【技术实现步骤摘要】
建立时序预测模型的方法、时间序列预测方法和装置
[0001]本说明书一个或多个实施例涉及人工智能
,尤其涉及一种建立时序预测模型的方法、时间序列预测方法和装置。
技术介绍
[0002]时间序列指的是将同一统计指标的数值按照发生的时间顺序排列而成的数列。时间序列预测旨在根据已有的历史时间的统计指标数值对未来时间的统计指标数值进行预测。时间序列预测可以应用于各种场景中,包括对应用服务流量的时间序列预测,对金融/商业领域中交易资金的时间序列预测,对云计算中计算资源容量的预测,等等。如何准确地实现时间序列预测成为亟待解决的问题。
技术实现思路
[0003]有鉴于此,本说明书一个或多个实施例描述了一种建立时序预测模型的方法、时间序列预测方法和装置,以便于实现准确的时间序列预测。
[0004]根据第一方面,提供了一种立时序预测模型的方法,包括:
[0005]获取训练样本,各训练样本包括连续n+τ个时间序列,各时间序列的时长相等且每个时间序列中包含多个时间点的指标值,所述n为大于1的正整数,所述τ为大于或等于1的正整数;
[0006]对各训练样本中前n个时间序列分别进行凸包提取,得到n个凸包时间序列;
[0007]将训练样本中的n个凸包时间序列输入时序预测模型,由所述时序预测模型预测训练样本中后τ个时间序列的统计指标数据,所述时序预测模型的训练目标包括最小化预测结果与训练样本中后τ个时间序列的实际统计指标数据之间的差异。
[0008]在一个实施例中,所述凸包提取包括上凸 ...
【技术保护点】
【技术特征摘要】
1.建立时序预测模型的方法,包括:获取训练样本,各训练样本包括连续n+τ个时间序列,各时间序列的时长相等且每个时间序列中包含多个时间点的指标值,所述n为大于1的正整数,所述τ为大于或等于1的正整数;对各训练样本中前n个时间序列分别进行凸包提取,得到n个凸包时间序列;将训练样本中的n个凸包时间序列输入时序预测模型,由所述时序预测模型预测训练样本中后τ个时间序列的统计指标数据,所述时序预测模型的训练目标包括最小化预测结果与训练样本中后τ个时间序列的实际统计指标数据之间的差异。2.根据权利要求1所述的方法,其中,所述凸包提取包括上凸包提取,所述统计指标数据包括指标最大值;和/或,所述凸包提取包括下凸包提取,所述统计指标数据包括指标最小值。3.根据权利要求1所述的方法,其中,所述时序预测模型包括:第一编码层、第二编码层和时序解码层;所述第一编码层,用以提取所述n个凸包时间序列的特征表示,其中分别利用第i个凸包时间序列以及第i
‑
1个凸包时间序列的隐状态表示得到第i个凸包时间序列的特征表示;所述第二编码层,用以利用所述n个凸包时间序列的特征表示,得到第n个时间序列的隐状态表示;其中,第i个时间序列的隐状态表示依据第i个凸包时间序列的特征表示和第i
‑
1个时间序列的隐状态表示得到;所述时序解码层,用以利用第n个时间序列的隐状态表示,预测后τ个时间序列的统计指标数据。4.根据权利要求3所述的方法,其中,所述第二编码层在得到所述第n个时间序列的隐状态表示时,进一步结合所述前n个时间序列的统计指标数据;其中,第i个时间序列的隐状态表示依据第i个凸包时间序列的特征表示、第i个时间序列的统计指标数据和第i
‑
1个时间序列的隐状态表示得到。5.根据权利要求3所述的方法,其中,所述第一编码层采用神经常微分方程Neural ODEs。6.根据权利要求1至5中任一项所述的方法,其中,所述指标包括:计算资源容量状况、应用服务的流量状况或者金融领域的交易状况。7.时序预测方法,包括:获取连续n个时间序列,每个时间序列中包含多个时间点的指标值,所述n为大于1的正整数;对所述n个时间序列分别进行凸包提取,得到n个凸包时间序列;将所述n个凸包时间序列输入预先训练得到的时序预测模型,得到所述时序预测模型对所述n个等时长的时间序列之后τ个时间序列的统计指标数据,所述τ为大于或等于1的正整数,各时间序列的长度相等。8.根据权利要求7所述的方法,其中,所述凸包提取包括上凸包提取,所述统计指标数据包括指标最大值;和/或,所述凸包提取包括下凸包提取,所述统计指标数据包括...
【专利技术属性】
技术研发人员:潘晨,詹姆士,
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:
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。