用于具有用户交互的时间序列预测的自动深度学习架构选择制造技术

一种用于自动生成用于时间序列预测的深度神经网络架构的系统和方法。该系统包括处理器，用以：接收与当前用例相关联的预测上下文；基于相关联的预测上下文，选择被配置用于当前用例时间序列预测任务的预测模型网络；复制所选择的预测模型网络以创建多个候选预测模型网络；将时间序列数据输入到多个候选预测模型网络中的每个候选预测模型网络架构；利用输入时间序列数据并行地训练多个候选预测模型网络中的每个相应候选预测模型网络；通过在并行训练的同时应用一个或多个模型参数的相应不同集合来修改多个候选预测模型网络中的每个候选预测模型网络架构；以及确定用于解决当前用例时间序列预测任务的最适合的经修改预测模型网络。模型网络。模型网络。

【技术实现步骤摘要】
【国外来华专利技术】用于具有用户交互的时间序列预测的自动深度学习架构选择


[0001]本专利技术涉及自动机器学习(AutoML)和云计算，具体地涉及用于自动分析时间序列数据以用于建立和部署时间序列预测模型的方法和系统。

技术介绍

[0002]许多类型的科学和商业数据包括时间序列数据，例如，IoT、零售、运输、能源/可再生能源。时间序列数据共享类似的特性：多级季节性、高度相关的特征、噪声和大总量。
[0003]当前，深度神经网络(DNN)的使用已经证明对于许多复杂的时间序列数据预测应用具有更高的准确性，特别是当多级季节性不容易分开时。
[0004]另外，存在基于云的服务实体提供计算资源的在线供应作为服务，特别是基于云的AutoML(自动机器学习)服务，其中人工智能或机器学习模型由终端使用客户生成并为其构建。

技术实现思路

[0005]以下概述仅旨在是示例性的。该
技术实现思路
不是要限制权利要求的范围。
[0006]根据一个方面，提供了一种用于基于云的服务提供商自动地构建和部署基于云的时间序列预测模型的系统和方法。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于自动合成用于时间序列预测的优化的深度神经网络架构的计算机实现的方法，所述方法包括：在硬件处理器处接收与当前用例相关联的预测上下文；基于相关联的所述预测上下文，使用所述硬件处理器来选择被配置用于相似用例时间序列预测任务的现有预测模型网络架构；复制所选择的所述现有预测模型网络架构，以创建多个候选预测模型网络架构；使用所述硬件处理器，将时间序列数据输入到所述多个候选预测模型网络架构中的每个候选预测模型网络架构；使用所述硬件处理器，利用所述输入时间序列数据并行地训练所述多个候选预测模型网络架构中的每个相应候选预测模型网络架构；使用所述硬件处理器，通过在被并行训练的同时应用一个或多个模型参数的相应不同集合，修改所述多个候选预测模型网络架构中的每个候选预测模型网络架构；以及使用所述硬件处理器，从所述多个候选预测模型网络架构确定用于解决所述当前用例时间序列预测任务的最适合的经修改的预测模型网络架构。2.根据权利要求1所述的计算机实现的方法，其中所述预测模型网络架构包括用于时间序列预测的一个或多个深度神经网络模型，所述一个或多个深度神经网络模型选自：卷积神经网络、循环神经网络、以及多层感知器神经网络或其组合。3.根据权利要求1所述的计算机实现的方法，其中选择用于所述当前用例的预测模型网络架构包括：搜索先前针对与所述当前预测上下文相关的历史用例而被生成的现有预测模型网络架构的库。4.根据权利要求1所述的计算机实现的方法，其中在相应候选预测模型网络架构处被应用的所述一个或多个模型参数的集合包括：不同的回顾时间窗口长度参数、不同的窗口重叠参数。5.根据权利要求1所述的计算机实现的方法，还包括：使用所述硬件处理器，获得所述输入时间序列数据的特性特征；使用所述硬件处理器，标识所述输入时间序列数据的所述特性特征与被用作对现有预测模型网络架构的输入的数据的所述数据特征的相似性；以及使用所述硬件处理器，基于所标识的所述相似性来选择被配置用于当前用例时间序列预测任务的所述现有预测模型网络架构。6.根据权利要求2所述的计算机实现的方法，还包括：在所述硬件处理器处经由用户界面接收用于执行所述当前用例时间序列预测任务的用户约束，所述一个或多个用户约束包括以下至少一项：特定的预测模型网络架构、模型训练时间限制、预测精度、或运行时间比。7.根据权利要求6所述的计算机实现的方法，还包括：经由所述用户界面输出最适合的所述预测模型网络架构，以及经由所述用户界面呈现最适合的所述预测模型网络架构中的一个或多个主要特征的解释。8.根据权利要求2所述的计算机实现的方法，其中被训练的所述多个候选预测模型网络架构包括个体，所述方法还包括：
使用所述硬件处理器，生成多个个体，以及对于每个个体：使用所述硬件处理器，通过在被并行训练的同时应用一个或多个模型参数的相应不同集合，修改所述多个候选预测模型网络架构中的每个候选预测模型网络架构。9.根据权利要求8所述的计算机实现的方法，还包括：使用所述硬件处理器，选择个体的随机集合；使用所述硬件处理器，从所述随机集合确定最适合的个体；以及使用所述硬件处理器，将随机突变应用于所确定的所述最适合的个体的一个或多个候选预测模型网络架构。10.一种计算机实现的系统，用于自动合成用于时间序列预测的优化的深度神经网络架构，所述系统包括：存储器存储设备，用于存储计算机可读程序，以及至少一个处理器，适于运行所述计算机可读程序以将所述至少一个处理器配置为：接收与当前用例相关联的预测上下文；基于相关联的所述预测上下文，选择被配置用于相似用例时间序列预测任务的现有预测模型网络架构；复制所选择的所述现有预测模型网络架构，以创建多个候选预测模型网络架构；将时间序列数据输入到所述多个候选预测模型网络架构中的每个候选预测模型网络架构；利用所述输入时间序列数据并行地训练所述多个候选预测模型网络架构中的每个相应候选预测模型网络架构；通过在被并行训练的同时应用一个或多个模型参数的相应不同集合，修改所述多个候选预测模型网络架构中的每个候选预测模型网络架构；以及从所述多个候选预测模型网络架构确定用于解决所述当前用例时间序列预测任务的最适合的经修改的预测模型网络架构。11.根据权利要求10所述的计算机实现的系统，其中所述预测模型网络架构包括用于时间序列预测的一个或多个深度神经网络模型，所述一个或多个深度神经网络模型选自：卷积神经网络、循环神经网络、以及多层感知器神经网络或其组合。12.根据权利要求10所述的计算机实现的系统，其中为了选择用于所述当前用例的预测模型网络...

【专利技术属性】
技术研发人员：陈蓓，王大阔，M，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：