【技术实现步骤摘要】
本申请涉及人工智能领域，尤其涉及一种时间序列预测方法、装置、设备以及介质。
技术介绍
1、在时间序列预测中，涉及从多个数据表的高维事件记录中提取局部特征以及时间序列的全局特征，例如，在医疗大数据领域中围绕病人将相关的多个医疗信息数据表连接起来产生稀疏多维数据，从该稀疏多维数据提取局部特征以及全局特征，基于提取特征进行时间序列预测，即预测病人在未来时刻的事件发生概率。
2、然而，现有的数据特征提取方法仍需要领域专业人员参与数据分析，人工处理效率较低，且由人工确定单条记录中哪些中间特征对结果有影响，也容易丢失与最终目标导向先关的隐含特征，导致预测精度变差。同时，现有的时间序列预测方法中不能同时提取单条事件记录的局部特征和多条记录构成的时间序列全局特征，进一步降低了预测方法的执行效率。
技术实现思路
1、本申请实施例的主要目的在于提出一种时间序列预测方法、装置、设备以及介质，能够自动同时提取局部特征以及时间序列全局特征，提高时间序列预测方法的执行效率以及预测精度。
2、为实现上述目的，本申请实施例的第一方面提出了一种时间序列预测方法，所述方法包括：
3、获取时间序列数据集，所述时间序列数据集包括多条事件记录信息；
4、将所述事件记录信息输入至预构建的第一编码器，得到每条所述事件记录信息的目标局部特征向量；
5、根据每条所述事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，通过预构建的第二编码器根据所述目标局部特征
6、对所述目标局部特征向量和所述目标全局特征向量进行融合处理，得到目标全局融合特征；
7、基于所述目标全局融合特征进行时间序列的预测，得到时间序列预测结果。为实现上述目的，本申请实施例的第二方面提出了一种时间序列预测装置，所述装置包括：
8、时间序列获取模块，用于获取时间序列数据集，所述时间序列数据集包括多条事件记录信息；
9、局部特征提取模块，用于将所述事件记录信息输入至预构建的第一编码器，得到每条所述事件记录信息的目标局部特征向量；
10、全局特征提取模块，用于根据每条所述事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，通过预构建的第二编码器根据所述目标局部特征向量集合得到目标全局特征向量；
11、特征向量融合模块，用于对所述目标局部特征向量和所述目标全局特征向量进行融合处理，得到目标全局融合特征；
12、时间序列预测模块，用于基于所述目标全局融合特征进行时间序列的预测，得到时间序列预测结果。
13、为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面所述的方法。
14、为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
15、本申请提出一种时间序列预测方法、装置、电子设备以及计算机可读存储介质，所述时间序列预测方法包括获取时间序列数据集，时间序列数据集包括多条事件记录信息，将事件记录信息输入至预构建的第一编码器，得到每条事件记录信息的目标局部特征向量，根据每条事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，将目标局部特征向量集合输入至预构建的第二编码器，得到目标全局特征向量，对目标局部特征向量和目标全局特征向量进行融合处理，得到目标全局融合特征，基于目标全局融合特征进行时间序列的预测，得到时间序列预测结果。本申请实施例通过预构建第一编码器从时间序列数据集中的单条事件记录信息中提取局部特征向量，由每条事件记录信息的局部特征向量得到时间序列的局部特征向量集合，再将局部特征向量集合输入至预构建的第二编码器，由第二编码器根据局部特征向量集合生成全局特征向量，融合局部特征向量和全局特征向量之后即可进行时间序列预测，最大程度地减少人工干预，自动实现单条事件记录的局部特征提取以及全局时间序列特征提取，且自动提取过程贯穿单条事件记录的处理阶段和全局时间序列的处理阶段，能够提高时间序列预测方法的执行效率以及预测精度。
本文档来自技高网...【技术保护点】
1.一种时间序列预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一编码器为变分自编码器模型中的编码器，所述第二编码器为Transformer模型中的编码器。
3.根据权利要求2所述的方法，其特征在于，所述通过预构建的第二编码器根据所述目标局部特征向量集合得到目标全局特征向量，包括：
4.根据权利要求2所述的方法，其特征在于，所述第一编码器和所述第二编码器通过以下步骤训练得到：
5.根据权利要求4所述的方法，其特征在于，所述对预构建的变分自编码器模型进行训练，得到训练后的变分自编码器模型，包括：
6.根据权利要求4所述的方法，其特征在于，所述对所述全局特征提取模型进行训练，得到训练好的所述第一编码器和所述第二编码器，包括：
7.根据权利要求6所述的方法，其特征在于，所述对所述全局特征提取模型中的变分自编码器模型部分和Transformer模型部分进行交替训练，得到训练好的所述第一编码器和所述第二编码器，包括：
8.根据权利要求7所述的方法，所述对所述全局特征提取
9.根据权利要求7所述的方法，其特征在于，在训练所述全局特征提取模型的过程中，所述方法还包括：
10.一种时间序列预测装置，其特征在于，所述装置包括：
11.一种电子设备，其特征在于，包括：
12.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法。
...【技术特征摘要】
1.一种时间序列预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一编码器为变分自编码器模型中的编码器，所述第二编码器为transformer模型中的编码器。
3.根据权利要求2所述的方法，其特征在于，所述通过预构建的第二编码器根据所述目标局部特征向量集合得到目标全局特征向量，包括：
4.根据权利要求2所述的方法，其特征在于，所述第一编码器和所述第二编码器通过以下步骤训练得到：
5.根据权利要求4所述的方法，其特征在于，所述对预构建的变分自编码器模型进行训练，得到训练后的变分自编码器模型，包括：
6.根据权利要求4所述的方法，其特征在于，所述对所述全局特征提取模型进行训练，得到训练好的所述第一编码器和所述第二编码器，包...
【专利技术属性】
技术研发人员：蒋冬梅，李斐，王耀威，陈益强，谷洋，
申请(专利权)人：鹏城实验室，
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。