时序数据预测方法、装置、电子设备、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序数据预测方法、装置、电子设备、介质及程序产品。其中，该方法包括：获取包括多个第一历史时间段各自对应的数据量的第一历史时序数据以及待预测未来时间段；将第一历史时序数据以及待预测未来时间段输入时间序列预测模型中，输出待预测未来时间段对应的预测结果；对待预测未来时间段对应的日期特征进行编码，得到目标日期向量；将目标日期向量以及预测结果输入深度学习模型中，输出待预测未来时间段中每个目标时间段对应的目标预测数据量，上述深度学习模型基于第二历史时序数据以及由时间序列预测模型得到的第二历史时序数据中多个第二历史时间段各自对应的数据量预测值进行训练得到。各自对应的数据量预测值进行训练得到。各自对应的数据量预测值进行训练得到。

【技术实现步骤摘要】
时序数据预测方法、装置、电子设备、介质及程序产品


[0001]本说明书涉及计算机
，尤其涉及一种时序数据预测方法、装置、电子设备、介质及程序产品。

技术介绍

[0002]时序数据指时间序列数据，是同一统计指标按时间顺序记录的数据列。时序数据预测是对未来某个时间段对应的时序数据进行的预估。目前的时序数据预测方法主要分为以下3大类：1、ARIMA类模型预测：包含AR、ARMA、ARIMA以及进阶版模型Prophet等；2、基于树模型预测：XGBoost、LightGBM等；3、基于神经网络的模型预测：基于RNN的方法、基于Attention&Transformer的方法以及N
‑
BEATS等其它新兴模型。

技术实现思路

[0003]本说明书实施例提供了一种时序数据预测方法、装置、电子设备、介质及程序产品，通过将时间序列预测模型与深度学习模型结合，既能够更好的捕捉时序数据的周期性、趋势性、节假日波动等对时序数据的影响，又弥补了时间序列预测模型在量级变动学习上的劣势，从而实现更准确的预测效果。上述技术方案如下：
[0004]第一方面，本说明书实施例提供了一种时序数据预测方法，包括：
[0005]获取第一历史时序数据以及待预测未来时间段；上述第一历史时序数据包括多个第一历史时间段各自对应的数据量；
[0006]将上述第一历史时序数据以及上述待预测未来时间段输入时间序列预测模型中，输出上述待预测未来时间段对应的预测结果；上述待预测未来时间段包括N个目标时间段；上述预测结果包括上述N个目标时间段各自对应的数据量预测值；上述N为正整数；
[0007]对上述待预测未来时间段对应的日期特征进行编码，得到目标日期向量；
[0008]将上述目标日期向量以及上述预测结果输入深度学习模型中，输出上述待预测未来时间段中每个目标时间段对应的目标预测数据量；上述深度学习模型基于第二历史时序数据以及由上述时间序列预测模型得到的多个第二历史时间段各自对应的数据量预测值进行训练得到；上述第二历史时序数据包括多个第二历史时间段各自对应的数据量。
[0009]在一种可能的实现方式中，上述目标时间段的时间长度大于或等于与上述第一历史时间段的时间长度；上述目标时间段的时间长度等于上述第二历史时间段的时间长度。
[0010]在一种可能的实现方式中，上述将上述目标日期向量以及上述预测结果输入深度学习模型中，输出上述待预测未来时间段中每个目标时间段对应的目标预测数据量之前，上述方法还包括：
[0011]对上述第二历史时序数据以及上述多个第二历史时间段各自对应的数据量预测值进行预处理，得到上述深度学习模型对应的时序训练数据；上述深度学习模型基于上述时序训练数据进行训练得到。
[0012]在一种可能的实现方式中，上述对上述第二历史时序数据以及上述多个第二历史
时间段各自对应的数据量预测值进行预处理包括：
[0013]对上述第二历史时序数据的日期特征进行编码，得到日期向量；
[0014]对上述第二历史时序数据进行归一化处理；
[0015]对上述归一化处理后的第二历史时序数据进行预设滑窗处理，得到时序训练数据；上述时序训练数据包括多个目标训练序列；上述目标训练序列包括N个上述第二历史时间段各自对应的上述日期向量、数据量以及数据量预测值；
[0016]构建上述时序训练数据中对应上述深度学习模型的输入数据和输出数据。
[0017]在一种可能的实现方式中，上述对上述第二历史时序数据进行归一化处理，包括：
[0018]分离上述第二历史时序数据中每个上述第二历史时间段对应的标签；
[0019]将分离上述标签后的第二历史时序数据以及上述标签分别进行归一化处理；
[0020]将上述归一化处理后的上述分离标签后的第二历史时序数据以及上述标签进行拼接，得到归一化处理后的第二历史时序数据。
[0021]在一种可能的实现方式中，上述将上述第一历史时序数据以及上述待预测未来时间段输入时间序列预测模型中，输出上述待预测未来时间段对应的预测结果之后，上述将上述目标日期向量以及上述预测结果输入深度学习模型中，输出上述待预测未来时间段中每个目标时间段对应的目标预测数据量之前，上述方法还包括：
[0022]对上述预测结果进行归一化处理；
[0023]上述将上述目标日期向量以及上述预测结果输入深度学习模型中，输出上述待预测未来时间段中每个目标时间段对应的目标预测数据量，包括：
[0024]将上述目标日期向量以及上述归一化处理后的预测结果输入深度学习模型中，输出上述待预测未来时间段中每个目标时间段对应的目标预测数据量。
[0025]在一种可能的实现方式中，上述将上述目标日期向量以及上述预测结果输入深度学习模型中，输出上述待预测未来时间段中每个目标时间段对应的目标预测数据量之后，上述方法还包括：
[0026]基于上述目标时间段对应的目标预测数据量按照预设规则计算监管的目标指标；
[0027]在上述目标指标不满足预设监管指标要求的情况下，输出预警信息。
[0028]第二方面，本说明书实施例提供了一种时序数据预测装置，包括：
[0029]获取模块，用于获取第一历史时序数据以及待预测未来时间段；上述第一历史时序数据包括多个第一历史时间段各自对应的数据量；
[0030]时间序列预测模块，用于将上述第一历史时序数据以及上述待预测未来时间段输入时间序列预测模型中，输出上述待预测未来时间段对应的预测结果；上述待预测未来时间段包括N个目标时间段；上述预测结果包括上述N个目标时间段各自对应的数据量预测值；上述N为正整数；
[0031]编码模块，用于对上述待预测未来时间段对应的日期特征进行编码，得到目标日期向量；
[0032]时序数据预测模块，用于将上述目标日期向量以及上述预测结果输入深度学习模型中，输出上述待预测未来时间段中每个目标时间段对应的目标预测数据量；上述深度学习模型基于第二历史时序数据以及由上述时间序列预测模型得到的多个第二历史时间段各自对应的数据量预测值进行训练得到；上述第二历史时序数据包括多个第二历史时间段
各自对应的数据量。
[0033]在一种可能的实现方式中，上述目标时间段的时间长度大于或等于与上述第一历史时间段的时间长度；上述目标时间段的时间长度等于上述第二历史时间段的时间长度。
[0034]在一种可能的实现方式中，上述时序数据预测装置还包括：
[0035]预处理模块，用于对上述第二历史时序数据以及上述多个第二历史时间段各自对应的数据量预测值进行预处理，得到上述深度学习模型对应的时序训练数据；上述深度学习模型基于上述时序训练数据进行训练得到。
[0036]在一种可能的实现方式中，上述预处理模块包括：
[0037]编码单元，用于对上述第二历史时序数据的日期特征进行编码，得到日期向量；
[0038]归一化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时序数据预测方法，所述方法包括：获取第一历史时序数据以及待预测未来时间段；所述第一历史时序数据包括多个第一历史时间段各自对应的数据量；将所述第一历史时序数据以及所述待预测未来时间段输入时间序列预测模型中，输出所述待预测未来时间段对应的预测结果；所述待预测未来时间段包括N个目标时间段；所述预测结果包括所述N个目标时间段各自对应的数据量预测值；所述N为正整数；对所述待预测未来时间段对应的日期特征进行编码，得到目标日期向量；将所述目标日期向量以及所述预测结果输入深度学习模型中，输出所述待预测未来时间段中每个目标时间段对应的目标预测数据量；所述深度学习模型基于第二历史时序数据以及由所述时间序列预测模型得到的多个第二历史时间段各自对应的数据量预测值进行训练得到；所述第二历史时序数据包括多个第二历史时间段各自对应的数据量。2.如权利要求1所述的方法，所述目标时间段的时间长度大于或等于与所述第一历史时间段的时间长度；所述目标时间段的时间长度等于所述第二历史时间段的时间长度。3.如权利要求1所述的方法，所述将所述目标日期向量以及所述预测结果输入深度学习模型中，输出所述待预测未来时间段中每个目标时间段对应的目标预测数据量之前，所述方法还包括：对所述第二历史时序数据以及所述多个第二历史时间段各自对应的数据量预测值进行预处理，得到所述深度学习模型对应的时序训练数据；所述深度学习模型基于所述时序训练数据进行训练得到。4.如权利要求3所述的方法，所述对所述第二历史时序数据以及所述多个第二历史时间段各自对应的数据量预测值进行预处理，包括：对所述第二历史时序数据的日期特征进行编码，得到日期向量；对所述第二历史时序数据进行归一化处理；对所述归一化处理后的第二历史时序数据进行预设滑窗处理，得到时序训练数据；所述时序训练数据包括多个目标训练序列；所述目标训练序列包括N个所述第二历史时间段各自对应的所述日期向量、数据量以及数据量预测值；构建所述时序训练数据中对应所述深度学习模型的输入数据和输出数据。5.如权利要求2所述的方法，所述对所述第二历史时序数据进行归一化处理，包括：分离所述第二历史时序数据中每个所述第二历史时间段对应的标签；将分离所述标签后的第二历史时序数据以及所述标签分别进行归一化处理；将所述归一化处理后的所述分离标签后的第二历史时序数据以及所述标签进行拼接，得到归一化处理后的第二历史时序数据。6.如权利要求1所述的方法，所述将所述第一历史时序数据以及所述待预测未来时间段输入时间序列预测模型中，输出所述待预测未来时间段对应的预测结...

【专利技术属性】
技术研发人员：李凤，熊永福，
申请(专利权)人：重庆蚂蚁消费金融有限公司，
类型：发明
国别省市：