本发明专利技术涉及一种多元时序预测方法、装置、电子设备及存储介质，该方法包括：获取历史时序数据，并对清洗后的历史时序数据进行预处理，以适应深度学习模型的输入要求，得到按照时间步进行划分的训练集和测试集。将训练集和测试集作为深度学习模型的输入数据对深度学习模型进行训练，并将每个时间步的预测时序数据作为输出数据，以构建长短时记忆网络模型。反复遍历训练集对长短时记忆网络模型进行多轮训练，并在每轮训练时通过梯度下降算法更新模型参数，得到多元时间序列预测模型。调用多元时间序列预测模型对实时时序数据进行预测，得到多元时间序列预测结果。该方法得到的多元时间序列预测模型的预测精度较高，且能够适应复杂的商旅采购场景。
1、随着全球化的加速和商务活动的不断扩大，商旅服务已经成为现代商务活动中不可或缺的一部分。商旅服务是为商务出差人员提供的一系列服务，包括机票、酒店、交通、签证以及保险等方面的服务。然而，随着商旅服务时长的不断发展，商旅服务的品质和效率也面临着一些困难和挑战。例如，在商旅服务中的酒店采购。首先，酒店的价格和质量差异较大，不同地区、不同星级的酒店价格相差较大，而且酒店的服务和设施等方面也存在一定的差异。其次，酒店采购需要考虑到出差人员的需求和偏好，比如地理位置、交通便利性以及安全性等方面的需求，这些因素都会对酒店采购的难度带来一定的影响。此外，酒店采购还需要考虑到成本控制的问题，商旅服务需要保证出差人员的舒适和安全的前提下，尽可能地降低成本。
2、目前，现有的商旅酒店采购方法主要包括以下两种，一种是根据历史数据和专业知识经验，通过人工分析预测未来一年酒店的采购需求，但是这种方式受主观意识影响较大，导致预测结果可能不够准确，并且需要消耗较多的时间和精力。另一种是根据统计学方法的时间序列分析，通过对历史数据进行采集和清洗，将时间序列分析系统集成到格式化后的数据分析平台，来实现系统分析用以预测未来的酒店采购需求和采购成本，该方法虽然简单易用，但是仅适用于数据量小且波动较为平稳的情况，难以考虑到复杂的因素以及非线性关系，导致预测精度有限。
/>技术实现思路
1、基于此，有必要针对上述技术问题，提供一种预测精度较高且能够适用于复杂场景中的多元时序预测方法、装置、电子设备及存储介质。
2、本专利技术提供了一种多元时序预测方法，所述方法包括：
3、获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，得到按照时间步进行划分的训练集和测试集；
4、将所述训练集和测试集作为所述深度学习模型的输入数据对所述深度学习模型进行训练，并将每个所述时间步的预测时序数据作为输出数据，以构建长短时记忆网络模型；
5、反复遍历所述训练集对所述长短时记忆网络模型进行多轮训练，并在每轮训练时通过梯度下降算法更新模型参数，得到多元时间序列预测模型；
6、调用所述多元时间序列预测模型对实时时序数据进行预测，得到多元时间序列预测结果。
7、在其中一个实施例中，所述获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，之前包括：
8、对所述历史时序数据进行清洗处理，所述清洗处理至少包括去噪处理、去重处理以及填充处理；
9、基于所述清洗处理，去除所述历史时序数据中的无用信息并修正所述历史时序数据中的错误信息。
10、在其中一个实施例中，所述获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，包括：
11、从清洗后的所述历史时序数据中提取第一特征，所述第一特征用于适应所述深度学习模型的输入要求，并包括所述时间步；
12、将清洗后的所述历史时序数据进行归一化处理，以生成所述训练集和测试集；
13、其中，每个所述时间步的模型输入数据均为多维向量，所述训练集和测试集由所述历史时序数据归一化处理后进行划分得到的。
14、在其中一个实施例中，所述获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，还包括：
15、对清洗后的所述历史时序数据进行增强处理，以生成模型训练数据，所述增强处理至少包括旋转、平移以及缩放；
16、当所述历史时序数据为多元时序数据时，通过随机截断方式将所述多元时序数据截断为多个子序列；
17、其中，所述模型训练数据包括所述多个子序列。
18、在其中一个实施例中，所述反复遍历所述训练集对所述长短时记忆网络模型进行多轮训练，并在每轮训练时通过梯度下降算法更新模型参数，得到多元时间序列预测模型，包括：
19、获取所述长短时记忆网络模型的损失函数，所述损失函数为所述输出数据的均方误差；
20、通过优化器获取所述梯度下降算法，并将所述梯度下降算法更新后的模型参数进行保存；
21、其中，所述损失函数用于衡量模型预测值与实际目标值之间的误差。
22、在其中一个实施例中，所述方法还包括：
23、基于所述将所述梯度下降算法更新后的模型参数进行保存，读取保存好的所述模型参数；
24、将所述测试集输入至所述多元时间序列预测模型，得到模型预测结果与真实值之间的误差，以对所述多元时间序列预测模型的预测精度进行评估。
25、在其中一个实施例中，所述方法还包括：
26、判断所述模型预测结果与真实值之间的误差是否超过第一阈值；若是，则
27、再次遍历所述训练集对所述多元时间序列预测模型进行训练；若否，则调用所述多元时间序列预测模型对实时时序数据进行预测。
28、本专利技术还提供了一种多元时序预测装置，所述装置包括：
29、数据处理模块，用于获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，得到按照时间步进行划分的训练集和测试集；
30、模型构建模块，用于将所述训练集和测试集作为所述深度学习模型的输入数据对所述深度学习模型进行训练，并将每个所述时间步的预测时序数据作为输出数据，以构建长短时记忆网络模型；
31、模型训练模块，用于反复遍历所述训练集对所述长短时记忆网络模型进行多轮训练，并在每轮训练时通过梯度下降算法更新模型参数，得到多元时间序列预测模型；
32、模型预测模块，用于调用所述多元时间序列预测模型对实时时序数据进行预测，得到多元时间序列预测结果。
33、本专利技术还提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述的多元时序预测方法。
34、本专利技术还提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的多元时序预测方法。
35、上述多元时序预测方法、装置、电子设备及存储介质，通过获取商旅采购的历史时序数据，并对历史时序数据进行清洗和预处理，使得历史时序数据适应深度学习模型的输入要求，得到按照一定时间步进行划分的训练集和测试集。随后，将得到的训练集和测试集作为深度学习模型的输入数据对深度学习模型进行训练，并将每个时间步的预测时序数据作为输出数据，完成长短时记忆网络模型的构建。然后，通过反复遍历训练集来对构建的长短时记忆网络模型进行多轮训练，并在每轮训练时通过梯度下降算法更新模型参数，得到预测精度较高的多元时间序列预测模型。最后，在本文档来自技高网...
【技术保护点】
1.一种多元时序预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多元时序预测方法，其特征在于，所述获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，之前包括：
3.根据权利要求1所述的多元时序预测方法，其特征在于，所述获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，包括：
4.根据权利要求3所述的多元时序预测方法，其特征在于，所述获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，还包括：
5.根据权利要求1所述的多元时序预测方法，其特征在于，所述反复遍历所述训练集对所述长短时记忆网络模型进行多轮训练，并在每轮训练时通过梯度下降算法更新模型参数，得到多元时间序列预测模型，包括：
6.根据权利要求5所述的多元时序预测方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的多元时序预测方法，其特征在于，所述方法还包括：
8.一种多元时序预测装置，其特征在于，所述装置包括：
9.一种电子设备，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7中任一项所述的方法的步骤。
10.一种计算机存储介质，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7中任一项所述的方法的步骤。
...
【技术特征摘要】
1.一种多元时序预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多元时序预测方法，其特征在于，所述获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，之前包括：
3.根据权利要求1所述的多元时序预测方法，其特征在于，所述获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，包括：
4.根据权利要求3所述的多元时序预测方法，其特征在于，所述获取历史时序数据，并对清洗后的所述历史时序数据进行预处理，以适应深度学习模型的输入要求，还包括：
5.根据权利要求1所述的多元时序预测方法，其特征在于，所述反复遍历所述训练集对所述...
【专利技术属性】
技术研发人员：林澍，吕强，刘野，
申请(专利权)人：联通在线信息科技有限公司，
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。