【技术实现步骤摘要】
时序预测模型的训练方法、预测方法及相关设备
[0001]本公开涉及数据处理领域,尤其涉及深度学习等人工智能领域,适用于电力负荷预测场景。
技术介绍
[0002]随着技术的发展,时间序列数据预测在人们的工作和生活中占据着愈加重要的位置。相关技术中,可以通过对应的模型实现时间序列数据预测。然而,由于时间序列数据会伴随时间动态变量,从而出现分布漂移的情况,使得基于时间序列数据进行训练的模型,在进行时间序列数据预测时的预测准确性受到一定程度的影响。
[0003]相关技术中,可以通过领域子域适应的方法,缓解时间序列数据的分布漂移的情况对模型预测准确性的影响,然而,领域子域适应的方法无法适用于时间序列数据。
技术实现思路
[0004]本公开提出了一种时序预测模型的训练方法、预测方法及相关设备。
[0005]根据本公开的第一方面,提出了一种时序预测模型的训练方法,包括:将原始的样本时序数据输入时序预测模型中,由所述时序预测模型使用模型当前的仿射参数和所述样本时序数据的样本非平稳信息,对所述样本时序数据进行仿射处理,得到仿射样本时序数据;对所述仿射样本时序数据进行预测,以得到预测样本时序数据,并基于所述当前的仿射参数和所述样本非平稳信息,对所述预测样本时序数据进行重构,得到重构样本时序数据;根据所述样本时序数据和所述重构样本时序数据,对所述时序预测模型的包括所述仿射参数在内的模型参数进行调整,并返回使用下一样本时序数据对所述调整后的时序预测模型继续训练,直至训练结束得到目标时序预测模型。
[0 ...
【技术保护点】
【技术特征摘要】
1.一种时序预测模型的训练方法,包括:将原始的样本时序数据输入时序预测模型中,由所述时序预测模型使用模型当前的仿射参数和所述样本时序数据的样本非平稳信息,对所述样本时序数据进行仿射处理,得到仿射样本时序数据;对所述仿射样本时序数据进行预测,以得到预测样本时序数据,并基于所述当前的仿射参数和所述样本非平稳信息,对所述预测样本时序数据进行重构,得到重构样本时序数据;根据所述样本时序数据和所述重构样本时序数据,对所述时序预测模型的包括所述仿射参数在内的模型参数进行调整,并返回使用下一样本时序数据对所述调整后的时序预测模型继续训练,直至训练结束得到目标时序预测模型。2.根据权利要求1所述的方法,其中,所述样本非平稳信息的获取过程,包括:对所述样本时序数据进行统计,以获取所述样本时序数据的方差和期望,作为所述样本非平稳信息。3.根据权利要求1所述的方法,其中,所述根据所述样本时序数据和所述重构样本时序数据,对所述时序预测模型的包括所述仿射参数在内的模型参数进行调整,包括:获取所述重构样本时序数据的预测标签;根据所述样本时序数据的标记标签和所述预测标签,确定所述时序预测模型的损失函数;基于所述损失函数,对所述时序预测模型的包括所述仿射参数在内的模型参数进行调整。4.一种时序数据预测方法,包括:获取待预测的原始时序数据和所述原始时序数据的非平稳信息;将所述原始时序数据输入目标时序预测模型中,由所述目标时序预测模型使用模型的目标仿射参数和所述非平稳信息,对所述原始时序数据进行仿射处理,得到仿射时序数据;对所述仿射时序数据进行预测,以得到预测时序数据,并基于所述目标仿射参数和所述非平稳信息,对所述预测时序数据进行重构,以得到重构时序数据;其中,所述目标时序预测模型为使用权利要求1
‑
3中任一项所述的训练方法训练出的模型。5.根据权利要求4所述的方法,其中,所述非平稳信息的获取过程,包括:对所述原始时序数据进行统计,以获取所述原始本时序数据的方差和期望,作为所述非平稳信息。6.根据权利要求4所述的方法,其中,所述得到重构时序数据之后,还包括:基于所述原始时序数据的方差和期望,确定所述重构时序数据的方差和期望,作为所述重构时序数据的非平稳信息。7.一种时序预测方法,包括:获取待预测的原始时序数据和所述原始时序数据的非平稳信息;基于所述非平稳信息和仿射参数,对所述原始时序数据进仿射处理,得到第一时序数据;基于所述第一时序数据进行预测,以获取第二时序数据;
基于所述非平稳信息和所述仿射参数,对所述第二时序数据进行逆仿射处理,以获取重构时序数据。8.根据权利要求7所述的方法,其中,所述基于所述非平稳信息和仿射参数,对所述原始时序数据进仿射处理,得到第一时序数据,包括:对所述原始时序数据进行统计,以获取所述原始时序数据的方差和期望,作为所述原始时序数据的非平稳信息;基于所述非平稳信息对所述原始时序数据进行正则化处理,得到第三时序数据;基于所述仿射参数对所述第三时序数据进行仿射变换,得到所述第一时序数据。9.根据权利要求8所述的方法,其中,所述基于所述非平稳信息对所述第二时序数据进行逆仿射处理,以获取重构时序数据,包括:基于所述仿射参数,对所述第二时序数据进行逆仿射处理,以得到第四时序数据;基于所述非平稳信息,对所述第四时序数据进行逆正则化处理,得到所述重构时序数据。10.根据权利要求8或9所述的方法,其中,所述方法还包括:基于所述原始时序数据的方差和期望,确定所述重构时序数据的方差和期望,作为所述重构时序数据的非平稳信息。11.一种时序预测模型的训练装置,包括:第一仿射模块,用于将原始的样本时序数据输入时序预测模型中,由所述时序预测模型使用模型当前的仿射参数和所述样本时序数据的样本非平稳信息,对所述样本时序数据进行仿射处理,得到仿射样本时序数据;第一重构模块,用于对所述仿射样本时序数据进行预测,以得到预测样本时序数据,并基于所述当前的仿射参数和所述样本非平稳信息,对所述预测样本时序数据进行重构,得到重构样本时序数据;训练模块,用于根据所述样...
【专利技术属性】
技术研发人员:王龙飞,孙玥,杨胜文,张英,田伦,卞传鑫,
申请(专利权)人:北京百度网讯科技有限公司,
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。