数据预测方法、装置、物流货量预测方法、介质、设备制造方法及图纸

本发明专利技术实施例是关于一种数据预测方法、装置、物流货量预测方法、介质、设备，涉及大数据处理技术领域，该基于时间序列的数据预测方法包括：获取历史时间序列数据，并根据所述历史时间序列数据中各时序数据的时序特征得到各所述时序数据的时序特征矩阵；利用各所述时序数据的时序特征矩阵以及预设的模型分类器对多个时序预测模型进行分类，得到各所述时序数据的目标预测模型；利用所述目标预测模型对各所述时序数据在未来时间段的数据进行预测得到预测结果，并对所述预测结果进行展示。本发明专利技术实施例提高了目标预测模型的选择效率，同时也提高了对各时序数据在未来时间段的数据进行预测的效率。

【技术实现步骤摘要】
数据预测方法、装置、物流货量预测方法、介质、设备
本专利技术实施例涉及大数据处理
，具体而言，涉及一种基于时间序列的数据预测方法、基于时间序列的数据预测装置、基于时间序列的物流货量预测方法、基于时间序列的物流货量预测装置、计算机可读存储介质以及电子设备。
技术介绍
时间序列预测是基于历史观测数据训练模型，然后输出未来时间的预测结果，与其他机器学习方法类似，时间序列预测模型也会面临“过拟合”问题，表现为有些模型在历史训练数据上拟合的很好，但在未来时间的预测误差较大。由于未来时间的数据无法在现在观测到，无法通过未来数据选择误差最小的模型，因此需要基于历史训练数据进行模型选择(ModelSelection)。在现有的模型选择方法中，大多数是基于时间序列交叉验证的模型选择方法。具体的，对于树模型等大多数机器学习模型来说，无法通过信息量准则进行模型选择，通常采用时序交叉验证的方法，在历史数据上划分训练时间段和验证时间段，全部候选模型使用训练时间段数据进行训练，然后比较验证时间段的预测准确率，胜出的模型被认为是选择出的预测性能较好的模型。但是，上述模型选择方法存在如下缺陷：基于时间序列交叉验证的模型选择方法需要对每条时序使用每个模型单独进行模型选择，时间复杂度的阶数为M*N；其中，N为时间序列个数，M为待选预测模型个数，因此会使得模型选择的效率较低。因此，需要提供一种新的基于时间序列的数据预测方法及装置。需要说明的是，在上述
技术介绍
部分专利技术的信息仅用于加强对本专利技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本专利技术的目的在于提供一种基于时间序列的数据预测方法、基于时间序列的数据预测装置、基于时间序列的物流货量预测方法、基于时间序列的物流货量预测装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的模型选择效率较低的问题。根据本公开的一个方面，提供一种基于时间序列的数据预测方法，包括：获取历史时间序列数据，并根据所述历史时间序列数据中各时序数据的时序特征得到各所述时序数据的时序特征矩阵；利用各所述时序数据的时序特征矩阵以及预设的模型分类器对多个时序预测模型进行分类，得到各所述时序数据的目标预测模型；其中，所述模型分类器是利用所述历史时间序列数据对初始网络模型进行训练得到的；利用所述目标预测模型对各所述时序数据在未来时间段的数据进行预测得到预测结果，并对所述预测结果进行展示。在本公开的一种示例性实施例中，所述基于时间序列的数据预测方法还包括：根据所述历史时间序列数据得到训练集数据以及验证集数据，并利用所述训练集数据中的各所述时序数据对各所述时序预测模型分别进行训练；利用训练后的各所述时序预测模型对所述验证集数据中的各所述时序数据进行预测得到多个预测结果，并计算各所述预测结果以及与各所述预测结果对应的实际结果之间的差值；将差值最小的时序预测模型作为与所述预测结果对应的所述时序数据的当前预测模型；利用所述验证集数据中的各时序数据的当前预测模型以及各时序数据的时序特征矩阵对初始网络模型进行训练，得到所述模型分类器。在本公开的一种示例性实施例中，根据所述历史时间序列数据得到训练集数据以及验证集数据包括：利用自助采样法对所述历史时间序列数据进行采样，得到所述训练集数据以及验证集数据。在本公开的一种示例性实施例中，利用所述验证集数据中的各时序数据的当前预测模型以及各时序数据的时序特征矩阵对初始网络模型进行训练，得到所述模型分类器包括：将所述验证集数据中的各时序数据的时序特征矩阵分别输入至所述初始网络模型中得到多个输出结果；其中，所述初始网络模型包括决策树模型、提升树模型、随机森林模型以及神经网络模型中的至少一种；判断各所述输出结果与各时序数据的当前预测模型是否相同；在确定各所述输出结果与各所述当前预测模型相同时，将所述初始网络模型作为所述模型分类器。在本公开的一种示例性实施例中，根据所述历史时间序列中各时序数据的时序特征得到各所述时间序列的时序特征矩阵包括：提取所述历史时间序列中的各时序数据的时序特征；其中，所述时序特征包括时序长度、趋势性、季节性、线性、陡增性、谱熵、间隔性、波动性、自相关性以及偏自相关性中的多种；根据各所述时序特征得到各所述时间序列的时序特征矩阵。在本公开的一种示例性实施例中，所述时序预测模型包括差分整合移动平均自回归模型、指数平滑模型、时间序列分解模型、Theta模型以及模型中的多种。根据本公开的一个方面，提供一种基于时间序列的物流货量预测方法，包括：获取历史货量时间序列数据，并根据所述历史货量时间序列数据的时序特征得到所述历史货量时间序列数据的时序特征矩阵；利用时序特征矩阵以及预设的模型分类器对多个时序预测模型进行分类，得到所述历史货量时间序列数据的目标预测模型；其中，所述模型分类器是利用所述历史货量时间序列数据对提升树算法模型进行训练得到的；利用所述目标预测模型对历史货量时间序列数据在未来时间段的数据进行预测得到预测结果，并对所述预测结果进行展示，以使得用户根据所述预测结果配置所需的物流货量。在本公开的一种示例性实施例中，所述基于时间序列的物流货量预测方法还包括：对所述历史货量时间序列数据进行归一化处理，并根据归一化处理后的历史货量时间序列数据训练集数据以及验证集数据；利用所述训练集数据对各所述时序预测模型分别进行训练，并利用训练后的各所述时序预测模型对所述验证集数据进行预测得到多个预测结果；计算各所述预测结果以及与各所述预测结果对应的实际结果之间的差值，并将差值最小的时序预测模型作为所述历史货量时间序列数据的目标预测模型；根据所述目标预测模型以及所述验证集数据的时序特征矩阵对初始分类器进行训练，得到所述历史货量时间序列数据的模型分类器。根据本公开的一个方面，提供一种基于时间序列的数据预测装置，包括：数据获取模块，用于获取历史时间序列数据，并根据所述历史时间序列数据中各时序数据的时序特征得到各所述时序数据的时序特征矩阵；目标预测模型确定模块，用于利用各所述时序数据的时序特征矩阵以及预设的模型分类器对多个时序预测模型进行分类，得到各所述时序数据的目标预测模型；其中，所述模型分类器是利用所述历史时间序列数据对初始网络模型进行训练得到的；数据预测模块，用于利用所述目标预测模型对各所述时序数据在未来时间段的数据进行预测得到预测结果，并对所述预测结果进行展示。根据本公开的一个方面，提供一种基于时间序列的物流货量预测装置，包括：时序特征矩阵确定模块，用于获取历史货量时间序列数据，并根据所述历史货量时间序列数据的时序特征得到所述历史货量时间序列数据的时序特征矩阵；时序预测模型分类模块，用于利用时序特征矩阵以及预设的模型分类器对多个时序预测模型进行分类，得本文档来自技高网...

【技术保护点】
1.一种基于时间序列的数据预测方法，其特征在于，包括：/n获取历史时间序列数据，并根据所述历史时间序列数据中各时序数据的时序特征得到各所述时序数据的时序特征矩阵；/n利用各所述时序数据的时序特征矩阵以及预设的模型分类器对多个时序预测模型进行分类，得到各所述时序数据的目标预测模型；其中，所述模型分类器是利用所述历史时间序列数据对初始网络模型进行训练得到的；/n利用所述目标预测模型对各所述时序数据在未来时间段的数据进行预测得到预测结果，并对所述预测结果进行展示。/n

【技术特征摘要】
1.一种基于时间序列的数据预测方法，其特征在于，包括：
获取历史时间序列数据，并根据所述历史时间序列数据中各时序数据的时序特征得到各所述时序数据的时序特征矩阵；
利用各所述时序数据的时序特征矩阵以及预设的模型分类器对多个时序预测模型进行分类，得到各所述时序数据的目标预测模型；其中，所述模型分类器是利用所述历史时间序列数据对初始网络模型进行训练得到的；
利用所述目标预测模型对各所述时序数据在未来时间段的数据进行预测得到预测结果，并对所述预测结果进行展示。


2.根据权利要求1所述的基于时间序列的数据预测方法，其特征在于，所述基于时间序列的数据预测方法还包括：
根据所述历史时间序列数据得到训练集数据以及验证集数据，并利用所述训练集数据中的各所述时序数据对各所述时序预测模型分别进行训练；
利用训练后的各所述时序预测模型对所述验证集数据中的各所述时序数据进行预测得到多个预测结果，并计算各所述预测结果以及与各所述预测结果对应的实际结果之间的差值；
将差值最小的时序预测模型作为与所述预测结果对应的所述时序数据的当前预测模型；
利用所述验证集数据中的各时序数据的当前预测模型以及各时序数据的时序特征矩阵对初始网络模型进行训练，得到所述模型分类器。


3.根据权利要求2所述的基于时间序列的数据预测方法，其特征在于，根据所述历史时间序列数据得到训练集数据以及验证集数据包括：
利用自助采样法对所述历史时间序列数据进行采样，得到所述训练集数据以及验证集数据。


4.根据权利要求2所述的基于时间序列的数据预测方法，其特征在于，利用所述验证集数据中的各时序数据的当前预测模型以及各时序数据的时序特征矩阵对初始网络模型进行训练，得到所述模型分类器包括：
将所述验证集数据中的各时序数据的时序特征矩阵分别输入至所述初始网络模型中得到多个输出结果；其中，所述初始网络模型包括决策树模型、提升树模型、随机森林模型以及神经网络模型中的至少一种；
判断各所述输出结果与各时序数据的当前预测模型是否相同；
在确定各所述输出结果与各所述当前预测模型相同时，将所述初始网络模型作为所述模型分类器。


5.根据权利要求1所述的基于时间序列的数据预测方法，其特征在于，根据所述历史时间序列中各时序数据的时序特征得到各所述时间序列的时序特征矩阵包括：
提取所述历史时间序列中的各时序数据的时序特征；其中，所述时序特征包括时序长度、趋势性、季节性、线性、陡增性、谱熵、间隔性、波动性、自相关性以及偏自相关性中的多种；
根据各所述时序特征得到各所述时间序列的时序特征矩阵。


6.根据权利要求1-5任一项所述的基于时间序列的数据预测方法，其特征在于，所述时序预测模型包括差分整合移动平均自回归模型、指数平滑模型、时间序列分解模型、Theta模型以及模型中的多种。


7.一种基于时间序列的物流货量预测方法，其特征在于，包括：
获取历史货量时间序列数据，并根据所述历史货量时间序列数据的时序特征得到所述历史货量时间序列数据的时序特征矩阵；
...

【专利技术属性】
技术研发人员：耿东阳，
申请(专利权)人：北京京邦达贸易有限公司，北京京东振世信息技术有限公司，
类型：发明
国别省市：北京;11