System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智慧供应链,尤其涉及一种预测方法、装置、存储介质及电子设备。
技术介绍
1、时间序列(time series,ts)预测是利用过去一段时间的数据来预测未来一段时间内的信息。在很多业务场景中,需要做一些时序的预测,如预测未来的销量、gmv、用户数等。
2、在实现本专利技术的过程中,发现现有技术中至少存在以下技术问题:目前的时序预测方法的实时预测准确性差。
技术实现思路
1、本专利技术提供了一种预测方法、装置、存储介质及电子设备,以提高实时预测准确性。
2、根据本专利技术的一方面,提供了一种预测方法,包括:
3、获取预测对象的离线数据、在当前时刻的实时数据和历史时刻的预测结果;
4、基于当前时刻对应的预测模型对所述离线数据、所述实时数据和历史时刻的预测结果进行处理,得到对预测对象的当前预测结果。
5、可选的,所述预测模型中包括特征提取模块和循环预测模块;
6、所述基于当前时刻对应的预测模型对所述离线数据、所述实时数据和历史时刻的预测结果进行处理,得到对预测对象的当前预测结果,包括:
7、将所述离线数据和所述实时数据输入至所述特征提取模块,得到对象特征;
8、将所述对象特征和所述历史时刻的预测结果输入至所述循环预测模块,得到对预测对象的当前预测结果。
9、可选的,所述特征提取模块包括第一特征提取模块和第二特征提取模块,所述第一特征提取模块和所述第二特征提取模块并行设置
10、所述将所述离线数据和所述实时数据输入至所述特征提取模块,得到对象特征,包括:
11、将所述离线数据和所述实时数据分别输入至所述第一特征提取模块和所述第二特征提取模块,得到第一对象特征和第二对象特征,其中,所述第一对象特征和所述第二对象特征融合得到对象特征。
12、可选的,所述预测模型的训练过程包括:
13、在预测对象在当前时段之前的预设历史时间段内的历史数据中进行数据抽样,确定训练数据;
14、基于所述训练数据对待训练的预测模型进行训练,得到当前时段的预测模型。
15、可选的,所述在预测对象在当前时段之前的预设历史时间段内的历史数据中进行数据抽样,确定训练数据,包括:
16、在预设历史时间段内的历史数据数量小于等于预设数量的情况下,基于所述历史数据的时间信息确定所述历史数据的抽样概率,并基于各历史数据的抽样概率对各历史数据进行又放回的抽样,确定训练数据;
17、在预设历史时间段内的历史数据数量大于预设数量的情况下,对历史数据进行随机抽样,确定训练数据。
18、可选的,所述方法还包括:
19、获取历史时刻对应的历史预测模型的对各时刻的预测结果,以及对应时刻的实际结果,基于同一时刻的预测结果和实际结果确定损失函数;
20、基于所述损失函数对所述待训练的预测模型进行训练。
21、可选的,所述预测对象为被售卖物品,预测结果为所述被售卖物品在未来时段的销量。
22、根据本专利技术的另一方面,提供了一种预测装置,包括:
23、数据获取模块,用于获取预测对象的离线数据、在当前时刻的实时数据和历史时刻的预测结果;
24、预测模块,用于基于当前时刻对应的预测模型对所述离线数据、所述实时数据和历史时刻的预测结果进行处理,得到对预测对象的当前预测结果。
25、根据本专利技术的另一方面,提供了一种电子设备,所述电子设备包括:
26、至少一个处理器;以及
27、与所述至少一个处理器通信连接的存储器;其中,
28、所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本专利技术任一实施例所述的预测方法。
29、根据本专利技术的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的预测方法。
30、本专利技术实施例的技术方案,通过获取预测对象的离线数据、实时数据和历史时刻的预测结果,基于当前时刻对应的预测模型对上述离线数据、实时数据和历史时刻的预测结果进行处理,可得到高精度的实时预测结果,其中,实时数据中可包括对预测对象的实时调控数据,当前时刻的实时数据进行预测,可提高预测结果的准确度,通过将历史时刻的预测结果作为先验信息,减小局部数据对预测结果的干扰,提高预测结果的准确度。进一步的,通过在不同时段设置不同的预测模型,并在当前时刻调用当前时刻对应的预测模型,提高预测模型的预测针对性和准确性。
31、应当理解,本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征,也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述预测模型中包括特征提取模块和循环预测模块;
3.根据权利要求2所述的方法,其特征在于,所述特征提取模块包括第一特征提取模块和第二特征提取模块,所述第一特征提取模块和所述第二特征提取模块并行设置;
4.根据权利要求1所述的方法,其特征在于,所述预测模型的训练过程包括:
5.根据权利要求4所述的方法,其特征在于,所述在预测对象在当前时段之前的预设历史时间段内的历史数据中进行数据抽样,确定训练数据,包括:
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
7.根据权利要求1所述的方法,其特征在于,所述预测对象为被售卖物品,预测结果为所述被售卖物品在未来时段的销量。
8.一种预测装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一
...【技术特征摘要】
1.一种预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述预测模型中包括特征提取模块和循环预测模块;
3.根据权利要求2所述的方法,其特征在于,所述特征提取模块包括第一特征提取模块和第二特征提取模块,所述第一特征提取模块和所述第二特征提取模块并行设置;
4.根据权利要求1所述的方法,其特征在于,所述预测模型的训练过程包括:
5.根据权利要求4所述的方法,其特征在于,所述在预测对象在当前时段之前的预设历史时间段内的历史数据中进行数...
【专利技术属性】
技术研发人员:苏东峰,崔汝伟,韩艾,郭艺洁,
申请(专利权)人:北京沃东天骏信息技术有限公司,
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。