长期时间序列预测模型的训练方法和预测方法技术

本公开提供了长期时间序列预测模型的训练方法和预测方法，涉及人工智能技术领域，尤其涉及神经网络模型

【技术实现步骤摘要】
长期时间序列预测模型的训练方法和预测方法


[0001]本公开涉及人工智能
，尤其涉及神经网络模型
、
长期时间序列预测等领域
。

技术介绍

[0002]现有技术中，神经网络模型已经被广泛应用于多种领域，例如用于对长期时间序列的预测
。
长期时间序列可以包括将同一统计指标的数值按照发生时间的先后顺序排列形成的数列；长期时间序列预测可以包括根据已有的历史长期时间序列对未来的长期时间序列进行预测
。
[0003]但是，目前现有的长期时间序列预测方法的预测效果并不理想
。
因此，如何提高长期时间序列预测的准确性，成为目前亟待解决的技术问题
。

技术实现思路

[0004]本公开提供了长期时间序列预测模型的训练方法和预测方法
。
[0005]根据本公开的一方面，提供了一种长期时间序列预测模型的训练方法，包括：
[0006]将第一样本长期时间序列输入待训练的长期时间序列预测模型；在待训练的长期时间序列预测模型中利用第一样本长期时间序列，确定第一频域序列；
[0007]调整第一频域序列，以得到第二频域序列；
[0008]基于第二频域序列对应的第二样本长期时间序列，确定目标长期时间序列的第一预测结果；以及，利用目标长期时间序列的标签和第一预测结果进行模型训练
。
[0009]根据本公开的另一方面，提供了一种长期时间序列预测方法，包括：
[0010]将历史长期时间序列输入训练后的长期时间序列预测模型；由训练后的长期时间序列预测模型利用历史长期时间序列，确定目标长期时间序列的第一预测结果；
[0011]训练后的长期时间序列预测模型为采用任一长期时间序列预测模型的训练方法训练得到的
。
[0012]根据本公开的另一方面，提供了一种长期时间序列预测模型的训练装置，包括：
[0013]第一确定模块，用于将第一样本长期时间序列输入待训练的长期时间序列预测模型；在待训练的长期时间序列预测模型中利用第一样本长期时间序列，确定第一频域序列；
[0014]调整模块，用于调整第一频域序列，以得到第二频域序列；
[0015]第二确定模块，用于基于第二频域序列对应的第二样本长期时间序列，确定目标长期时间序列的第一预测结果；以及，利用目标长期时间序列的标签和第一预测结果进行模型训练
。
[0016]根据本公开的另一方面，提供了一种长期时间序列预测装置，包括：
[0017]第三确定模块，用于将历史长期时间序列输入训练后的长期时间序列预测模型；由训练后的长期时间序列预测模型利用历史长期时间序列，确定目标长期时间序列的第一预测结果；训练后的长期时间序列预测模型为采用任一长期时间序列预测模型的训练装置
训练得到的
。
[0018]根据本公开的另一方面，提供了一种电子设备，包括：
[0019]至少一个处理器；以及
[0020]与该至少一个处理器通信连接的存储器；其中，
[0021]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开中任一实施例的方法
。
[0022]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开中任一实施例的方法
。
[0023]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法
。
[0024]本公开提出的长期时间序列预测模型的训练方法通过对第一样本长期时间序列对应的第一频域序列进行一系列的调整，能够缓解由于第一样本长期时间序列中所包含的外界噪声
、
以及第一样本长期时间序列的分布范围不同而造成的预测效果不够准确
、
以及预测模型鲁棒性不够高的问题
。
[0025]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围
。
本公开的其它特征将通过以下的说明书而变得容易理解
。
附图说明
[0026]附图用于更好地理解本方案，不构成对本公开的限定
。
其中：
[0027]图1是根据本公开实施例的应用场景示意图；
[0028]图2是根据本公开实施例的长期时间序列预测模型的训练方法的流程示意图；
[0029]图3是根据本公开实施例的待训练的长期时间序列预测模型的结构示意图一；
[0030]图4是根据本公开实施例的频域分割降噪模块的结构示意图；
[0031]图5是根据本公开实施例的待训练的长期时间序列预测模型的结构示意图二；
[0032]图6是根据本公开实施例的前馈神经网络的结构示意图；
[0033]图7是根据本公开实施的频域聚合解码器模块的结构示意图；
[0034]图8是根据本公开一实施例的长期时间序列预测模型的训练方法
800
的结构示意图；
[0035]图9是根据本公开一实施例的长期时间序列预测模型的训练装置
900
的结构示意图；
[0036]图
10
是根据本公开一实施例的长期时间序列预测模型的训练装置
1000
的结构示意图；
[0037]图
11
是根据本公开一实施例的长期时间序列的预测装置
1100
的结构示意图；
[0038]图
12
示出了可以用来实施本公开的实施例的示例电子设备
1200
的示意性框图
。
具体实施方式
[0039]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的
。
因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神
。
同
样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述
。
[0040]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的
。
因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神
。
同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述
。
[0041]本文中术语“和
/
或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，
A
和
/
或
B
，可以表示：单独存在
A<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种长期时间序列预测模型的训练方法，包括：将第一样本长期时间序列输入待训练的长期时间序列预测模型；在所述待训练的长期时间序列预测模型中利用所述第一样本长期时间序列，确定第一频域序列；调整所述第一频域序列，以得到第二频域序列；基于所述第二频域序列对应的第二样本长期时间序列，确定目标长期时间序列的第一预测结果；以及，利用所述目标长期时间序列的标签和所述第一预测结果进行模型训练
。2.
根据权利要求1所述的方法，其中，所述调整所述第一频域序列，以得到第二频域序列，包括：对所述第一频域序列进行维度调整处理，以得到第三频域序列；所述第三频域序列的维度高于所述第一频域序列的维度；对所述第三频域序列进行重构处理，以得到所述第二频域序列；所述第二频域序列和所述第三频域序列的频域特征不同
。3.
根据权利要求2所述的方法，其中，所述对所述第一频域序列进行维度调整处理，以得到第三频域序列，包括：分解所述第一频域序列，以得到所述第一频域序列对应的实部频域序列和虚部频域序列；分别调整所述实部频域序列和所述虚部频域序列的维度，以得到调整后的实部频域序列和调整后的虚部频域序列；结合所述调整后的实部频域序列和调整后的虚部频域序列，以得到所述第三频域序列；所述第三频域序列中的噪声小于所述第一频域序列中的噪声
。4.
根据权利要求1‑3中任一所述的方法，其中，所述频域特征包括重心频率
、
平均频率
、
均方根频率以及频率标准差中的至少之一
。5.
根据权利要求1‑4中任一所述的方法，其中，所述在所述待训练的长期时间序列预测模型中利用所述第一样本长期时间序列，确定第一频域序列，包括：确定所述第一样本长期时间序列对应的第一分布范围；所述第一分布范围包括所述第一样本长期时间序列中元素的分布范围；基于所述第一样本长期时间序列的第一分布范围，确定第二分布范围；基于所述第二分布范围对所述第一样本长期时间序列进行调整，并基于调整后的第一样本长期时间序列，确定所述第一频域序列
。6.
根据权利要求5所述的方法，其中，所述第一样本长期时间序列中元素的分布范围，采用以下至少之一表示：所述第一样本长期时间序列中所有元素的均值；所述第一样本长期时间序列中各个元素的标准差
。7.
根据权利要求5或6所述的方法，其中，所述基于所述第二分布范围对所述第一样本长期时间序列进行调整，并基于调整后的第一样本长期时间序列，确定所述第一频域序列，包括：将所述第一样本长期时间序列所对应的第一分布范围替换为所述第二分布范围，以得到所述调整后的第一样本长期时间序列；将所述调整后的第一样本长期时间序列映射到频域空间，以得到所述第一频域序列
。
8.
根据权利要求7所述的方法，其中，所述待训练的长期时间序列预测模型包括转换
Transformer
模型；所述
Transformer
模型包括编码器及前馈神经网络
。9.
根据权利要求8所述的方法，其中，所述基于所述第二频域序列对应的第二样本长期时间序列，确定目标长期时间序列的第一预测结果，包括：对所述第二样本长期时间序列的维度进行调整，以得到调整后的第二样本长期时间序列；所述调整后的第二样本长期时间序列的维度与所述编码器的维度相同；利用所述编码器及前馈神经网络对所述调整后的第二样本长期时间序列进行运算，以得到目标长期时间序列的第二预测结果；确定所述第二预测结果对应的频域序列；并利用所述第二预测结果对应的频域序列，确定所述目标长期时间序列第一预测结果
。10.
根据权利要求9所述的方法，其中，所述前馈神经网络包括正则化层
、
批标准化层和多层感知器；所述利用所述编码器及前馈神经网络对所述调整后的第二样本长期时间序列进行运算，以得到目标长期时间序列的第二预测结果，包括：利用所述编码器对所述调整后的第二样本长期时间序列进行运算，以得到第一运算结果；利用所述正则化层和所述批标准化层对所第一运算结果进行运算，以得到第二运算结果；以及，利用所述多层感知器和所述正则化层对所第二运算结果进行运算，以得到目标长期时间序列的第二预测结果
。11.
根据权利要求9或
10
所述的方法，其中，所述利用所述第二预测结果对应的频域序列，确定所述目标长期时间序列第一预测结果，包括：针对所述第二预测结果对应的频域序列，依次进行维度调整处理和重构处理，以得到第四频域序列；所述第四频域序列和所述第二预测结果对应的频域序列的频域特征不同；确定所述第四频域序列对应的长期时间序列；并调整所述第四频域序列对应的长期时间序列的第三分布范围，以得到所述目标长期时间序列的第一预测结果
。12.
根据权利要求
11
所述的方法，其中，所述调整所述第四频域序列对应的长期时间序列的第三分布范围，包括：基于所述第一样本长期时间序列的第一分布范围，调整所述第三分布范围
。13.
一种长期时间序列预测方法，包括：将历史长期时间序列输入训练后的长期时间序列预测模型；由所述训练后的长期时间序列预测模型利用历史长期时间序列，确定目标长期时间序列的第一预测结果；所述训练后的长期时间序列预测模型采用权利要求1‑
12
中任一训练方法训练得到
。14.
一种长期时间序列预测模型的训练装置，包括：第一确定模块，用于将第一样本长期时间序列输入待训练的长期时间序列预测模型；在所述待训练的长期时间序列预测模型中利用所述第一样本长期时间序列，确定第一频域序列；调整模块，用于调整所述第一频域序列，以得到第二频域序列；第二确定模块，用于基于所述第二频域序列对应的第二样本长期时间序列，确定目标

【专利技术属性】
技术研发人员：刘吉，刘健智，刘成，常琳，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：