时间序列预测方法及装置制造方法及图纸

本说明书实施例提供一种时间序列预测方法及装置，在进行时序预测过程中，考虑到所利用的历史时序数据可能存在缺失从而导致偏差，可以对粗粒度历史时间序列和细粒度历史时间序列分别进行处理，并基于对预测的细粒度时间序列的统计确定具有可比性的粗粒度时序数值。其中，利用粗粒度历史时间序列可以预测粗粒度时序。而粗粒度时序中，单个时间区间(如对应单个时间节点)可以对应多个细粒度时间段，因此，还可以利用细粒度历史时间序列预测粗粒度时序下的细粒度时序分布，并通过分配比例进行描述。从而，可以按照所确定的分配比例，以及粗粒度预测结果，进行细粒度时间序列的预测。如此，可以提高时序预测结果的准确性。

【技术实现步骤摘要】

本说明书一个或多个实施例涉及计算机，尤其涉及时间序列预测方法及装置。

技术介绍

1、时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列作为一串按时间维度索引的数据，可以描述某个被测量的主体(例如股票价格、商品销量、居民用电量等等)在一定时间范围内的各个时间点或时间区间上的测量值。时序是时间序列的简称。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。时间序列预测可以适用于各种场景，例如商品超市的客流量的时间序列预测，金融服务的资金时间序列预测，云计算中所需要的计算资源流量的预测，物流需求、智能电网中的电力消耗预测，等等。预测结果例如可以服务于商业决策。随着人工智能的发展，可以将机器学习模型用于时间序列分析。

2、时间序列可以按照预定的时间粒度进行描述。如此，按照不同粗细的时间粒度可以划分不同层次的时间序列，如划分为以下多个时间层次：一天；半天；一小时；30分钟；10分钟；等等。相对而言，存在粗时间粒度和细时间粒度，粗时间粒度的时间序列和细时间粒度的时间序列存在汇总关系，即粗粒度时序是由细粒度时本文档来自技高网...

【技术保护点】

1.一种时间序列预测方法，所述方法包括：

2.如权利要求1所述的方法，其中，所述模型损失为所述第一损失、所述第二损失、所述第三损失的加权和。

3.如权利要求1所述的方法，其中，所述第一损失、所述第二损失、所述第三损失对应的权重使得两两加权项之间的差值不高于预定差值，或者两两加权项之间的比值与1的差距不超过预定值，单个加权项为单个损失项与相应权重的乘积。

4.如权利要求1所述的方法，其中，所述预定倍数为m，在模型训练过程中，训练样本包括当前样本，所述当前样本对应有第一时间粒度下的第一样本历史时序和第二时间粒度下的第二样本历史时序分别作为所述第一时序预测网...

【技术特征摘要】

1.一种时间序列预测方法，所述方法包括：

2.如权利要求1所述的方法，其中，所述模型损失为所述第一损失、所述第二损失、所述第三损失的加权和。

3.如权利要求1所述的方法，其中，所述第一损失、所述第二损失、所述第三损失对应的权重使得两两加权项之间的差值不高于预定差值，或者两两加权项之间的比值与1的差距不超过预定值，单个加权项为单个损失项与相应权重的乘积。

4.如权利要求1所述的方法，其中，所述预定倍数为m，在模型训练过程中，训练样本包括当前样本，所述当前样本对应有第一时间粒度下的第一样本历史时序和第二时间粒度下的第二样本历史时序分别作为所述第一时序预测网络、所述第二时序预测网络的输入数据，以及第一时间粒度下的第一样本时序和第二时间粒度下的第二样本时序作为标签数据；

5.如权利要求4所述的方法，其中，在当前样本对应的模型训练周期，第一损失通过第一样本时序中在相应的第二时间粒度上无数据缺失的无偏数据部分与所述第一样本预测时序的相应部分对比确定，第二损失由第一样本时序中在相应的第二时间粒度上有数据缺...

【专利技术属性】
技术研发人员：魏建平，黄振港，刘子奇，吴郑伟，张志强，戚尔鹏，周俊，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：