时间序列预测方法、装置、设备、介质及程序产品制造方法及图纸

本说明书实施例公开了一种时间序列预测方法、装置、设备、介质及程序产品。其中，该方法包括：首先获取1至t时刻的N元时间序列；上述N元时间序列由时间长度一致，且统计指标相同的N个统计目标各自对应的时间序列组成；然后获取1至t+m时刻的N元时间序列对应的目标协变量；最后将1至t时刻的N元时间序列以及目标协变量输入时间序列预测模型中，可以根据基于标准化流技术得到的观测方程输出t+1至t+m时刻的N元预测时间序列；预测时间序列为m个时刻的统计指标各自对应的预测数值按其未来发生时间的先后顺序排列而成的数列，通过标准化流技术生成观测方程，可以更为精确地刻画现实世界中复杂的数据分布，提升时间序列预测的准确性。性。性。

【技术实现步骤摘要】
时间序列预测方法、装置、设备、介质及程序产品


[0001]本说明书涉及计算机
，尤其涉及一种时间序列预测方法、装置、设备、介质及程序产品。

技术介绍

[0002]时间序列是指将统计指标对应的多个时间长度一致的数值按其发生的时间先后顺序排列而成的数列。时间序列序列预测在各种场景中都有需求，例如多种商品销量的时间序列预测，金融中的多个渠道资金时间序列预测，云计算中所需要的多种计算资源流量的预测等。
[0003]在时间序列预测的相关技术中，对于数据的假设往往是服从线性高斯分布的，从而通常采用线性高斯状态空间模型进行预测，并使用卡尔曼滤波技术根据观测变量推断隐状态的变化或者根据隐状态来预测观测变量。

技术实现思路

[0004]本说明书实施例提供了一种时间序列预测方法、装置、设备、介质及程序产品，通过使用标准化流技术生成观测方程，克服当前相关预测方案中使用线性高斯分布无法适配现实世界中复杂数据分布的问题，可以更为精确地刻画现实世界中复杂的数据分布，从而提升时间序列预测的准确性，同时，还可以实现了对多元时序中多条时间序列之间的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时间序列预测方法，所述方法包括：获取1至t时刻的N元时间序列；所述N元时间序列由时间长度一致，且统计指标相同的N个统计目标各自对应的时间序列组成；所述时间序列为多个时刻中每个时刻的所述统计指标对应的目标数值按其发生时间的先后顺序排列而成的数列；所述N以及所述t均为正整数；获取目标协变量；所述目标协变量为1至t+m时刻的所述N元时间序列对应的协变量；所述m为正整数；将所述1至t时刻的N元时间序列以及所述目标协变量输入时间序列预测模型中，根据基于标准化流技术得到的观测方程输出t+1至t+m时刻的N元预测时间序列；所述预测时间序列为m个时刻的所述统计指标各自对应的预测数值按其未来发生时间的先后顺序排列而成的数列。2.如权利要求1所述的方法，所述获取目标协变量，包括：对所述N元时间序列中每条时间序列进行编码，得到所述时间序列对应的第一向量；对所述1至t+m时刻的N元时间序列中每个时刻对应的目标特征进行编码，得到所述1至t+m时刻的N元时间序列对应的第二向量；基于所述第一向量以及所述第二向量确定目标协变量。3.如权利要求2所述的方法，所述目标特征包括至少一个时间特征，所述至少一个时间特征中每个时间特征对应的时间粒度不同；所述每个时间特征对应的时间粒度大于或等于所述时间长度。4.如权利要求1所述的方法，所述将所述1至t时刻的N元时间序列以及所述目标协变量输入时间序列预测模型中，根据基于标准化流技术得到的观测方程输出t+1至t+m时刻的N元预测时间序列，包括：将所述1至t时刻的N元时间序列以及所述目标协变量输入时间序列预测模型中，根据所述1至t
‑
1时刻的N元时间序列以及1至t时刻的N元时间序列对应的协变量以及预设状态转移方程确定所述时间序列第t时刻的先验隐状态；基于标准化流技术对所述时间序列第t时刻的先验隐状态进行变换，得到观测方程；根据所述观测方程确定所述时间序列第t时刻的所述统计指标对应的预测数值，以及1至t时刻所述时间序列预测模型对应的损失值；根据所述时间序列第t时刻的所述统计指标对应的目标数值、所述预测数值以及预设卡尔曼滤波算法对所述时间序列第t时刻的先验隐状态进行更新，得到所述时间序列第t时刻的后验隐状态；根据所述损失值按照预设规则对所述时间序列预测模型进行更新；基于更新后的所述时间序列预测模型以及t+1至t+m时刻的所述N元时间序列对应的协变量，输出t+1至t+m时刻的N元预测时间序列。5.如权利要求4所述的方法，所述预设状态转移方程为：其中，F
t
是状态转移矩阵，ω
t
是状态转移强度，ε
t
～N(0,1)表示高斯噪声，服从均值为0，且协方差为1的高斯分布；A
t
为转移矩阵；x
t,i
表示第i元时间序列中第t时刻对应的协变
量；Z
t，i
表示第i元时间序列第t时刻的先验隐状态；i表示第i元时间序列第t
‑
1时刻的后验隐状态；所述i为小于或等于N的正整数。6.如权利要求5所述的方法，所述第i元时间序列第t时刻的先验隐状态服从第一概率分布；所述第一概率分布为：其中，表示在x
1:t
‑
1,i
以及y
1:t
‑
1,i
发生的条件下，发生的概率；x
1:t
‑
1,i
表示第i元时间序列对应的1至t
‑
1时刻的协变量，y
1:t
‑
1,i
表示第i元时间序列1至t
‑
1时刻对应的所述统计指标的目标数值，表示第i元时间序列1至t
‑
1时刻对应的后验隐状态。7.如权利要求6所述的方法，所述根据所述观测方程确定所述时间序列第t时刻的所述统计指标对应的预测数值，以及1至t时刻所述时间序列预测模型对应的损失值，包括：基于所述观测方程得到所述时间序列第t时刻的所述统计指标对应的预测数值所服从的第二概率分布，以及1至t时刻所述时间序列预测模型对应的损失值；基于所述第二概率分布或所述观测方程中的可逆函数确定所述时间序列第t时刻的所述统计指标对应的预测数值。8.如权利要求7所述的方法，所述观测方程和第二概率分布均为：其中，C
t
为所述标准化流技术的参数，b
t
为残差项；f为可逆函数，用于将第i元时间序列对应的第t时刻的先验隐状态Z
t，i
变换为其对应的预测数值p
z
指z
t,i
服从的所述第一概率分布；表示局部变换对应的体积变化。9.如权利要求7或8所述的方法，所述第i元时间序列第t时刻的所述统计指标对应的预测数值通过从所述第二概率分布中进行...

【专利技术属性】
技术研发人员：孙银波，王世宇，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：