信息预测方法以及装置制造方法及图纸

本说明书实施例提供了信息预测方法以及装置，其中，信息预测方法包括：首先获取第一历史时间段的包括多个时间序列的历史时序信息，然后将历史时序信息输入预先训练的由多个串联的时序子模型组成的时序模型，得到各时序子模型输出的目标时间段的预测时序向量，其中，时序子模型间加入了回测机制，最后对各时序子模型输出的预测时序向量进行聚合，得到聚合结果，基于聚合结果，确定目标时间段的预测信息。同时输入多条时间序列，提升了预测的效率，同时可以捕捉时间序列之间的关联性，得到的预测信息更加精准，同时时序模型具有多个时序子模型，可以对不同场景处理，而不需要建立多个模型，节省了成本。节省了成本。节省了成本。

【技术实现步骤摘要】
信息预测方法以及装置


[0001]本说明书实施例涉及人工智能
，特别涉及一种信息预测方法。

技术介绍

[0002]随着互联网技术的发展，线下零售业、线上电商行业、金融信贷业等行业中对未来信息的准确预测，可以指导企业、机构、个人更好地对目前的管理运营做出正确的决策，获得更大的利润和好处。
[0003]当前，主要是通过神经网络预测模型来对未来信息作出预测，但是，根据过去一段时间的历史信息，去预测未来一段时间的信息，一般只有一条历史数据，可以处理的场景有限。例如，根据某店面2021年全年每个月的销售量，去预测2022年全年每个月的销售量，因为2021年每个月的销售量是已经确定的，只存在一种数据，这样单一种类的历史数据仅能够预测未来一段时间单一的信息，预测模型存在很大局限性。因此，亟需一种针对复杂场景的信息预测方案。

技术实现思路

[0004]有鉴于此，本说明书施例提供了一种信息预测方法。本说明书一个或者多个实施例同时涉及一种信息预测装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
[0005]根据本说明书实施例的第一方面，提供了一种信息预测方法，包括：
[0006]获取第一历史时间段的历史时序信息，其中，历史时序信息包括多个时间序列；
[0007]将历史时序信息输入预先训练的时序模型，经时序模型中多个串联的时序子模型，得到各时序子模型输出的目标时间段的预测时序向量，其中，除第一个时序子模型的输入为历史时序信息以外，其他时序子模型的输入为上一个时序子模型输出的第一历史时间段的回测时序向量；
[0008]对各时序子模型输出的预测时序向量进行聚合，得到聚合结果；
[0009]基于聚合结果，确定目标时间段的预测信息。
[0010]根据本说明书实施例的第二方面，提供了一种信息预测装置，包括：
[0011]时序模块，被配置为获取第一历史时间段的历史时序信息，其中，历史时序信息包括多个时间序列；将历史时序信息输入预先训练的时序模型，经时序模型中多个串联的时序子模型，得到各时序子模型输出的目标时间段的预测时序向量，其中，除第一个时序子模型的输入为历史时序信息以外，其他时序子模型的输入为上一个时序子模型输出的第一历史时间段的回测时序向量；
[0012]预测模块，被配置为对各时序子模型输出的目标时间段的预测时序向量进行聚合，得到时序聚合结果，基于聚合结果，确定目标时间段的预测信息。
[0013]根据本说明书实施例的第三方面，提供了一种计算设备，包括：
[0014]存储器和处理器；
[0015]存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，该计算机可执行指令被处理器执行时实现上述信息预测方法的步骤。
[0016]根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述信息预测方法的步骤。
[0017]根据本说明书实施例的第五方面，提供了一种计算机程序，其中，当计算机程序在计算机中执行时，令计算机执行上述信息预测方法的步骤。
[0018]本说明书一个或多个实施例中，通过将获取的第一历史时间段的历史时序信息输入预先训练的时序模型，经时序模型中多个串联的时序子模型，得到各时序子模型输出的目标时间段的预测时序向量，其中除第一个时序子模型以外的其他时序子模型的输入为上一个时序子模型输出的第一历史时间段的回测时序向量，然后对各时序子模型输出的预测时序向量进行聚合，基于聚合结果即可确定出目标时间段的预测信息。由于时序模型是预先训练的多层子模型结构，多层子模型结构能够对第一历史时间段的时序向量进行多次回测，并且基于每一次的回测时序向量对目标时间段的时序向量进行预测，因此，可同时输入多个时间序列，利用一个时序模型实现输入多个时间序列的情况下的信息预测，无需针对每个时间序列分别建立时序模型，提升了信息预测的效率、能够适用于复杂场景，并且多个时间序列会同时参与时序子模型的计算，意味着多个时间序列之间是共享模型参数的，从而时序模型能够捕捉到多个时间序列之间的相似性关系，使得信息预测的结果更为准确。
附图说明
[0019]图1是本说明书一个实施例提供的一种信息预测方法的流程图；
[0020]图2是本说明书一个实施例提供的一种信息预测方法中各时序子模型得到目标时间段的预测时序向量的处理过程流程图；
[0021]图3是本说明书一个实施例提供的一种信息预测方法中时序模型的训练流程图；
[0022]图4是本说明书一个实施例提供的另一种信息预测方法的流程图；
[0023]图5是本说明书一个实施例提供的又一种信息预测方法的流程图；
[0024]图6是本说明书一个实施例提供的一种可插拔式的多变量多元时间序列的信息预测架构图；
[0025]图7是本说明书一个实施例提供的一种信息预测装置的结构示意图；
[0026]图8是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
[0027]在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
[0028]在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0029]应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0030]首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
[0031]时序预测：是指根据在历史时间段内统计数据的时间序列，对未来的数据变化趋势进行预测分析。
[0032]一元时间序列：是指单个数据在历史时间段内的统计所构成的序列。例如地区用电量在过去一年的统计结果。
[0033]多元时间序列：包含多个一元时间序列，各个一元时间序列的采样时间点相同。例如，多个不同商家在同一历史时间段内的销售额。
[0034]单变量时间序列：是指在历史时间段内仅包含一个变量的数据，例如店铺的销量。
[0035]多变量时间序列：是指在历史时间段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息预测方法，包括：获取第一历史时间段的历史时序信息，其中，所述历史时序信息包括多个时间序列；将所述历史时序信息输入预先训练的时序模型，经所述时序模型中多个串联的时序子模型，得到各时序子模型输出的目标时间段的预测时序向量，其中，除第一个时序子模型的输入为所述历史时序信息以外，其他时序子模型的输入为上一个时序子模型输出的所述第一历史时间段的回测时序向量；对所述各时序子模型输出的预测时序向量进行聚合，得到聚合结果，基于所述聚合结果，确定所述目标时间段的预测信息。2.根据权利要求1所述的方法，所述时序子模型包括：自注意力编码层、深度神经网络编码层和双向预测编码层；所述经所述时序模型中多个串联的时序子模型，得到各时序子模型输出的目标时间段的预测时序向量，包括：针对任一时序子模型的输入，利用所述自注意力编码层，对所述输入进行编码，得到第一特征向量；将所述第一特征向量输入所述深度神经网络编码层，经所述深度神经网络编码层中的多个全连接层顺序编码，得到第二特征向量；将所述第二特征向量输入所述双向预测编码层，经所述双向预测编码层中的回测层编码得到所述第一历史时间段的回测时序向量，经所述双向预测编码层中的预测层编码得到所述目标时间段的预测时序向量。3.根据权利要求2所述的方法，所述利用所述自注意力编码层，对所述输入进行编码，得到第一特征向量，包括：针对所述自注意力编码层的输入，采用预设的自注意力运算机制，并行获得多个权重矩阵；对所述多个权重矩阵进行融合，得到第一特征向量。4.根据权利要求1
‑
3任一项所述的方法，在所述将所述历史时序信息输入预先训练的时序模型之前，还包括：获取训练样本，其中，所述训练样本包括样本时序信息，所述样本时序信息包括多个时间序列；将所述训练样本输入预设神经网络，获得回测时序信息，其中，所述预设神经网络包括多个串联的时序子模型，除第一个时序子模型的输入为所述训练样本以外，其他时序子模型的输入为上一个时序子模型输出的回测时序向量，所述回测时序信息基于最后一个时序子模型输出的回测时序向量得到；根据所述回测时序信息和所述样本时序信息，计算损失值；基于所述损失值调整所述预设神经网络的网络参数，并返回执行所述获取训练样本的步骤，直至满足预设训练停止条件的情况下，获得完成训练的时序模型。5.根据权利要求1
...

【专利技术属性】
技术研发人员：赵叶宇，范芳芳，方彦明，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：