改进用于基于时间序列预测的多变量方法的准确性技术

技术编号:40377929 阅读:20 留言:0更新日期:2024-02-20 22:17
本文的部分实施例涉及改进用于基于时间序列预测的多变量方法的准确性。在一些实现中,监控设备可以获得分别与多个资源相关联的多个时间序列数据流。监控设备可以使用多个机器学习模型并且基于多个时间序列数据流生成多个多步预测值集合,其中每个多步预测值集合与多个资源相关联。监控设备可以基于多个多步预测值集合确定与多个资源相关联的特定多步预测值集合。监控设备可以基于特定多步预测值集合,使一个或多个动作被执行。在一些实现中,监控设备可以基于多个时间序列数据流和多个多步预测值集合,确定在第一资源和第二资源之间存在相关性。

【技术实现步骤摘要】


技术介绍

1、基于时间序列预测是一种基于未来趋势会与历史趋势相似的假设,用于通过分析过去趋势以预测未来事件的技术。通常,预测涉及使用将历史数据进行处理以预测未来数值的机器学习模型。


技术实现思路

1、本文中描述的一些实现涉及一种设备。该设备可以包括一个或多个存储器和一个或多个处理器。该设备可以被配置为获取分别与多个资源相关联的多个时间序列数据流。该设备可以被配置为使用第一机器学习模型并且基于多个时间序列数据流生成与多个资源相关联的第一多步预测值集合。该设备可以被配置为使用第二机器学习模型并且基于多个时间序列数据流生成与多个资源相关联的第二多步预测值集合。该设备可以被配置为使用第三机器学习模型并且基于多个时间序列数据流生成与多个资源相关联的第三多步预测值集合。该设备可以被配置为基于第一多步预测值集合、第二多步预测值集合和第三多步预测值集合,确定与多个资源相关联的特定多步预测值集合。该设备可以被配置为基于特定多步预测值集合,使一个或多个动作被执行。

2、本文中描述的一些实现涉及一种非暂态计算机可读介本文档来自技高网...

【技术保护点】

1.一种设备,包括:

2.根据权利要求1所述的设备,其中所述第一机器学习模型、所述第二机器学习模型和所述第三机器学习模型中的每个机器学习模型是多变量多并行基于时间序列的机器学习模型,其中:

3.根据权利要求1所述的设备,其中:

4.根据权利要求1所述的设备,其中用于确定所述特定多步预测值集合的所述一个或多个处理器用于:

5.根据权利要求1所述的设备,其中用于确定所述特定多步预测值集合的所述一个或多个处理器用于:

6.根据权利要求1所述的设备,其中用于使所述一个或多个动作被执行的所述一个或多个处理器用于:>

7.根据权利...

【技术特征摘要】

1.一种设备,包括:

2.根据权利要求1所述的设备,其中所述第一机器学习模型、所述第二机器学习模型和所述第三机器学习模型中的每个机器学习模型是多变量多并行基于时间序列的机器学习模型,其中:

3.根据权利要求1所述的设备,其中:

4.根据权利要求1所述的设备,其中用于确定所述特定多步预测值集合的所述一个或多个处理器用于:

5.根据权利要求1所述的设备,其中用于确定所述特定多步预测值集合的所述一个或多个处理器用于:

6.根据权利要求1所述的设备,其中用于使所述一个或多个动作被执行的所述一个或多个处理器用于:

7.根据权利要求1所述的设备,其中所述一个或多个动作包括以下中的至少一个:

8.根据权利要求1所述的设备,其中所述一个或多个处理器还用于:

9.根据权利要求8所述的设备,其中所述一个或多个处理器还用于:

10.一种非暂态计算机可读介质,存储指令集合,所述指令集合包括:

11.根据权利要求10所述的非暂态计算机...

【专利技术属性】
技术研发人员:S·穆科帕迪亚R·恩S·K·米什拉P·S·阿亚尼勒D·T·达纳拉杰S·巴内杰S·格拉普迪
申请(专利权)人:瞻博网络公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1