基于深度学习的指标数据预测方法技术

本申请提供基于深度学习的指标数据预测方法

【技术实现步骤摘要】
基于深度学习的指标数据预测方法、装置、设备及介质


[0001]本申请涉及大数据领域，尤其涉及基于深度学习的指标数据预测方法
、
装置
、
设备及介质
。

技术介绍

[0002]数据预测是机器学习的重要应用之一，通常可以根据已知的数据预测与之相关的未知的数据
。
不同的数据有着不同的变化规律与趋势，通常需要使用不同的方法对不同类型的数据进行数据预测
。

技术实现思路

[0003]有鉴于此，本说明书提供以下方法
、
装置
、
设备及介质
。
[0004]在本申请的第一方面，提供一种基于深度学习的指标数据预测方法，所述方法包括：
[0005]获取指标体系数据，所述指标体系数据包含待预测的第一指标数据序列和至少一个与第一指标数据序列相关的第二指标数据序列；
[0006]获取所述第一指标数据序列的趋势特征和分布特征，以及各个第二指标数据序列分别和所述第一指标数据序列的关联性类型；
[0007]基于所述趋势特征
、
分布特征和关联性类型，根据算法分类模型从多种预测算法中选择出与所述第一指标数据序列匹配的目标预测算法；
[0008]基于所述目标预测算法，预测所述第一指标数据序列中的指标数据
。
[0009]在本申请的第二方面，提供基于深度学习的指标数据预测装置，所述装置包括：
[0010]特征获取单元，用于获取所述第一指标数据序列的趋势特征和分布特征，以及各个第二指标数据序列分别和所述第一指标数据序列的关联性类型；
[0011]算法选择单元，用于基于所述趋势特征
、
分布特征和关联性类型，根据算法分类模型从多种预测算法中选择出与所述第一指标数据序列匹配的目标预测算法；
[0012]数据预测单元，用于基于所述目标预测算法，预测所述第一指标数据序列中的指标数据
。
[0013]在本申请的第三方面，提供了一种电子设备，包括通信接口
、
处理器
、
存储器和总线，所述通信接口
、
所述处理器和所述存储器之间通过总线相互连接；
[0014]所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，执行以上方法
。
[0015]在本申请的第四方面，提供了一种机器可读存储介质，所述机器可读存储介质存储有机器可读指令，所述机器可读指令在被处理器调用和执行时，实现以上方法
。
[0016]本说明书以上的实施方式，至少具有如下的有益效果：
[0017]以上技术方案通过基于算法选择模型，根据待预测的指标数据序列的数据特征，从预设的多种预测算法中选择出与指标体系数据适配的预测性能最佳的预测算法，并基于
选择出的预测算法，对指标体系中待预测的指标数据序列进行预测的串行逻辑，实现了自动从多种预测算法中匹配出最适算法的功能，由此可以提高预测方法面对属于不同的指标体系的指标数据序列的预测任务的适应性，是一种面对各异的数据预测任务时兼顾通用性和预测准确度的方法
。
附图说明
[0018]图1是一示例性的实施例示出的一种基于深度学习的指标数据预测方法的流程图；
[0019]图2是一示例性的实施例示出的一种基于深度学习的指标数据预测方法的示意图；
[0020]图3是一示例性的实施例示出的一种基于深度学习的指标数据预测装置所在电子设备的硬件结构图；
[0021]图4是一示例性的实施例示出的一种基于深度学习的指标数据预测装置的框图
。
具体实施方式
[0022]这里将详细地对示例性实施例进行说明，其示例表示在附图中
。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素
。
以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式
。
相反，它们仅是与如所附权利要求书中所详述的
、
本申请的一些方面相一致的装置和方法的例子
。
[0023]需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤
。
在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少
。
此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述
。
[0024]为了使本
的人员更好地理解本说明书实施例中的技术方案，下面先对本说明书实施例涉及的家具溯源的相关技术，进行简要说明
。
[0025]深度学习：是学习样本数据的内在规律和表示层次，使机器模仿视听和思考等人类的活动，最终目标是让机器能够像人一样具有分析学习能力，能够识别文字
、
图像和声音等数据
。
基本结构由一层神经网络把大量矩阵数字作为输入，通过非线性激活方式取得权重，生成另一个数据集合作为下一层神经网络的输入
。
通过合适的矩阵数量
、
多层组织链接到一起，形成神经网络进行复杂处理，直至最后产生输出集合
。
[0026]时间序列：指将同一指标数据序列的数值按其发生的时间先后顺序排列而成的数列
。
[0027]预测：指人们利用已经掌握的知识和手段，预先推知和判断事物未来发展状况的一种活动
。
具体说来，就是人们根据事物过去发展变化的客观过程和某些规律性，根据事物运动和变化的状态，运用各种定性和定量分析方法，对事物未来可能出现的趋势和可能达到的水平所进行的科学推测
。
[0028]在数据预测领域，需要根据已知的数据来预测与其相关的未知数据
。
例如，在零售
、
供应链
、
能源
、
安防
、
金融等领域，通常需要对未来的相关销售数据
、
供需数据
、
生产数据
等进行预测
。
[0029]针对这些数据需求，相关技术中可以采用基于统计类方法或深度学习的多种数据预测算法进行数据预测，例如
ARIMA(
差分整合移动平均自回归模型
)
算法，
LSTM(
长短期记忆网络
)
算法等
。
[0030]但是，由于不同的数据通常有着不同的规律和变化趋势，因此目前并没有一种方法能准确地对所有数据进行数据预测
。
这些预测方法通常在对某些数据进行数据预测时，具有较高的准确率，而在对另一些数据进行预测时，却不能准确地预测到正确的数据
。
[0031]并且，大量传统的数据预测方法对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的指标数据预测方法，其特征在于，所述方法包括：获取指标体系数据，所述指标体系数据包含待预测的第一指标数据序列和至少一个与第一指标数据序列相关的第二指标数据序列；获取所述第一指标数据序列的趋势特征和分布特征，以及各个第二指标数据序列分别和所述第一指标数据序列的关联性类型；基于所述趋势特征
、
分布特征和关联性类型，根据算法分类模型从多种预测算法中选择出与所述第一指标数据序列匹配的目标预测算法；基于所述目标预测算法，预测所述第一指标数据序列中的指标数据
。2.
根据权利要求1所述的方法，其特征在于，所述基于所述趋势特征
、
分布特征和关联性类型，根据算法分类模型从多种预测算法中选择出与所述第一指标数据序列匹配的目标预测算法，包括：基于所述趋势特征
、
分布特征和关联性类型，以及所述指标体系数据，根据算法分类模型从多种预测算法中选择出与所述第一指标数据序列匹配的目标预测算法
。3.
根据权利要求1所述的方法，其特征在于，所述获取指标体系数据，包括：提取指标体系数据；基于预设的插值算法，针对存在缺失值的指标数据序列进行缺失值填补
。4.
根据权利要求1所述的方法，其特征在于，所述基于所述目标预测算法，预测所述第一指标数据序列中的指标数据，包括：判断所述目标预测算法的算法类型；基于所述算法类型，确定与所述算法类型对应的输入类型；基于所述输入类型，基于所述趋势特征
、
分布特征和关联性类型，生成与所述输入类型对应的输入数据；将所述输入数据作为所述目标预测算法的输入，预测所述第一指标数据序列中的指标数据
。5.
根据权利要求1所述的方法，其特征在于，所述方法还包括：判断所述目标预测算法预测得到的第一指标数据序列的第一预测值是否存在异常；如果所述第一预测值存在异常，依次将所述指标体系数据中的各项指标数据序列作为目标指标数据序列，分别执行以下步骤：屏蔽所述指标体系数据中的所述目标指标数据序列，并使用所述目标预测算法针对所述第一指标数据序列进行数据预测得到第二预测值；在所述第二预测值不存在异常的情形下，确定所述目标指标数据序列存在异常
...

【专利技术属性】
技术研发人员：金雨雯，谢素丹，
申请(专利权)人：杭州数梦工场科技有限公司，
类型：发明
国别省市：