长序列数据预测方法、装置、计算机设备、介质和产品制造方法及图纸

本申请涉及一种长序列数据预测方法、装置、计算机设备、介质和产品。方法包括：从待预测的第一天文数据中提取第二天文数据和第三天文数据，第二天文数据包括有序变化的文本数据和时间列，第三天文数据包括无序变化的文本数据和时间列；对第二天文数据进行缩放和/或平移直至其均值和/或标准差分布达到预设状态；根据第二天文数据对预设的线性函数进行前向传播和反向传播，并根据线性函数输出第二天文数据在未来时间的数据，线性函数用于表征第二天文数据中前后相邻两个时间列的文本数据之间的映射关系；根据第二天文数据在未来时间的数据与第三天文数据，得到第一天文数据在未来时间列的数据。采用本方法能够兼顾长时间序列预测的效率和精度。

【技术实现步骤摘要】

本申请涉及时间序列数据领域，特别是涉及长序列数据预测方法、装置、计算机设备、介质和产品。

技术介绍

1、在当今数据驱动的世界中，时间序列数据无处不在。基于历史数据，时间序列预测方法可以有效地预测某段时间内数据分布趋势，被广泛应用于时间序列数据领域。

2、在过去数十年，时间序列预测方法经历了从传统统计方法和机器学习技术再到包括递归神经网络和时序卷积网络在内的深度学习的发展过程。传统统计方法受限于模型泛化能力，在长序列和分布不稳定等数据集上性能欠佳。相对而言，深度学习具有较高鲁棒性和学习能力等优点，逐渐受到学术界和业界关注。

3、深度学习方法中，循环神经网络存在长期依赖缺陷，其训练过程中还存在反向传播的梯度消失问题，预测结果不准确。长短期记忆网络模型，虽然可以弥补rnn（recurrentneural network，循环神经网络）模型的缺点，但是lstm（long short term memory，长短期记忆网络）递归性质使其难以实现并行计算，存在训练时间缓慢且无法处理较长序列等问题，无法满足天文时间序列数据实时处理与预测需求。tr本文档来自技高网...

【技术保护点】

1.一种长序列数据预测方法，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，获取待预测的第一天文数据，包括：

3.根据权利要求1所述的方法，其特征在于，获取待预测的第一天文数据，包括：

4.根据权利要求3所述的方法，其特征在于，基于频率采样函数对所述第一天文数据进行编码，包括：

5.根据权利要求1所述的方法，其特征在于，获取待预测的第一天文数据，包括：

6.根据权利要求1所述的方法，其特征在于，根据所述第二天文数据在未来时间列的文本数据与所述第三天文数据，得到所述第一天文数据在未来时间列的文本数据，包括：<...

【技术特征摘要】

1.一种长序列数据预测方法，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，获取待预测的第一天文数据，包括：

3.根据权利要求1所述的方法，其特征在于，获取待预测的第一天文数据，包括：

4.根据权利要求3所述的方法，其特征在于，基于频率采样函数对所述第一天文数据进行编码，包括：

5.根据权利要求1所述的方法，其特征在于，获取待预测的第一天文数据，包括：

6.根据权利要求1所述的方法，其特征在于，根据所述第二天文数据在未来时间列的文本数据与所述第三天文数据，得到所述第一天文数据在未来时...

【专利技术属性】
技术研发人员：高宝全，全冬晖，潘怡君，安丰，卢杨，
申请(专利权)人：之江实验室，
类型：发明
国别省市：