时序预测模型的训练方法、预测方法及相关设备技术

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，涉及深度学习等人工智能领域，方法包括将样本时序数据输入时序预测模型，由时序预测模型基于仿射参数和样本非平稳信息得到仿射样本时序数据；根据仿射样本时序数据得到预测样本时序数据，并基于仿射参数和样本非平稳信息对预测样本时序数据进行重构得到重构样本时序数据；根据样本时序数据和重构样本时序数据对包括仿射参数的模型参数进行调整并返回对调整后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，本公开中，降低了非平稳时序数据的分布漂移现象对模型训练的影响程度，优化了非平稳时序数据的模型训练方法以及模型训练效果，提高了非平稳时序预测的准确性。时序预测的准确性。时序预测的准确性。

【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。
[0006]根据本公开的第二方面，提出了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上述第一方面所述的训练方法训练出的模型。
[0007]根据本公开的第三方面，提出了一种时序预测方法，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。
[0008]根据本公开的第四方面，提出了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。
[0009]根据本公开的第五方面，提出了一种时序数据预测装置，包括：第一获取模块，用于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；第二仿射模块，用于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；第二重构模块，用于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上述第四方面所述的训练装置训练出的模型。
[0010]根据本公开的第六方面，提出了一种时序预测装置，包括：第二获取模块，用于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；第三仿射模块，用于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；预测模块，用于基于所述第一时序数据进行预测，以获取第二时序数据；第三重构模块，用于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。
[0011]根据本公开的第七方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的时序预测模型的训练方法、上述第二方面所述的时序数据预测方法以及上述第三方面所述的时序预测方法。
[0012]根据本公开的第八方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面所述的时序预测模型的训练方法、上述第二方面所述的时序数据预测方法以及上述第三方面所述的时序预测方法。
[0013]根据本公开的第九方面，提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述第一方面所述的时序预测模型的训练方法、上述第二方面所述的时序数据预测方法以及上述第三方面所述的时序预测方法。
[0014]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0015]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0016]图1为本公开一实施例的时序预测模型的训练方法的流程示意图；
[0017]图2(a)为本公开一实施例的样本时序数据的示意图；
[0018]图2(b)为本公开一实施例的仿射样本时序数据的示意图；
[0019]图2(c)为本公开一实施例的预测样本时序数据的示意图；
[0020]图2(d)为本公开一实施例的重构样本时序数据的示意图；
[0021]图2(e)为本公开一实施例的样本时序数据的标签信息的示意图；
[0022]图3为本公开另一实施例的时序预测模型的训练方法的流程示意图；
[0023]图4为本公开一实施例的时序数据预测方法的流程示意图；
[0024]图5为本公开一实施例的时序预测方法的流程示意图；
[0025]图6为本公开另一实施例的时序预测方法的流程示意图；
[0026]图7为本公开一实施例的时序预测模型的训练装置的结构示意图；
[0027]图8为本公开一实施例的时序数据预测装置的结构示意图；
[0028]图9为本公开一实施例的时序预测装置的结构示意图；
[0029]图10为本公开一实施例的电子设备的示意性框图。<本文档来自技高网...

【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：