【技术实现步骤摘要】
本专利技术涉及数据处理，具体而言，涉及一种服务量预测方法、装置、非易失性存储介质和计算机设备。
技术介绍
1、服务量分布是不稳定的，经常受很多因素的影响而变化，同时服务量序列具有高噪声、非平稳、多尺度和长记忆等特点，与其他因素之间存在复杂的关联关系，并且在不同尺度序列中蕴含着不同的特征信息。然而在处理过程中，传统的统计模型难以建模时间序列复杂的相互关联关系，对非平稳时间序列的预测误差较大；基于机器学习方法的时间序列预测模型结果存在滞后现象，而常用的深度学习方法，例如rnn在建模的过程中存在着梯度爆炸/消失等问题或缺乏内存保留，使得其在预测性能上存在一定缺陷，并且训练时需要大量内存无法并行处理，导致服务量的预测不够准确。
2、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种服务量预测方法、装置、非易失性存储介质和计算机设备，以至少解决服务量分布不稳定且受到众多因素影响导致服务量预测不准确的技术问题。
2、根据本专利技术实施例的...
【技术保护点】
1.一种服务量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于预设的多种分解尺度，将所述历史服务量分解，得到所述多种分解尺度各自对应的分解序列，包括：
3.根据权利要求1所述的方法，其特征在于，所述设置与所述多种分解尺度各自对应的时间卷积模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述多种分解尺度各自对应的分解序列输入至各自对应的时间卷积模型中，得到所述多种分解尺度各自对应的预测结果，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述多种分解尺度对应的预测结果...
【技术特征摘要】
1.一种服务量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于预设的多种分解尺度，将所述历史服务量分解，得到所述多种分解尺度各自对应的分解序列，包括：
3.根据权利要求1所述的方法，其特征在于，所述设置与所述多种分解尺度各自对应的时间卷积模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述多种分解尺度各自对应的分解序列输入至各自对应的时间卷积模型中，得到所述多种分解尺度各自对应的预测结果，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述多种分解尺度对应的预测结果，确定目标服务量预测...
【专利技术属性】
技术研发人员：黄华川，
申请(专利权)人：天翼电子商务有限公司，
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。