【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 ...
【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:
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。