本申请公开了一种时序数据预测方法、装置、设备及介质，涉及计算机技术领域，包括基于历史股票价格序列数据生成数据集，对数据集进行预处理及数据截取操作，得到模型训练数据；利用模型训练数据确定模型标签，构建模型训练数据集；将模型训练数据集输入至基于卷积神经网络‑注意力机制的预测模型中进行相似度计算，得到相似度向量，对相似度向量进行规范化及层标准化操作，得到层标准化特征，计算并输出模型训练的预测值，利用预测值对预测模型进行训练；获取待预测股票价格序列数据，将待预测股票价格序列数据输入至训练后的预测模型，以得到时序数据预测结果。本申请能降低预测模型的复杂度，提高股票价格预测的准确性以及预测模型的泛化性。
【技术实现步骤摘要】
本专利技术涉及计算机，特别涉及一种时序数据预测方法、装置、设备及介质。
技术介绍
1、目前，诸多研究学者将股票价格分析与统计学和深度学习方法结合，从而实现对股票价格走势的刻画，然而股票价格数据是一种时序结构的结果数据，具有非平稳、多尺度、非线性、高随机性等复杂特征。现有技术中，基于传统机器学习模型的预测算法则表现出对前期特征工程的依赖性，这从一定程度上限制了基于机器学习预测算法的适用范围，还提出了基于平均自回归模型的预测算法假设数据间存在线性关系，但是这类算法较难挖掘股票价格序列中的非线性关系，可能会对股票价格涨跌走势的预测的准确性以及股票价格涨跌走势的预测模型的泛化性造成影响。
2、由上可见，如何降低预测模型的复杂度，提高股票价格预测的准确性以及预测模型的泛化性是本领域有待解决的问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种时序数据预测方法、装置、设备及介质，能够降低预测模型的复杂度，提高股票价格预测的准确性以及预测模型的泛化性。其具体方案如下：
>2、第一方面，本申本文档来自技高网...
【技术保护点】
1.一种时序数据预测方法，其特征在于，包括：
2.根据权利要求1所述的时序数据预测方法，其特征在于，所述对所述数据集进行预处理及数据截取操作，以得到模型训练数据，包括：
3.根据权利要求2所述的时序数据预测方法，其特征在于，所述利用所述模型训练数据确定模型标签，根据所述模型训练数据和所述模型标签构建模型训练数据集，包括：
4.根据权利要求1所述的时序数据预测方法，其特征在于，所述将所述模型训练数据集输入至预设的基于卷积神经网络-注意力机制的预测模型中进行相似度计算，以得到相似度向量，包括：
5.根据权利要求4所述的时序数据预测方法，其特征在...
【技术特征摘要】
1.一种时序数据预测方法，其特征在于，包括：
2.根据权利要求1所述的时序数据预测方法，其特征在于，所述对所述数据集进行预处理及数据截取操作，以得到模型训练数据，包括：
3.根据权利要求2所述的时序数据预测方法，其特征在于，所述利用所述模型训练数据确定模型标签，根据所述模型训练数据和所述模型标签构建模型训练数据集，包括：
4.根据权利要求1所述的时序数据预测方法，其特征在于，所述将所述模型训练数据集输入至预设的基于卷积神经网络-注意力机制的预测模型中进行相似度计算，以得到相似度向量，包括：
5.根据权利要求4所述的时序数据预测方法，其特征在于，所述对所述相...
【专利技术属性】
技术研发人员：连远锋，张彦毅，
申请(专利权)人：中国石油大学北京，
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。