一种基于时间序列的预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于时间序列的预测方法及装置，该方法包括获取待预测的时间序列，按照预设的多种时长格式将时间序列处理为多个不同时长的序列，将多个不同时长的序列输入到预测模型中，得到预测结果。预测模型是使用标记有时间序列和结果的训练集，对具有提取多种时长格式的时间序列的特征提取单元的预设神经网络模型，进行训练学习得到的。通过将待预测的时间序列处理成不同时间步长的序列，使得预测模型可以提取到不同时间步长的序列的特征，从而可以实现对不同时间步长的预测，能够提高预测的准确率，由于预测模型训练时使用了具有提取多种时长格式的时间序列的特征提取单元，能够解决时间步相差较大难以学习的问题。题。题。

【技术实现步骤摘要】
一种基于时间序列的预测方法及装置


[0001]本专利技术涉及金融科技(Fintech)
，尤其涉及一种基于时间序列的预测方法及装置。

技术介绍

[0002]随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技转变，但由于金融行业的安全性、实时性要求，也对技术提出更高的要求。
[0003]传统的循环神经网络(Recurrent Neural Network，RNN)类似的网络结构(包括长短期记忆网络(Long Short
‑
Term Memory，LSTM)、门控循环单元(Gated Recurrent Unit，GRU)等)在训练时更加注重彼此相邻的时间步之间的关系，由于传统的RNN的执行方式是相邻两个时间步顺序执行的，很难学习时间步相差比较大的模式。例如股票这种样本较小的数据，通过传统的RNN很难在学习相邻时间步之间的数据模式的同时保持对较长时间步的记忆。

技术实现思路

[0004]本专利技术实施例提供一种基于时间序列的预测方法及装置，用以解决现有技术中数据样本较小时难以学习时间步相差比较大的问题。
[0005]第一方面，本专利技术实施例提供一种基于时间序列的预测方法，包括：
[0006]获取待预测的时间序列；
[0007]按照预设的多种时长格式将所述时间序列处理为多个不同时长的序列；
[0008]将所述多个不同时长的序列输入到预测模型中，得到预测结果；
[0009]其中，所述预测模型是使用标记有时间序列和结果的训练集，对具有提取多种时长格式的时间序列的特征提取单元的预设神经网络模型，进行训练学习得到的。
[0010]上述技术方案中，通过将待预测的时间序列处理成不同时间步长的序列，使得预测模型可以提取到不同时间步长的序列的特征，从而可以实现对不同时间不长的预测，能够提高预测的准确率，由于预测模型训练时使用了具有提取多种时长格式的时间序列的特征提取单元，能够同时学习不同时长格式的时间序列，能够解决时间步相差较大难以学习的问题。同时由于可以将训练集中的时间序列处理为多个不同时长的时间序列，得到不同时序特征，通过将同一时间序列的不同时序特征进行汇总，可以保证该预测模型直接学习到多个不同时长的时序特征，而不需要大量数据进行传统RNN网络的时间步计算，可以解决样本量小的问题。
[0011]可选的，所述使用标记有时间序列和结果的训练集，对具有提取多种时长格式的时间序列的特征提取单元的预设神经网络模型，进行训练学习得到所述预测模型，包括：
[0012]将使用标记有时间序列和结果的训练集中的时间序列按照预设多种时长格式处理成多种不同时长的序列；
[0013]将所述多种不同时长的序列分别输入到所述预设神经网络模型中对应时长格式
的特征提取单元中进行特征提取，得到不同时序特征的特征序列；
[0014]将各特征提取单元输出的特征序列输入到所述预设神经网络模型的链接层进行合并，并进行预测，得到所述训练集中各时间序列对应的预测结果；
[0015]根据所述训练集中各时间序列对应的预测结果对所述预设神经网络模型进行反向传播，直到所述预设神经网络模型收敛，得到所述预测模型。
[0016]上述技术方案中，由于提取的特征序列涵盖了长期、中期、短期所有的时间序列的特征，可以使得训练好的预测模型能够预测长期、中期、短期所有的时间序列，从而提高预测的准确率，解决现有技术中因样本量小，时间步相差较大难以学习的问题。
[0017]可选的，根据所述训练集中各时间序列对应的预测结果对所述预设神经网络模型进行反向传播，包括：
[0018]根据所述训练集中各时间序列对应的预测结果、所述训练集中各时间序列和预设的损失函数，确定本轮训练的损失；
[0019]根据所述本轮训练的损失使用反向传播算法对所述预设神经网络模型中的参数进行更新。
[0020]上述技术方案中，针对损失使用反向传播算法对预设神经网络模型中的参数进行更新，能实现对预设神经网络模型的参数训练。
[0021]可选的，所述将所述多个不同时长的序列输入到预测模型中，得到的预测结果，包括：
[0022]将所述多个不同时长的序列输入到所述预测模型中不同时长格式的特征提取单元中，得到多个不同时长的序列对应的特征序列；
[0023]将所述多个不同时长的序列对应的特征序列进行合并，得到合并结果；
[0024]根据所述合并结果进行预测，得到预测结果。
[0025]上述技术方案中，通过将不同时长的序列对应的特征序列进行合并，可以同时使用所有时长的序列对应的特征进行预测，提高预测准确率。
[0026]可选的，所述将所述多个不同时长的序列对应的特征序列进行合并，得到合并结果，包括：
[0027]将所述多个不同时长的序列对应的特征序列进行相加操作，得到所述合并结果。
[0028]可选的，所述将所述多个不同时长的序列对应的特征序列进行合并，得到合并结果，包括：
[0029]将所述多个不同时长的序列对应的特征序列进行按维度拼接操作，得到所述合并结果。
[0030]第二方面，本专利技术实施例提供一种基于时间序列的预测装置，包括：
[0031]获取单元，用于获取待预测的时间序列；
[0032]处理单元，用于按照预设的多种时长格式将所述时间序列处理为多个不同时长的序列；将所述多个不同时长的序列输入到预测模型中，得到的预测结果；其中，所述预测模型是使用标记有时间序列和结果的训练集，对具有提取多种时长格式的时间序列的特征提取单元的预设神经网络模型，进行训练学习得到的。
[0033]可选的，所述处理单元具体用于：
[0034]将使用标记有时间序列和结果的训练集中的时间序列按照预设多种时长格式处
理成多种不同时长的序列；
[0035]将所述多种不同时长的序列分别输入到所述预设神经网络模型中对应时长格式的特征提取单元中进行特征提取，得到不同时序特征的特征序列；
[0036]将各特征提取单元输出的特征序列输入到所述预设神经网络模型的链接层进行合并，并进行预测，得到所述训练集中各时间序列对应的预测结果；
[0037]根据所述训练集中各时间序列对应的预测结果对所述预设神经网络模型进行反向传播，直到所述预设神经网络模型收敛，得到所述预测模型。
[0038]可选的，所述处理单元具体用于：
[0039]根据所述训练集中各时间序列对应的预测结果、所述训练集中各时间序列和预设的损失函数，确定本轮训练的损失；
[0040]根据所述本轮训练的损失使用反向传播算法对所述预设神经网络模型中的参数进行更新。
[0041]可选的，所述处理单元具体用于：
[0042]将所述多个不同时长的序列输入到所述预测模型中不同时长格式的特征提取单元中，得到多个不同时长的序列对应的特征序列；
[0043]将所述多个不同时长的序列对应的特征序列进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列的预测方法，其特征在于，包括：获取待预测的时间序列；按照预设的多种时长格式将所述时间序列处理为多个不同时长的序列；将所述多个不同时长的序列输入到预测模型中，得到预测结果；其中，所述预测模型是使用标记有时间序列和结果的训练集，对具有提取多种时长格式的时间序列的特征提取单元的预设神经网络模型，进行训练学习得到的。2.如权利要求1所述的方法，其特征在于，所述使用标记有时间序列和结果的训练集，对具有提取多种时长格式的时间序列的特征提取单元的预设神经网络模型，进行训练学习得到所述预测模型，包括：将使用标记有时间序列和结果的训练集中的时间序列，按照预设多种时长格式处理成多种不同时长的序列；将所述多种不同时长的序列分别输入到所述预设神经网络模型中对应时长格式的特征提取单元中进行特征提取，得到不同时序特征的特征序列；将各特征提取单元输出的特征序列输入到所述预设神经网络模型的链接层进行合并，并进行预测，得到所述训练集中各时间序列对应的预测结果；根据所述训练集中各时间序列对应的预测结果对所述预设神经网络模型进行反向传播，直到所述预设神经网络模型收敛，得到所述预测模型。3.如权利要求2所述的方法，其特征在于，根据所述训练集中各时间序列对应的预测结果对所述预设神经网络模型进行反向传播，包括：根据所述训练集中各时间序列对应的预测结果、所述训练集中各时间序列和预设的损失函数，确定本轮训练的损失；根据所述本轮训练的损失使用反向传播算法对所述预设神经网络模型中的参数进行更新。4.如权利要求1至3任一项所述的方法，其特征在于，所述将所述多个不同时长的序列输入到预测模型中，得到的预测结果，包括：将所述多个不...

【专利技术属性】
技术研发人员：梁新乐，张潮宇，陈天健，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：