【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种时序预测优化方法、设备及存储介质。
技术介绍
1、时序预测广泛应用于工业、农业、水务、金融等领域。现有的时序预测方案已经越来越多地用到深度学习、机器学习等神经网络模型。
2、目前，这些模型通常是使用基于预测结果和实际测量结果而构建的平均绝对误差mae来作为损失函数，实践发现，按照这种损失函数构建出的时序预测模型的性能不佳，预测结果的准确性不足。
技术实现思路
1、本申请的多个方面提供一种时序预测优化方法、设备及存储介质，用以优化时序预测模型的预测性能。
2、本申请实施例提供一种时序预测优化方法，包括：
3、将样本特征序列输入在时序预测模型中所构建的特征转换模块，所述特征转换模块用于将接收到的序列转换为携带时变特征和时不变特征的转换后序列；
4、将所述转换后序列输入在所述时序预测模型中所构建的预测模块，所述预测模块用于基于所述转换后序列携带的时变特征和时不变特征进行时序预测而产生预测序列；
5、为所述样本特征序列对应的时不变特征计算针对波动性的评价指标，以确定所述特征转换模块对应的第一损失函数值；
6、为所述预测序列计算基于动态时间规整dtw的评价指标，以确定所述预测模块对应的第二损失函数值；
7、基于所述第一损失函数值和所述第二损失函数值，对所述特征转换模块和所述预测模块进行联合调优，以更新所述时序预测模型中的相关模型参数。
8、本申请实施例还提供一种时序
9、接收时序预测请求；
10、根据所述时序预测请求，获取历史特征序列；
11、将所述历史特征序列输入时序预测模型中的特征转换模块，以利用所述特征转换模块为所述历史特征序列生成转换后序列，所述特征转换模块用于从接收到的序列中提取时变特征和时不变特征以产生转换后序列；
12、将所述历史特征序列对应的转换后序列输入所述预测模块，以利用所述预测模块进行时序预测，而产生所述历史特征序列对应的预测序列；
13、其中，所述预测模块以基于动态时间规整dtw的评价指标作为损失函数。
14、本申请实施例还提供一种计算设备，包括存储器和处理器；
15、所述存储器用于存储一条或多条计算机指令；
16、所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于执行前述述的时序预测优化方法。
17、本申请实施例还提供一种存储计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行前述的时序预测优化方法。
18、在本申请实施例中，提出在时序预测模型中构建特征转换模块和预测模块，特征转换模块可用于将接收到的特征序列转换为携带时变特征和时不变特征的转换后序列，且其输出的转换后序列将作为预测模块的输入，预测模块可用于进行时序预测而产生预测序列。这样，通过特征转换模块可将时不变特征引入时序预测过程中，作为重要的影响因子。另外，还提出将针对时不变特征的波动性评价指标作为特征转换模块对应的第一损失函数，将基于动态时间规整dtw对预测序列的评价指标作为预测模块对应的第二损失函数，并至少基于这两种损失函数而对时序预测模型进行调优。这使得时不变特征的提取更加精准，而且可通过第二损失函数将dtw引入到时序预测过程中，作为另一种重要的影响因子，提升突变预测的准确性。因此，可有效优化时序预测模型的性能，提高预测准确度。
本文档来自技高网...【技术保护点】
1.一种时序预测优化方法，包括：
2.根据权利要求1所述的方法，所述为所述预测序列计算基于动态时间规整DTW的评价指标，以确定所述预测模块对应的第二损失函数值，包括：
3.根据权利要求2所述的方法，所述计算动态时间规整处理后的所述预测序列和所述真实序列之间的形状偏差，包括：
4.根据权利要求2所述的方法，所述计算动态时间规整处理后的所述预测序列和所述真实序列之间的时间偏差，包括：
5.根据权利要求1所述的方法，所述基于所述第一损失函数值和所述第二损失函数值，对所述特征转换模块和所述预测模块进行联合调优，还包括：
6.根据权利要求5所述的方法，还包括：
7.根据权利要求1所述的方法，所述特征转换模块采用编码-解码模型，所述方法还包括：
8.根据权利要求1所述的方法，所述为所述样本特征序列对应的时不变特征计算针对波动性的评价指标，包括：
9.根据权利要求1所述的方法，所述时不变特征中包含自相关信息。
10.根据权利要求1所述的方法，在完成所述时序预测模型的调优工作后，所述方法还
11.一种时序预测优化方法，包括：
12.一种计算设备，包括存储器和处理器；
13.一种存储计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行权利要求1-11任一项所述的时序预测优化方法。
...【技术特征摘要】
1.一种时序预测优化方法，包括：
2.根据权利要求1所述的方法，所述为所述预测序列计算基于动态时间规整dtw的评价指标，以确定所述预测模块对应的第二损失函数值，包括：
3.根据权利要求2所述的方法，所述计算动态时间规整处理后的所述预测序列和所述真实序列之间的形状偏差，包括：
4.根据权利要求2所述的方法，所述计算动态时间规整处理后的所述预测序列和所述真实序列之间的时间偏差，包括：
5.根据权利要求1所述的方法，所述基于所述第一损失函数值和所述第二损失函数值，对所述特征转换模块和所述预测模块进行联合调优，还包括：
6.根据权利要求5所述的方法，还包括：
7.根据权...
【专利技术属性】
技术研发人员：谢娟，
申请(专利权)人：阿里巴巴中国有限公司，
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。