【技术实现步骤摘要】
时序信号预测方法、装置、电子设备及存储介质
[0001]本申请涉及信息处理
，具体涉及一种时序信号预测方法、装置、电子设备及存储介质。
技术介绍
[0002]随着时序预测技术的快速发展，其在各领域中的应用越来越广泛。
[0003]目前，时序预测技术通常可以分为以下几类：第一类是基于机理模型，该类方法通过建立目标系统机理模型，对整个系统运行状态进行建模，进而预测时序信号的未来变化；第二类是数据驱动方法，使用统计学、机器学习、深度学习模型等建立时间序列预测模型，预测时序参数的变化。第三类是融合模型和数据驱动方法，通过融合目标系统机理模型和数据驱动方法实现时间序列的预测。其中，基于机理模型的预测方法对数据需求少、可用于实验室环境数据精准模拟，但只适用于单一系统；基于数据驱动方法可以融合外界影响因素，但依赖大规模数据，同时对数据分布要求较高，当输入数据有偏时会对预测结果造成较大影响；基于融合算法可以提升预测的鲁棒性，但计算复杂度提升，计算流程复杂。
[0004]可知，当前时序预测领域预测效果已经达到瓶颈，如何进...
【技术保护点】
【技术特征摘要】
1.一种时序信号预测方法，包括：获取当前时间点的当前时序信号；将所述当前时序信号分别输入至目标网络中的多个预测模型中，得到各预测模型输出的预测结果，其中，多个所述预测模型的模型结构互不相同；确定所述预测模型对应的模型权重，并根据所述模型权重对相应的预测结果进行加权处理；基于加权处理后的多个预测结果，确定下一时间点的预测时序信号。2.根据权利要求1所述的时序信号预测方法，其特征在于，所述预测模型对应的模型权重是最后一次迭代训练中所述预测模型的权重值，所述最后一次迭代训练中所述预测模型的权重值是根据最后一次迭代训练中输入到所述目标网络中的信号，以及所述预测模型输出的预测结果的损失计算得到的。3.根据权利要求2所述的时序信号预测方法，其特征在于，在获取当前时间点的当前时序信号之前，还包括：基于历史时序信号构建训练集，所述训练集包括：按固定时间窗口对所述历史时序信号进行采样得到的多个窗口信号；将训练集中t
‑
1时刻的窗口信号输入至所述目标网络，并使用所述目标网络中的多个所述预测模型进行预测，得到各预测模型输出的预测结果，作为t时刻的预测窗口信号；计算各预测模型对应预测结果的损失；根据所述损失和所述窗口信号，构建各预测模型对应的权重分配特征；根据所述权重分配特征计算各预测模型对应的权重值；根据所述预测结果和所述权重值确定最终预测结果；基于所述最终预测结果更新各预测模型对应的权重值；继续在所述训练集上训练所述目标网络，当奖赏函数连续未变更的次数达到预设阈值时，停止训练。4.根据权利要求3所述的时序信号预测方法，其特征在于，在基于历史时序信号构建训练集之后，还包括：根据所述训练集对多个基础预测模型进行训练，得到训练好的所述预测模型，其中，多个所述基础预测模型的模型结构互不相同。5.根据权利要求4所述的时序信号预测方法，其特征在于，所述根据所述损失和所述窗口信号，构建各预测模型对应的权重分配特征，包括：对所述窗口信号进行特征提取，得到时域特征；对所述损失进行特征提取，得到损失特征；将所述时域特征与所述损失特征进行拼接处理，得到所述权重分配特征。6.根据权利要求5所述的时序信号预测方法，其特征在于，所述对所述窗口信号进行特征提取，得到时域特征，包括：通过多层感知机或卷积网络对所述...
【专利技术属性】
技术研发人员：沈雷，张睿欣，丁守鸿，
申请(专利权)人：腾讯科技深圳有限公司，
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。