本发明专利技术提供了一种信息处理方法、装置及设备，其中，信息处理方法包括：获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。本方案很好的解决了现有技术中针对时序预测的信息处理方案预测精准度低、效率低、实现成本高、复杂度高的问题。复杂度高的问题。复杂度高的问题。
【技术实现步骤摘要】
一种信息处理方法、装置及设备
[0001]本专利技术涉及通信
，尤其涉及一种信息处理方法、装置及设备。
技术介绍
[0002]传统的时序预测方法通常是基于自回归方法对每个单指标进行单独建模，该类方法在少量指标的情况下预测效果较好、效率较高，但是该方法仅针对单指标预测，无法建模其他指标的影响因素，导致准确率受限，并且难以实现上万数量级别的指标建模工作。基于线性回归的方法无法捕捉多变量间复杂的非线性关系、高斯过程的复杂度是指标数量的三次方、回声状态网络超参数需要人工经验进行设置且对噪声过于敏感，导致这些方法难以广泛应用于多元时间序列预测领域。近年来，有学者引入时空图神经网络进行多指标预测，但是多指标间的结构信息通常是固定的，而实际应用中多维变量间的关系是动态变化的，导致其准确性有限，且基于图神经网络的预测方法复杂度高、对资源要求高。此外，基于图神经网络的方法通常只能提取短期时间。
[0003]由上可知，现有的时序预测方法存在以下几点不足：
[0004]1.大多针对单指标预测，无法考量其他指标的复杂非线性影响，预测结果不精准。
[0005]2.面对上万数量级的指标数据预测任务，开发工作量大，调参难，时间成本和开发成本较高。
[0006]3.模型复杂度高，鲁棒性较差。
[0007]具体的，现有技术中针对时序预测的信息处理方案存在预测精准度低、效率低、实现成本高、复杂度高等问题。
技术实现思路
[0008]本专利技术的目的在于提供一种信息处理方法、装置及设备，以解决现有技术中针对时序预测的信息处理方案预测精准度低、效率低、实现成本高、复杂度高的问题。
[0009]为了解决上述技术问题，本专利技术实施例提供一种信息处理方法，包括：
[0010]获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；
[0011]根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；
[0012]利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。
[0013]可选的，所述获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征，包括：
[0014]将所述至少两个指标参数的历史数据，按照第一时长，划分为Y个样本；
[0015]通过主成分分析技术PCA，获取各样本的主成分嵌入数据；
[0016]通过神经网络中零填充的卷积层，获取各样本的短期融合特征；
[0017]其中，Y为大于1的整数。
[0018]可选的，所述通过神经网络中零填充的卷积层，获取各样本的短期融合特征，包
括：
[0019]使用神经网络中零填充的卷积层，获取所述样本的第一融合特征；所述第一融合特征是指在第二时长内的融合特征；
[0020]使用无池化、最大值池化以及平均值池化，对所述第一融合特征分别进行处理，得到三类的融合特征；
[0021]将所述三类的融合特征，按照通道维度进行拼接，得到所述样本的短期融合特征；
[0022]其中，所述第二时长小于第一阈值。
[0023]可选的，所述根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：
[0024]将所述主成分嵌入数据和短期融合特征进行拼接后，通过神经网络中的两层扩张卷积层提取长期特征；
[0025]将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值；
[0026]根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型；
[0027]其中，所述长期特征是在第三时长内的融合特征；所述第三时长大于第二阈值。
[0028]可选的，所述根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：
[0029]根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。
[0030]本专利技术实施例还提供了一种信息处理装置，包括：
[0031]第一获取模块，用于获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；
[0032]第一处理模块，用于根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；
[0033]第二获取模块，用于利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。
[0034]可选的，所述获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征，包括：
[0035]将所述至少两个指标参数的历史数据，按照第一时长，划分为Y个样本；
[0036]通过主成分分析技术PCA，获取各样本的主成分嵌入数据；
[0037]通过神经网络中零填充的卷积层，获取各样本的短期融合特征；
[0038]其中，Y为大于1的整数。
[0039]可选的，所述通过神经网络中零填充的卷积层，获取各样本的短期融合特征，包括：
[0040]使用神经网络中零填充的卷积层，获取所述样本的第一融合特征；所述第一融合特征是指在第二时长内的融合特征；
[0041]使用无池化、最大值池化以及平均值池化，对所述第一融合特征分别进行处理，得到三类的融合特征；
[0042]将所述三类的融合特征，按照通道维度进行拼接，得到所述样本的短期融合特征；
[0043]其中，所述第二时长小于第一阈值。
[0044]可选的，所述根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：
[0045]将所述主成分嵌入数据和短期融合特征进行拼接后，通过神经网络中的两层扩张卷积层提取长期特征；
[0046]将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值；
[0047]根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型；
[0048]其中，所述长期特征是在第三时长内的融合特征；所述第三时长大于第二阈值。
[0049]可选的，所述根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：
[0050]根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。
[0051]本专利技术实施例还提供了一种信息处理设备，包括：处理器和收发机；
[0052]所述处理器，用于获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；
[0053]根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；
[0054]利用所述预测模型，获取所述至少两个指标本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信息处理方法，其特征在于，包括：获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。2.根据权利要求1所述的信息处理方法，其特征在于，所述获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征，包括：将所述至少两个指标参数的历史数据，按照第一时长，划分为Y个样本；通过主成分分析技术PCA，获取各样本的主成分嵌入数据；通过神经网络中零填充的卷积层，获取各样本的短期融合特征；其中，Y为大于1的整数。3.根据权利要求2所述的信息处理方法，其特征在于，所述通过神经网络中零填充的卷积层，获取各样本的短期融合特征，包括：使用神经网络中零填充的卷积层，获取所述样本的第一融合特征；所述第一融合特征是指在第二时长内的融合特征；使用无池化、最大值池化以及平均值池化，对所述第一融合特征分别进行处理，得到三类的融合特征；将所述三类的融合特征，按照通道维度进行拼接，得到所述样本的短期融合特征；其中，所述第二时长小于第一阈值。4.根据权利要求1所述的信息处理方法，其特征在于，所述根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：将所述主成分嵌入数据和短期融合特征进行拼接后，通过神经网络中的两层扩张卷积层提取长期特征；将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值；根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型；其中，所述长期特征是在第三时长内的融合特征；所述第三时长大于第二阈值。5.根据权利要求4所述的信息处理方法，其特征在于，所述根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。6.一种信息处理装置，其特征在于，包括：第一获取模块，用于获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；第一处理模块，用于根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；第二获取模块，用于利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。
7.根据权利...
【专利技术属性】
技术研发人员：赵娟，
申请(专利权)人：中国移动通信集团有限公司，
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。