actual data of the predictor based on historical data.

【技术实现步骤摘要】
一种基于历史数据的预测方法及装置
本申请涉及数据处理领域，尤其涉及一种基于历史数据的预测方法及装置。
技术介绍
目前有很多应用场景需要按照一定规律基于历史数据对未来的数据进行预测，例如基于应用程序的历史上线人数预测未来某个时间点或某些时间点的上线人数，以便适应性的增加或减少相应的计算机资源，或者推送某些业务等等。再例如，基于历史网络流量数据预测未来网络流量数据，或基于历史网络延迟数据预测未来的网络延迟数据。现有的比较流行的预测方法是回归分析法，通过分析找到历史的预测数据与其相关的历史数据的函数表达式，即回归函数。当进行实际预测时，将与实际预测数据相关的数据代入到回归函数中，求出实际预测数据。然而，回归分析法进行预测的精确度取决于回归函数，当历史数据的规律较为复杂时，可能无法找到拟合度较高的回归函数，这种情况下回归预测结果的精确度就不够理想。
技术实现思路
为了解决现有技术存在的技术问题，本申请提供了一种基于历史数据的预测方法及装置，有效提高了预测结果的精确度。本申请实施例提供了一种基于历史数据的预测方法，所述方法包括：获取预测项的历史数据，并利用神经网络系统对所述历史数据进行训练，得到预测模型，所述历史数据包括所述预测项的自身历史数据和所述预测项的相关历史数据，所述预测模型反映了所述自身历史数据与相关历史数据之间的关系；获取预测项的相关实际数据，并根据所述相关实际数据以及所述预测模型得到所述预测项的自身实际数据，实现基于所述预测项的历史数据对自身实际数据的预测，所述相关实际数据的时间点在所述自身实际数据的时间点之前。可选的，所述预测项的相关历史数据包括以下至少一种：与所述自身历史数据相邻的第一预设个数的时间点的历史数据、所述自身历史数据的时间点与相邻的第一预设个数的时间点的历史数据差值、与所述自身历史数据相邻的第二预设个数的时间点的历史数据之间的差值。可选的，所述神经网络系统包括输入层、隐藏层和输出层；所述利用神经网络系统对所述历史数据进行训练，得到预测模型包括：将所述预测项的相关历史数据输入到所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出中间预测值；利用所述中间预测值与所述预测项的自身历史数据之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直到所述中间预测值与所述自身历史数据之间的差值在预设范围之内，得到训练完成的各节点的激活函数。可选的，所述激活函数包括：sigmoid函数、tanh函数、relu函数、leakyrule函数或maxout函数。可选的，所述优化算法包括：adam算法、SGD算法或Momentum算法。本申请实施例还提供了一种基于历史数据的预测装置，所述装置包括：历史数据获取单元、训练单元以及预测单元；其中，所述历史数据获取单元，用于获取预测项的历史数据；所述训练单元，用于利用神经网络系统对所述历史数据进行训练，得到预测模型，所述历史数据包括所述预测项的自身历史数据和所述预测项的相关历史数据，所述预测模型反映了所述自身历史数据与相关历史数据之间的关系；所述预测单元，用于获取预测项的相关实际数据，并根据所述相关实际数据以及所述预测模型得到所述预测项的自身实际数据，实现基于所述预测项的历史数据对自身实际数据的预测，所述相关实际数据的时间点在所述自身实际数据的时间点之前。可选的，所述预测项的相关历史数据包括以下至少一种：与所述自身历史数据相邻的第一预设个数的时间点的历史数据、所述自身历史数据的时间点与相邻的第一预设个数的时间点的历史数据差值、与所述自身历史数据相邻的第二预设个数的时间点的历史数据之间的差值。可选的，所述神经网络系统包括输入层、隐藏层和输出层；所述训练单元包括：计算单元和修正单元；所述计算单元，用于将所述预测项的相关历史数据输入到所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出中间预测值；所述修正单元，用于利用所述中间预测值与所述预测项的自身历史数据之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直到所述中间预测值与所述自身历史数据之间的差值在预设范围之内，得到训练完成的各节点的激活函数。可选的，所述激活函数包括：sigmoid函数、tanh函数、relu函数、leakyrule函数或maxout函数。可选的，所述优化算法包括：adam算法、SGD算法或Momentum算法。本申请通过获取预测项的历史数据，并利用神经网络系统对所述历史数据进行训练，得到预测模型。然后获取预测项的相关实际数据，并根据所述相关实际数据以及所述预测模型得到所述预测项的自身实际数据，实现基于所述预测项的历史数据对自身实际数据的预测。相对于现有技术采用回归分析法进行预测的技术方案，本申请得到的预测结果更为准确。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本申请实施例一提供的一种基于历史数据的预测方法的流程图；图2为本申请实施例一中神经网络系统中隐藏层单个节点的示意图；图3为本申请实施例一中通过神经网络系统预测得到的各个时间点的在线人数以及各个时间点的真实在线人数的曲线图；图4为本申请实施例二提供的一种基于历史数据的预测装置的结构框图；图5为本申请实施例三提供的一种终端设备的结构框图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。实施例一：参见图1，该图为本申请实施例一提供的一种基于历史数据的预测方法的流程图。本实施例提供的基于历史数据的预测方法包括如下步骤：步骤S101：获取预测项的历史数据，并利用神经网络系统对所述历史数据进行训练，得到预测模型。在本实施例中，所述预测项是指需要对未来数据进行预测的某个项或某些项，例如预测在线人数、网络流量、网络延迟时间等。本实施例根据预测项的历史数据来预测未来的数据。所述历史数据包括所述预测项的自身历史数据和所述预测项的相关历史数据，所述自身历史数据就是预测项自己的历史数据，自身历史数据可以是一个，也可以是多个；相关历史数据是指与预测项相关的历史数据。所述相关历史数据可以包括以下至少一种：与所述自身历史数据相邻的第一预设个数的时间点的历史数据、所述自身历史数据与相邻的第一预设个数的时间点的历史数据差值、与所述自身历史数据相邻的第二预设个数的时间点的历史数据之间的差值等等。通常情况下，自身历史数据具有一个时间点，与自身历史数据相邻的时间点可以是自身历史数据相邻的之前的时间点，也可以是之后的时间点。第一预设个数可以是一个，也可以是多个。所述第二预设个数至少为两个。若t时刻的自身历史数据表示为yt，t为自身历史数据的时间点。自身历史数据的时间点与相邻的第一预设个数的时间点的历史数据差值表示如下：其中Ti为前i个周期的相邻本文档来自技高网...

【技术保护点】
一种基于历史数据的预测方法，其特征在于，所述方法包括：获取预测项的历史数据，并利用神经网络系统对所述历史数据进行训练，得到预测模型，所述历史数据包括所述预测项的自身历史数据和所述预测项的相关历史数据，所述预测模型反映了所述自身历史数据与相关历史数据之间的关系；获取预测项的相关实际数据，并根据所述相关实际数据以及所述预测模型得到所述预测项的自身实际数据，实现基于所述预测项的历史数据对自身实际数据的预测，所述相关实际数据的时间点在所述自身实际数据的时间点之前。

【技术特征摘要】
1.一种基于历史数据的预测方法，其特征在于，所述方法包括：获取预测项的历史数据，并利用神经网络系统对所述历史数据进行训练，得到预测模型，所述历史数据包括所述预测项的自身历史数据和所述预测项的相关历史数据，所述预测模型反映了所述自身历史数据与相关历史数据之间的关系；获取预测项的相关实际数据，并根据所述相关实际数据以及所述预测模型得到所述预测项的自身实际数据，实现基于所述预测项的历史数据对自身实际数据的预测，所述相关实际数据的时间点在所述自身实际数据的时间点之前。2.根据权利要求1所述的方法，其特征在于，所述预测项的相关历史数据包括以下至少一种：与所述自身历史数据相邻的第一预设个数的时间点的历史数据、所述自身历史数据的时间点与相邻的第一预设个数的时间点的历史数据差值、与所述自身历史数据相邻的第二预设个数的时间点的历史数据之间的差值。3.根据权利要求1或2所述的方法，其特征在于，所述神经网络系统包括输入层、隐藏层和输出层；所述利用神经网络系统对所述历史数据进行训练，得到预测模型包括：将所述预测项的相关历史数据输入到所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出中间预测值；利用所述中间预测值与所述预测项的自身历史数据之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直到所述中间预测值与所述自身历史数据之间的差值在预设范围之内，得到训练完成的各节点的激活函数。4.根据权利要求3所述的方法，其特征在于，所述激活函数包括：sigmoid函数、tanh函数、relu函数、leakyrule函数或maxout函数。5.根据权利要求3所述的方法，其特征在于，所述优化算法包括：adam算法、SGD算法或Momentum算法。6.一种基于历史数据的预测装置，其特征在于，所述装置包括：历...

【专利技术属性】
技术研发人员：雷航，洪楷，刘伟，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44