本发明专利技术公开一种基于自动学习预测及控制时间序列数据的方法及装置。根据一实施例的基于自动学习预测及控制时间序列数据的方法，包括以下步骤：根据各个模型的条件学习多个时间序列数据预测模型；在经过学习的时间序列数据预测模型中，确定满足预定条件的一个以上的最优模型；以及通过组合一个以上的最优模型来生成最终模型，其中，多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。测模型中的至少一个。测模型中的至少一个。
【技术实现步骤摘要】
【国外来华专利技术】基于自动学习预测及控制时间序列数据的方法及装置
[0001]以下实施例涉及一种用于基于自动学习预测及控制时间序列数据的方法及设备，更具体地，涉及一种基于自动学习的人工智能学习及验证技术，其仅使用适当量的学习时间序列数据就可以精确预测未来。
技术介绍
[0002]在金融和制造业等领域，人们通常必须识别时间序列和顺序数据的变化，并做出适当的判断。例如，证券公司的专业投资者监控汇率和利率等市场价值的变化，并预测投资的时间和金额；工厂设备的操作员检查温度、压力及流量信息，并预测设施的条件，以执行最优控制。然而，由于对股票和汇率等时间序列数据的分析涉及复杂的因素，因此很难确定哪些因素会产生影响。
[0003]与传统的统计分析相比，人工智能技术的最新进展在预测方面显示出了优越的预测性能。然而，现有的人工智能模型存在一个问题，即基于数据学习的模型缺乏随时间推移的再学习，因此其一致性随时间推移而降低。此外，现有的人工智能模型只关注异常数据的诊断，因此不适合自动学习并提供最优的设施控制和投资技术。
技术实现思路
[0004]要解决的技术问题
[0005]实施例不仅基于机器学习模型执行学习和预测，还通过自动学习深度学习模型来选择最优模型。
[0006]实施例旨在提供用于优化控制目标变量的自动学习功能。
[0007]实施例旨在提供学习深度学习模型及对时间序列深度学习模型的描述的功能。
[0008]本专利技术中要解决的技术问题并不限于上述问题，本领域技术人员可以从下面的描述中清楚地理解本文未提及的其他技术问题。
[0009]解决问题的技术方法
[0010]根据一实施例的基于自动学习预测及控制时间序列数据的方法，包括以下步骤：根据各个模型的条件学习多个时间序列数据预测模型；在所述经过学习的时间序列数据预测模型中，确定满足预定条件的一个以上的最优模型；以及通过组合所述一个以上的最优模型来生成最终模型，其中，所述多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。
[0011]根据一实施例的基于自动学习预测及控制时间序列数据的方法，还可以包括以下步骤：接收用于预测时间序列数据的目标变量数据；以及将所述目标变量数据输入到所述最终模型，并输出与所述目标变量数据对应的目标变量预测数据。
[0012]根据一实施例的基于自动学习预测及控制时间序列数据的方法，还可以包括以下步骤：接收用于确定所述目标变量预测数据中的变化方向的控制变量数据；以及将所述控制变量数据输入到所述最终模型，并输出与所述控制变量数据对应的控制变量预测数据。
[0013]根据一实施例的基于自动学习预测及控制时间序列数据的方法，还可以包括以下步骤：基于所述目标变量预测数据及所述控制变量预测数据来提供所述时间序列数据的预测结果及控制方法。
[0014]根据一实施例的基于自动学习预测及控制时间序列数据的方法，还包括以下步骤：基于所述目标变量预测数据与所述控制变量预测数据之间的相关关系来调整所述控制变量数据。
[0015]调整所述控制变量数据的步骤，可以包括以下步骤：根据基于所述目标变量预测数据及所述控制变量预测数据确定的奖励函数来学习强化学习模型。
[0016]输出所述控制变量预测数据的步骤，可以包括以下步骤：确定所述控制变量数据的移动方向；以及确定所述控制变量数据的最优搜索时间。
[0017]输出所述目标变量预测数据的步骤，可以包括以下步骤：基于所述控制变量数据的所述移动方向及所述最优搜索时间来输出所述目标变量预测数据。
[0018]所述学习的步骤，可以包括以下步骤：根据所述各个模型的条件，以预定次数学习所述多个时间序列数据预测模型。
[0019]根据一实施例的基于自动学习预测及控制时间序列数据的方法，还可以包括以下步骤：评估所述最终模型的预测性能；以及当所述最终模型的预测性能降低到预定阈值以下时，更新所述最终模型。
[0020]根据一实施例的基于自动学习预测及控制时间序列数据的方法，还可以包括以下步骤：根据预定周期更新所述最终模型。
[0021]根据一实施例的基于自动学习预测及控制时间序列数据的装置包括：处理器，其被配置成根据各个模型的条件学习多个时间序列数据预测模型，在所述经过学习的时间序列数据预测模型中确定满足预定条件的一个以上的最优模型，并通过组合所述一个以上的最优模型来生成最终模型，其中，所述多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。
[0022]所述处理器可以被配置成：接收用于预测时间序列数据的目标变量数据，并将所述目标变量数据输入到所述最终模型，输出与所述目标变量数据对应的目标变量预测数据。
[0023]所述处理器可以被配置成：接收用于确定所述目标变量预测数据中的变化方向的控制变量数据，并将所述控制变量数据输入到所述最终模型，输出与所述控制变量数据对应的控制变量预测数据。
[0024]所述处理器可以基于所述目标变量预测数据及所述控制变量预测数据来提供所述时间序列数据的预测结果及控制方法。
[0025]所述处理器可以基于所述目标变量预测数据与所述控制变量预测数据之间的相关关系来调整所述控制变量数据。
[0026]所述处理器可以根据基于所述目标变量预测数据及所述控制变量预测数据确定的奖励函数来学习强化学习模型。
[0027]所述处理器可以根据所述各个模型的条件，以预定次数学习所述多个时间序列数据预测模型。
[0028]所处处理器可以评估所述最终模型的预测性能，并且当所述最终模型的预测性能
降低到预定阈值以下时更新所述最终模型。
[0029]所述处理器可以根据预定周期更新所述最终模型。
[0030]专利技术的效果
[0031]实施例不仅可以基于机器学习模型执行学习和预测，还可以通过自动学习深度学习模型来选择最优模型。
[0032]实施例可以提供用于优化控制目标变量的自动学习功能。
[0033]实施例可以提供学习深度学习模型及对时间序列深度学习模型的描述的功能。
[0034]本专利技术的效果并不限于上述问题，本领域技术人员可以从权利范围的描述中清楚地理解本文未提及的其他效果。
附图说明
[0035]图1为说明根据一实施例的基于自动学习预测及控制时间序列数据的方法的附图。
[0036]图2为说明根据一实施例的学习装置与预测装置之间的关系的附图
[0037]图3为说明根据一实施例的基于自动学习预测及控制时间序列数据的方法的附图。
[0038]图4为说明根据一实施例的学习方法的附图。
[0039]图5a至图5b为说明根据一实施例的预测及控制时间序列数据的方法的附图。
[0040]图6为示出根据一实施例的人工智能装置的框图。
具体实施方式
[0041]本专利技术所公开的对于特定结构或者功能的说明仅用于对按照本专利技术的概念的实施例进行说本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种基于自动学习预测、控制及描述时间序列数据的方法，其特征在于，包括以下步骤：根据各个模型的条件学习多个时间序列数据预测模型；在所述经过学习的时间序列数据预测模型中，确定满足预定条件的一个以上的最优模型；以及通过组合所述一个以上的最优模型来生成最终模型，其中，所述多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。2.根据权利要求1所述的基于自动学习预测、控制及描述时间序列数据的方法，其特征在于，还包括以下步骤：接收用于预测时间序列数据的目标变量数据；以及将所述目标变量数据输入到所述最终模型，并输出与所述目标变量数据对应的目标变量预测数据。3.根据权利要求2所述的基于自动学习预测、控制及描述时间序列数据的方法，其特征在于，还包括以下步骤：接收用于确定所述目标变量预测数据中的变化方向的控制变量数据；以及将所述控制变量数据输入到所述最终模型，并输出与所述控制变量数据对应的控制变量预测数据。4.根据权利要求3所述的基于自动学习预测、控制及描述时间序列数据的方法，其特征在于，还包括以下步骤：基于所述目标变量预测数据及所述控制变量预测数据来提供所述时间序列数据的预测结果及控制方法。5.根据权利要求3所述的基于自动学习预测、控制及描述时间序列数据的方法，其特征在于，还包括以下步骤：基于所述目标变量预测数据与所述控制变量预测数据之间的相关关系来调整所述控制变量数据。6.根据权利要求5所述的基于自动学习预测、控制及描述时间序列数据的方法，其特征在于，调整所述控制变量数据的步骤，包括以下步骤：根据基于所述目标变量预测数据及所述控制变量预测数据确定的奖励函数来学习强化学习模型。7.根据权利要求3所述的基于自动学习预测、控制及描述时间序列数据的方法，其特征在于，输出所述控制变量预测数据的步骤，包括以下步骤：确定所述控制变量数据的移动方向；以及
确定所述控制变量数据的最优搜索时间。8.根据权利要求7...
【专利技术属性】
技术研发人员：金松焕，
申请(专利权)人：株式会社人利智，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。