【技术实现步骤摘要】
时间序列分析方法、装置、设备及计算机程序产品
[0001]本申请涉及数据处理领域，具体涉及一种时间序列分析方法、装置、设备及计算机程序产品。
技术介绍
[0002]作为一种经典深度学习的方法，长短期记忆人工神经网络也面临着可解释性差的问题。对于目标时间序列，我们在数据探索的过程希望对最终结果做一些解释，然而长短期记忆人工神经网络的预测结果完全无法解释，不满足日常对时序数据处理的诉求。同时，为提高结果的可解释性，需要使用传统的统计分析方法。然而，传统的时间序列分析方法通常都有一些使用的前提条件，会耗费了大量处理时间，最后得到的结果也不及预期。在选对方法的前提下，需要经过一整套繁琐复杂的分析流程，比较容易在其中某个环节出现问题，导致时序数据分析结果出现偏差。
[0003]考虑到成本问题，时序数据分析的需要达到：预测效果较好、结果有一定可解释性、流程不过于繁琐的目标，综上所述，传统分析时序数据方法存在的问题如下：(1)传统统计方法在于需要考虑时间序列本身的特点，存在统计学方法中的各种条件限制，不能通过时间序列的数据格式转化...
【技术保护点】
【技术特征摘要】
1.一种时间序列分析方法，其特征在于，包括：获取目标时间序列的目标残差；将所述目标残差输入时间序列预测网络模型，获取所述时间序列预测网络模型输出的时间序列预测结果，所述时间序列预测结果是基于所述目标时间序列预测的未来时间序列。2.根据权利要求1所述的时间序列分析方法，其特征在于，所述获取目标时间序列的目标残差包括：对目标时间序列进行确定性因素分解得到变化趋势数据；根据所述目标时间序列和所述变化趋势数据确定目标残差。3.根据权利要求2所述的时间序列分析方法，其特征在于，所述对目标时间序列进行确定性因素分解得到变化趋势数据包括：基于目标时间序列的数据类型确定变化趋势提取算法，所述变化趋势提取算法包括多项式回归算法和移动平均算法；基于所述变化趋势提取算法，对目标时间序列进行确定性因素分解，得到变化趋势数据。4.根据权利要求2所述的时间序列分析方法，其特征在于，所述根据所述目标时间序列和所述变化趋势数据确定目标残差包括：根据所述目标时间序列和所述变化趋势数据确定第一残差；对所述第一残差进行分组处理得到周期数据，基于所述第一残差和所述周期数据确定目标残差。5.根据权利要求4所述的时间序列分析方法，其特征在于，所述对所述第一残差进行分组处理得到周期数据包括：基于所述目标时间序列的周期对所述第一残差进行分组处理，...
【专利技术属性】
技术研发人员：刘芳，王斌，闫文，李方岩，赵洪松，
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。