时序预测方法、模型构建方法和装置制造方法及图纸

本申请提供了一种时序预测方法、模型构建方法和装置。构建方法包括：获取目标样本对象的第一历史时序特征数据和多个候选样本对象的第二历史时序特征数据；至少将第二历史时序特征数据作为模型输入进行预训练，以获得迁移学习模型；从多个候选样本对象中确定与目标样本对象相关联的相关样本对象；至少将第一历史时序特征数据和第二历史时序特征数据输入迁移学习模型，以获得第一预测时序特征数据和第二预测时序特征数据以及目标样本对象与相关样本对象之间的分布距离值；基于第一预测时序特征数据、第二预测时序特征数据和分布距离值，对迁移学习模型进行调参；以及基于调参完成的迁移学习模型的参数，确定时序预测模型的模型参数。

【技术实现步骤摘要】

本公开涉及机器学习，具体涉及一种时序预测模型的构建方法和装置、时序预测方法、时序预测装置、时序预测模型、电子设备、计算机可读存储介质和计算机程序产品。

技术介绍

1、目前，在各个业务或商业领域存在对其相关的任务进行预测的需求，以便适应性地对当前业务或未来的计划进行调整。例如，可能需要对商品的销量进行预测，以了解该商品的市场需求以及推广活动的有效性等。

2、然而，在相关技术中，通常通过训练一个时序预测模型来对时间序列数据进行预测。但是在时间序列数据的数据量较少时，难以训练得到一个预测效果好的模型。

3、在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

技术实现思路

1、本公开提供了一种时序预测模型的构建方法和装置、时序预测方法、时序预测装置、时序预测模型、电子设备、计算机可读存储介质和计算机程序产品。

2本文档来自技高网...

【技术保护点】

1.一种时序预测模型的构建方法，包括：

2.根据权利要求1所述的构建方法，其中，所述迁移学习模型包括时序特征编码器，其中，至少将所述目标样本对象的第一历史时序特征数据和所述相关样本对象的第二历史时序特征数据输入所述迁移学习模型，以获得所述目标样本对象的第一预测时序特征数据和所述相关样本对象的第二预测时序特征数据以及所述目标样本对象与所述相关样本对象之间的分布距离值，包括：

3.根据权利要求2所述的构建方法，其中，所述迁移学习模型还包括分布距离确定层，并且基于所述第一历史时序特征编码和所述第二历史时序特征编码，确定所述目标样本对象和所述相关样本对象之间的分布距离值包...

【技术特征摘要】

1.一种时序预测模型的构建方法，包括：

2.根据权利要求1所述的构建方法，其中，所述迁移学习模型包括时序特征编码器，其中，至少将所述目标样本对象的第一历史时序特征数据和所述相关样本对象的第二历史时序特征数据输入所述迁移学习模型，以获得所述目标样本对象的第一预测时序特征数据和所述相关样本对象的第二预测时序特征数据以及所述目标样本对象与所述相关样本对象之间的分布距离值，包括：

3.根据权利要求2所述的构建方法，其中，所述迁移学习模型还包括分布距离确定层，并且基于所述第一历史时序特征编码和所述第二历史时序特征编码，确定所述目标样本对象和所述相关样本对象之间的分布距离值包括：

4.根据权利要求2所述的构建方法，其中，所述目标样本对象具有第一真实时序特征数据，所述相关样本对象具有第二真实时序特征数据，并且基于所述第一预测时序特征数据、所述第二预测时序特征数据和所述分布距离值，对所述迁移学习模型进行调参包括：

5.根据权利要求4所述的构建方法，其中，基于所述时序预测损失值和所述分布距离值，对所述迁移学习模型进行调参包括：

6.根据权利要求4所述的构建方法，其中，所述迁移学习模型还包括用于确定所述分布距离值的分布距离确定层，并且所述分布距离值是基于所述目标样本对象的第一历史时序特征编码、所述相关样本对象的第二时序特征编码以及所述分布距离确定层的参数定义的。

7.根据权利要求2所述的构建方法，其中，所述迁移学习模型还包括特征解码器和预测输出层，并且至少基于所述第一历史时序特征编码和所述第二历史时序特征编码，获得所述目标样本对象的第一预测时序特征数据和所述相关样本对象的第二预测时序特征数据包括：

8.根据权利要求7所述的构建方法，

9.根据...

【专利技术属性】
技术研发人员：赵培江，
申请(专利权)人：胜斗士上海科技技术发展有限公司，
类型：发明
国别省市：