模型训练方法、资源数据预测方法、装置和计算设备制造方法及图纸

本说明书实施例公开了一种模型训练方法、资源数据预测方法、装置和计算设备。所述资源数据预测方法包括：获取时序数据，所述时序数据包括多个业务时段内的资源数据；对所述时序数据进行小波分解，得到多个小波分解后的时序数据；将小波分解后的时序数据输入至预先训练的时序数据预测模型；对时序数据预测模型的输出进行小波重构，得到未来业务时段内的资源数据。本说明书实施例可以提高时序数据预测的准确性。

【技术实现步骤摘要】
模型训练方法、资源数据预测方法、装置和计算设备
本说明书实施例涉及人工智能
，特别涉及一种模型训练方法、资源数据预测方法、装置和计算设备。
技术介绍
时序数据预测在实际应用中具有非常大的实用价值。在目前的很多应用场景中，通常需要根据时序数据来预测未来业务时段内的资源数据。例如，在财务场景中，根据多个历史业务时段内的财务收支数据来预测未来业务时段内的财务收支数据。在人工智能领域的相关技术中，通常使用移动平均算法(MA)、自回归差分移动平均算法(ARIMA)、指数平滑算法(Holt-Winters)等来对时序数据进行预测。由于时序数据本身具有高复杂、非线性和信噪比低等特点，使得上述相关技术的预测效果较差。需要提供更为准确地的方案来对时序数据进行预测。
技术实现思路
本说明书实施例提供一种模型训练方法、资源数据预测方法、装置和计算设备，以提高时序数据预测的准确性。本说明书实施例的技术方案如下。本说明书实施例的第一方面，提供了一种模型训练方法，包括：获取训练集和测试集，所述训练集和所述测试集包括本文档来自技高网...

【技术保护点】
1.一种模型训练方法，包括：/n获取训练集和测试集，所述训练集和所述测试集包括时序数据；/n对训练集中的时序数据进行小波分解，得到多个小波分解后的训练集；/n根据小波分解后的训练集，对多个候选模型进行训练；/n根据测试集，计算训练后的多个候选模型的评价指标；/n根据评价指标，从训练后的多个候选模型中选取时序数据预测模型。/n

【技术特征摘要】
1.一种模型训练方法，包括：
获取训练集和测试集，所述训练集和所述测试集包括时序数据；
对训练集中的时序数据进行小波分解，得到多个小波分解后的训练集；
根据小波分解后的训练集，对多个候选模型进行训练；
根据测试集，计算训练后的多个候选模型的评价指标；
根据评价指标，从训练后的多个候选模型中选取时序数据预测模型。


2.如权利要求1所述的方法，所述获取训练集和测试集，包括：
获取多个时序数据作为样本数据，所述时序数据包括多个业务时段内的资源数据；
以时序数据中较早业务时段内的资源数据作为样本数据的特征数据，以时序数据中较晚业务时段内的资源数据作为样本数据的标签数据，按照预设划分规则，将所述多个时序数据划分为训练集和测试集，所述训练集和所述测试集包括多个样本数据。


3.如权利要求1所述的方法，所述多个小波分解后的训练集对应不同的尺度数；
所述对训练集中的时序数据进行小波分解，包括：
对训练集中的时序数据进行小波分解，得到多个小波尺度下的分解后的时序数据；
将每个小波尺度下的分解后的时序数据，计入与该小波尺度的尺度数相对应的训练集。


4.如权利要求1所述的方法，所述候选模型包括时间卷积网络模型；所述时间卷积网络模型包括卷积层、长短时记忆网络层、线性变换层；其中，所述卷积层用于从输入至候选模型的时序数据中提取特征，所述长短时记忆网络层用于利用卷积层提取的特征进行预测，所述线性变换层用于将长短时记忆网络层的预测结果变换为候选模型的输出。


5.如权利要求1所述的方法，所述多个候选模型通过如下方式获得：
设置多组超参数；
根据所述多组超参数，构建多个候选模型。


6.如权利要求1所述的方法，所述评价指标包括以下至少之一：平均绝对误差、平均绝对百分比误差、均方根误差、纳什模型效率指数。


7.一种资源数据预测方法，包括：
获取时序数据，所述时序数据包括多个业务时段内的资源数据；
对所述时序数据进行小波分解，得到多个小波分解后的时序数据；
将小波分解后...

【专利技术属性】
技术研发人员：殷璋琦，陆晟，瞿伟，孙雷，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11