一种基于机器学习的时间序列预测方法、系统及电子设备技术方案

本发明专利技术提供一种基于机器学习的时间序列预测方法，该方法通过真实时间序列训练多个第一预测模型得到第二预测模型，并通过第二预测模型获得多个预测时间序列，并将多个预测时间序列根据在同一时间节点对应的预测值与真实值进行拼接，获得多个数据集，基于多个数据集对初始机器学习回归模型进行训练以获得最终机器学习回归模型，最后通过最终机器学习回归模型获得预测结果。将预测值与真实值进行拼接，而构造多个数据集，使得初始机器学习回归模型在训练时无需进行人工操作划定时间窗口，提高了预测模型的预测准确度，减少人工成本。进一步，通过设置传统的预测模型与机器学习回归模型的两级分层结构，提升预测的准确度。

【技术实现步骤摘要】
一种基于机器学习的时间序列预测方法、系统及电子设备
本专利技术涉及时间序列预测领域，特别涉及一种基于机器学习的时间序列预测方法、系统及电子设备。
技术介绍
时间序列是按时间索引顺序排列的一组数字序列，序列的背后反映的是某一现象的变化规律。时间序列问题就是对这一动态序列进行建模，捕捉数字背后的变化规律，以预测未来的变化。这种问题在现实生活中非常常见，如“销量预测”，“未来温度预测”等。现有的时间序列预测的解决思路通常分为两种，一种是通过传统的预测模型，例如，自回归模型(AR)、移动平均模型(MA)及自回归滑动平均模型(ARMA)等，但传统的预测模型对具有多维度的特征时只能对每一维度的特征分别进行建模预测，效率较低，并且有复杂冗余的预处理过程，而且在选择统计模型上也有各自的准则。另一种是基于机器学习的时间序列分析方法可针对多维度的参数进行统一建模，但模型建立所需的数据集中时间窗口需要人为设定，时间窗口不易确定，其预测结果不准确。
技术实现思路
为了克服目前现有基于机器学习的时间序列预测方法中预测不准确的问题，本专利技术提供一种基于机器学习的时间序列预测方法、系统及电子设备。本专利技术为解决上述技术问题，提供一技术方案如下：一种基于机器学习的时间序列预测方法，包括如下步骤:步骤S1：获取具有多个时间节点、每个时间节点对应的真实值的真实时间序列及至少两个第一预测模型；步骤S2：将所述真实时间序列分别输入至每个第一预测模型进行训练，以对应获得第二预测模型；步骤S3：基于所述真实时间序列的多个时间节点，每个第二预测模型在相同的时间节点上进行预测获得预测时间序列；步骤S4：将每个第二预测模型在同一时间节点的预测值以及在同一时间节点对应的真实值进行拼接，获得多个数据集；及步骤S5：将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，基于所述第二预测模型及所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。优选地，上述步骤S1与步骤S2之间还包括步骤S10：对所述真实时间序列的数据进行预处理，以获得平稳的真实时间序列。优选地，步骤S10具体包括如下步骤：步骤S101：将所述真实时间序列转化为时序图；步骤S102：基于时序图的分布特点判断所述真实时间序列是否为平稳序列，若是，则进入步骤S103，若否，则进入步骤S104；步骤S103：将真实时间序列输入至第一预测模型中；及步骤S104：对真实时间序列进行平稳化处理后输入至第一预测模型中。优选地，步骤S1中所述至少两个第一预测模型为包括自回归模型、移动平均模型、自回归滑动平均模型及自回归差分移动平均模型的多种组合。优选地，上述步骤S4中，所述数据集包括预测时间序列与真实时间序列在同一时间节点对应的预测值与真实值，以及在该时间节点下预设的预设值。优选地，步骤S5具体包括如下步骤：步骤S51：以所述预测时间序列对应的预测值及预设值作为训练特征，真实时间序列的真实值作为目标特征，以训练特征与目标特征组合作为数据集；步骤S52：将所述数据集输入至初始机器学习回归模型中，对所述初始机器学习回归模型进行回归训练，获得最终机器学习回归模型；及步骤S53：将真实时间序列依次输入至第二预测模型及最终机器学习回归模型，获得预测结果。本专利技术还提供一种基于机器学习的时间序列预测系统，包括：预测准备单元，用于获取真实时间序列及至少两个第一预测模型；模型训练单元，用于基于真实时间序列，对所述第一预测模型训练获得第二预测模型；第一预测单元，用于基于所述真实时间序列的多个时间节点，第二预测模型在相同的时间节点上进行预测获得预测时间序列；及数据重组单元，用于将每个第二预测模型在同一时间节点的预测值进行拼接，获得多个数据集；及第二预测单元，用于将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，基于所述第二预测模型及所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。优选地，还包括预处理单元；预处理单元，用于对所述时间序列的数据进行预处理，以获得平稳的真实时间序列。优选地，所述第二预测单元包括：数据集生成单元，用于以所述预测时间序列对应的预测值及预设值作为训练集，真实时间序列的真实值作为测试集，以训练集与测试集组合作为数据集；模型获取单元，用于将所述数据集输入至初始机器学习回归模型中，对所述初始机器学习回归模型进行回归训练，获得最终机器学习回归模型；及数据集输入单元，用于将真实时间序列依次输入至第二预测模型及最终机器学习回归模型，获得预测结果。本专利技术还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行上述任一项中所述的基于机器学习的时间序列预测方法；所述处理器被设置为通过所述计算机程序执行上述任一项中所述的基于机器学习的时间序列预测方法。与现有技术相比，本专利技术提供的一种基于机器学习的时间序列预测方法、系统及电子设备，具有以下优点：1、通过真实时间序列训练多个第一预测模型得到第二预测模型，并通过第二预测模型获得预测时间序列，并将多个预测时间序列根据在同一时间节点对应的预测值与真实值进行拼接，获得多个数据集，基于多个数据集对初始机器学习回归模型进行训练以获得最终机器学习回归模型，最后通过最终机器学习回归模型获得预测结果。通过设置至少两个第一预测模型，使得预测模型可覆盖时间序列出现的多种趋势，提高了预测模型的泛化能力，同时，将多个预测时间序列根据在同一时间节点对应的预测值与真实值进行拼接，自动构造多个数据集，使得所述初始机器学习回归模型在训练时无需进行人工操作划定时间窗口，提高了预测模型的预测准确度，减少人工成本。进一步，通过设置传统的预测模型与机器学习回归模型的两级分层结构，提升预测的准确度。2、通过对真实时间序列进行预处理，以检验时间序列的平稳性，以确保后续步骤中预测模型对真实时间序列预测的准确性和可行性。3、通过设置至少两个第一预测模型，所述至少两个第一预测模型为包括自回归模型、移动平均模型、自回归滑动平均模型及自回归差分移动平均模型的多种组合，使得本专利技术提供的一种基于机器学习的时间序列预测方法、系统及电子设备可适应多种类型的时间序列，提高了对真实时间序列预测的准确度。4、通过在所述数据集中加入预设值，使得机器学习回归模型可对数据集中的预测值、真实值以及对应的预设值进行拟合，通过处理更高维度的特征，以获得更高精度的预测值。5、通过将任一时间节点输入至最终机器学习回归模型中，获得任一时间节点对应的预测值，使得所述最终机器学习回归模型可针对任一时间节点进行预测。【附图说明】图1为本专利技术第一实施例提供的一种基于机器学习的时间序列预测方法的整体流程图。图2为本专利技术第一实施例提供的一种基于机器学习的时间序列预测方法中步骤S10的流程图。图3为本专利技术第一实施例提供的一种基于机器学习的时间序列预测方法中步骤S10的细节流程图。图4为本专利技术第一实施例提供的一种基于机器学习的时间序列预测方法的步骤S5的细节流程图。图5为本专利技术第二实施例提供的一种基于机器学习的时间序列预测系统的模块图。图6为本专利技术第二实施例提供的一种基于机器学习的时间序列预测系统中第二预测单元的模块图。图7为本专利技术第三实施例提本文档来自技高网...

【技术保护点】
1.一种基于机器学习的时间序列预测方法，其特征在于，包括如下步骤:步骤S1：获取具有多个时间节点、每个时间节点对应的真实值的真实时间序列及至少两个第一预测模型；步骤S2：将所述真实时间序列分别输入至每个第一预测模型进行训练，以对应获得第二预测模型；步骤S3：基于所述真实时间序列的多个时间节点，每个第二预测模型在相同的时间节点上进行预测获得预测时间序列；步骤S4：将每个第二预测模型在同一时间节点的预测值以及在同一时间节点对应的真实值进行拼接，获得多个数据集；及步骤S5：将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，基于所述第二预测模型及所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。

【技术特征摘要】
1.一种基于机器学习的时间序列预测方法，其特征在于，包括如下步骤:步骤S1：获取具有多个时间节点、每个时间节点对应的真实值的真实时间序列及至少两个第一预测模型；步骤S2：将所述真实时间序列分别输入至每个第一预测模型进行训练，以对应获得第二预测模型；步骤S3：基于所述真实时间序列的多个时间节点，每个第二预测模型在相同的时间节点上进行预测获得预测时间序列；步骤S4：将每个第二预测模型在同一时间节点的预测值以及在同一时间节点对应的真实值进行拼接，获得多个数据集；及步骤S5：将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，基于所述第二预测模型及所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。2.如权利要求1中所述基于机器学习的时间序列预测方法，其特征在于：上述步骤S1与步骤S2之间还包括步骤S10：步骤S10：对所述真实时间序列的数据进行预处理，以获得平稳的真实时间序列。3.如权利要求2中所述基于机器学习的时间序列预测方法，其特征在于：步骤S10具体包括如下步骤：步骤S101：将所述真实时间序列转化为时序图；步骤S102：基于时序图的分布特点判断所述真实时间序列是否为平稳序列，若是，则进入步骤S103，若否，则进入步骤S104；步骤S103：将真实时间序列输入至第一预测模型中；及步骤S104：对真实时间序列进行平稳化处理后输入至第一预测模型中。4.如权利要求1中所述基于机器学习的时间序列预测方法，其特征在于：步骤S1中所述至少两个第一预测模型为包括自回归模型、移动平均模型、自回归滑动平均模型及自回归差分移动平均模型的多种组合。5.如权利要求1中所述基于机器学习的时间序列预测方法，其特征在于：上述步骤S4中，所述数据集包括预测时间序列与真实时间序列在同一时间节点对应的预测值与真实值，以及在该时间节点下预设的预设值。6.如权利要求5中所述基于机器学习的时间序列预测方法，其特征在于：步骤S5具体包括如下步骤：步骤S51：以所述预测时间序列对应的预测值及预设值作为训练特征，真实...

【专利技术属性】
技术研发人员：张发恩，田贵成，陈文嘉，
申请(专利权)人：创新奇智成都科技有限公司，
类型：发明
国别省市：四川,51