【技术实现步骤摘要】
本申请涉及计算机，特别是涉及一种序列预测方法、模型处理方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、随着计算机技术和人工智能的发展，时间序列预测的应用越来越多，时间序列预测在很多场景中可以起到重要的作用。例如，在工业领域中，可以预测电池容量随着时间的衰减情况，在交通领域中，可以预测红绿灯路口的车流量随着时间的变化等。
2、传统技术中，可以通过建立数学模型的方法进行时间序列的预测，例如可以通代数或微分方程的方式构建数学模型，来预测时间序列。
3、然而，构建数学模型的过程容易出现误差，从而导致时间序列预测的准确度较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提升序列预测准确度的序列预测方法、模型处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、一方面，本申请提供了一种序列预测方法，包括：获取目标项目的历史数据项序列；所述历史数据项序列包括所述目标项目在多个历史时间中每个历史时间的数据项，且各所述数据项按各自历史时间的时序排列；获取所述历史数据项序列中每个数据项分别对应的经验知识，所述经验知识是描述所述目标项目状态的文本，所述文本中描述所述状态的时间，在所述经验知识所对应数据项的历史时间之后；提取每个所述经验知识的语义特征，得到每个所述经验知识的语义特征；将所述历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列；根据所述历史融合项序列，预测所述目标项
3、另一方面，本申请还提供了一种序列预测装置，包括：序列获取模块，用于获取目标项目的历史数据项序列；所述历史数据项序列包括所述目标项目在多个历史时间中每个历史时间的数据项，且各所述数据项按各自历史时间的时序排列；知识获取模块，用于获取所述历史数据项序列中每个数据项分别对应的经验知识，所述经验知识是描述所述目标项目状态的文本，所述文本中描述所述状态的时间，在所述经验知识所对应数据项的历史时间之后；特征提取模块，用于提取每个所述经验知识的语义特征，得到每个所述经验知识的语义特征；数据融合模块，用于将所述历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列；序列预测模块，用于根据所述历史融合项序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列；所述观察时间在各所述历史时间之后。
4、在一些实施例中，所述数据融合模块，还用于：针对所述历史数据项序列中的每个数据项，将所述数据项与对应的经验知识的语义特征进行拼接，得到每个所述数据项分别对应的融合项；按照所述历史数据项序列中数据项的排列顺序，对每个所述数据项分别对应的融合项进行排列，生成历史融合项序列。
5、在一些实施例中，所述装置还用于：按照所述历史数据项序列中数据项的排列顺序，对各所述数据项对应的经验知识的语义特征进行排列，生成语义特征序列；所述数据融合模块，还用于：将所述历史数据项序列和所述语义特征序列中同一位置处的数据项和语义特征进行拼接，得到每个所述数据项分别对应的融合项。
6、在一些实施例中，序列预测模块，还用于：按照所述历史融合项序列中每个融合项包括的语义特征，对所述历史融合项序列进行切分，得到多个子序列；其中，同一所述子序列中融合项包括的语义特征一致，相邻的两个所述子序列中融合项包括的语义特征不一致；基于所述多个子序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列。
7、在一些实施例中，所述序列预测模块，还用于：对所述多个子序列分别进行编码，得到每个所述子序列分别对应的编码特征；根据每个所述子序列分别对应的编码特征，生成所述历史数据项序列对应的编码特征序列；基于所述历史数据项序列对应的编码特征序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列。
8、在一些实施例中，所述编码特征是通过已训练的编码模型生成的，所述方法还包括编码模型训练模块，所述编码模型训练模块，用于：获取正样本对，所述正样本对包括所述目标项目在至少两个存在重叠的历史时段分别对应的样本，所述历史时段对应的样本包括所述目标项目在所述历史时段中各历史时间的数据项，所述样本中数据项按各自时序排列；获取负样本对，所述负样本对包括所述目标项目在至少两个不存在重叠的历史时段分别对应的样本；针对所述正样本对中每个样本，将所述样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成所述正样本对中每个样本分别对应的融合项序列；针对所述负样本对中每个样本，将所述样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成所述负样本对中每个样本分别对应的融合项序列；根据所述正样本对中每个样本分别对应的融合项序列、所述负样本对中每个样本分别对应的融合项序列，训练编码模型。
9、在一些实施例中，所述编码模型训练模块，还用于：将所述正样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得所述正样本对中每个样本分别对应的编码特征序列；将所述负样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得所述负样本对中每个样本分别对应的编码特征序列；确定所述正样本对中每个样本分别对应的编码特征序列之间的相似度，得到所述正样本对对应的相似度；确定所述负样本对中每个样本分别对应的编码特征序列之间的相似度，得到所述负样本对对应的相似度；根据所述正样本对对应的相似度和所述负样本对对应的相似度，训练所述编码模型。
10、在一些实施例中，所述编码模型训练模块，还用于：对多个正样本对分别对应的相似度进行第一统计运算，得到第一统计相似度；对多个负样本对分别对应的相似度进行所述第一统计运算，得到第二统计相似度；基于所述第一统计相似度与所述第二统计相似度之间的差异，训练所述编码模型。
11、在一些实施例中，所述编码模型训练模块，还用于：对多个正样本对分别对应的相似度的分布情况进行评估，得到第一评估值；对多个负样本对分别对应的相似度的分布情况进行评估，得到第二评估值；基于所述第一评估值和所述第二评估值，训练所述编码模型。
12、在一些实施例中，所述预测数据项序列是通过已训练的序列预测模型得到的，所述方法还包括序列预测模型训练模块，所述序列预测模型训练模块，用于：获取样本数据项序列；所述样本数据项序列包括所述目标项目在第一历史时段中各历史时间的数据项，且所述样本数据项序列中各数据项按照各自历史时间的时序排列；将所述样本数据项序列中的每个数据项，分别与对应的经验知识的语义特征融合为融合项，生成样本融合项序列；基于已训练的编码模型对所述样本融合项序列进行编码，生成样本编码特征序列；将所述样本编码特征序列输入到待训练的序列预测模型中，预测所述目标项目在第二历史本文档来自技高网...
【技术保护点】
1.一种序列预测方法，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，所述将所述历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列，包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述历史融合项序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述多个子序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，包括：
6.根据权利要求5所述的方法，其特征在于，所述编码特征是通过已训练的编码模型生成的，所述方法还包括编码模型训练步骤，所述编码模型训练步骤包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述正样本对中每个样本分别对应的融合项序列、所述负样本对中每个样本分别对应的融合项序列，训练编码模型，包括：
8.根据权利要求7所述的方法，其
9.根据权利要求7所述的方法，其特征在于，所述根据所述正样本对对应的相似度和所述负样本对对应的相似度，训练所述编码模型，包括：
10.根据权利要求1所述的方法，其特征在于，所述预测数据项序列是通过已训练的序列预测模型得到的，所述方法还包括序列预测模型训练步骤，所述序列预测模型训练步骤包括：
11.一种模型处理方法，其特征在于，所述方法包括：
12.一种序列预测装置，其特征在于，所述装置包括：
13.一种模型处理装置，其特征在于，所述装置包括：
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，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11中任一项所述的方法的步骤。
16.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种序列预测方法，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，所述将所述历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列，包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述历史融合项序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述多个子序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，包括：
6.根据权利要求5所述的方法，其特征在于，所述编码特征是通过已训练的编码模型生成的，所述方法还包括编码模型训练步骤，所述编码模型训练步骤包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述正样本对中每个样本分别对应的融合项序列、所述负样本对中每个样本分别对应的融合项序列，训练编码模型，包括：
8.根据权利要求7所述的方法，其特征在于，所述根据所述正样本对对应的...
【专利技术属性】
技术研发人员：沈雷，
申请(专利权)人：腾讯科技深圳有限公司，
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。