CN109783876B - 时间序列模型建立方法、装置、计算机设备和存储介质 - Google Patents
时间序列模型建立方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109783876B CN109783876B CN201811554400.1A CN201811554400A CN109783876B CN 109783876 B CN109783876 B CN 109783876B CN 201811554400 A CN201811554400 A CN 201811554400A CN 109783876 B CN109783876 B CN 109783876B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- initial time
- trend
- value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000005477 standard model Effects 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012217 deletion Methods 0.000 claims description 20
- 230000037430 deletion Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 230000001932 seasonal effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 abstract description 32
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 43
- 230000011218 segmentation Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 6
- 239000003550 marker Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Abstract
本申请涉及一种人工智能技术领域,特别涉及一种时间序列模型建立方法、装置、计算机设备和存储介质。所述方法包括:获取初始时间序列,将初始时间序列进行分段;根据相邻分段的数据计算得到增减幅度值,并对增减幅度值的增减情况进行标记,得到标记值;根据标记值计算得到初始时间序列的趋势性指标;获取趋势性指标对应的目标模型权重及建立时间序列模型的标准模型权重,根据目标模型权重调整标准模型权重;根据目标模型权重调整后的标准模型权重以及初始时间序列建立时间序列模型。采用本方法能够通过初始时间序列的增减幅度决定在建立时间序列模型时趋势性的权重大小,进而提高了建立时间序列模型的准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种时间序列模型建立方法、装置、计算机设备和存储介质。
背景技术
随着市场经济的发展,市场发展已经由价格竞争时代进入成本竞争时代,对市场未来走势的先期判断,在企业运营管理中越发重要,是否对特定商业数据构建时间序列模型,影响着企业认知机会和把握机遇的能力,构建时间序列模型时需要根据时间序列的趋势性、季节性、周期性、连续性等性质来建立模型。
但当前在建立时间序列模型时,是简单的根据分解序列来获取趋势性,并通过获取到的趋势性建立的时间序列模型,这样导致建立时间序列模型时获取到的时间序列趋势性不够准确,进而导致建立的事件序列模型不够准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高时间序列模型准确性的时间序列模型建立方法、装置、计算机设备和存储介质。
一种时间序列模型建立方法,所述方法包括:
获取初始时间序列,将所述初始时间序列进行分段;
根据相邻分段的数据计算得到增减幅度值,并对所述增减幅度值的增减情况进行标记,得到标记值;
根据所述标记值计算得到所述初始时间序列的趋势性指标;
获取所述趋势性指标对应的目标模型权重及建立时间序列模型的标准模型权重,根据所述目标模型权重调整所述标准模型权重;
根据所述目标模型权重调整后的标准模型权重以及所述初始时间序列建立时间序列模型。
在其中一个实施例中,所述根据标记值计算得到所述初始时间序列的趋势性指标,包括:
计算所述标记值的数学统计量,并计算所述数学统计量与所述预设值的差值;
判断所述差值是否小于趋势标准值;
当所述差值小于趋势标准值时,输出所述初始时间序列趋势性强的趋势性指标;
当所述差值大于趋势标准值时,输出所述初始时间序列趋势性弱的趋势性指标。
在其中一个实施例中,所述将所述初始时间序列进行分段之前,还包括:
将所述初始时间序列分解成趋势项数据、季节性数据和噪声项数据;
将所述趋势项数据进行组合得到所述趋势性序列;
所述将所述初始时间序列进行分段,包括:
将所述趋势性序列进行分段。
在其中一个实施例中,所述将初始时间序列进行分段之前,还包括:
检测所述初始时间序列是否完整;
当所述初始时间序列不完整时,获取所述初始时间序列的中断点,并对所述初试时间序列中所述中断点之前的数据进行删除处理。
在其中一个实施例中,所述获取所述趋势性指标对应的目标模型权重,包括:
获取删除处理后的初始时间序列的数据,并判断所述删除处理后的初始时间序列的数据量是否小于预设数据量;
当所述删除处理后的初始时间序列的数据量小于预设数据量时,则目标模型权重获取预设权重作为所述趋势性指标对应的目标模型权重。
一种时间序列模型建立装置,所述装置包括:
第一获取模块,用于获取初始时间序列,将所述初始时间序列进行分段;
第一计算模块,用于根据相邻分段的数据计算得到增减幅度值,并对所述增减幅度值的增减情况进行标记,得到标记值;
第二计算模块,用于根据所述标记值计算得到所述初始时间序列的趋势性指标;
第二获取模块,用于获取所述趋势性指标对应的目标模型权重及建立时间序列模型的标准模型权重,根据所述目标模型权重调整所述标准模型权重;
模型建立模块;用于根据所述目标模型权重调整后的标准模型权重以及所述初始时间序列建立时间序列模型。
在其中一个实施例中,所述装置还包括:
第三计算模块,用于计算所述标记值的数学统计量,并计算所述数学统计量与所述预设值的差值;
判断模块,用于判断所述差值是否小于趋势标准值;
第一输出模块,用于当所述差值小于趋势标准值时,输出所述初始时间序列趋势性强的趋势性指标;
第二输出模块,用于当所述差值大于趋势标准值时,输出所述初始时间序列趋势性弱的趋势性指标。
在其中一个实施例中,所述装置还包括:
分解模块,用于将所述初始时间序列分解成趋势项数据、季节性数据和噪声项数据;
组合模块,用于将所述趋势项数据进行组合得到所述趋势性序列;
分段模块,用于将所述趋势性序列进行分段。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述时间序列模型建立方法、装置、计算机设备和存储介质,终端在获取初始时间序列后,对初始时间序列进行分段处理;然后将每一分段中的数据与上一分段中的数据计算得到初始时间序列每段的增减幅度值,并对增减幅度值标记得到标记值,标记值可以表示每段数据与上一段数据相比数据时增长还是减少;然后根据标记值计算得到初始时间序列的趋势性指标,趋势性指标可以标识初始时间序列的趋势性强弱;获取趋势性指标对应的目标模型权重,并根据目标模型权重以及初始时间序列建立时间序列模型。能够通过初始时间序列的增减幅度决定在建立时间序列模型时趋势性的权重大小,提高了时间序列模型建立时的时间序列趋势性的准确性,进而提高了建立时间序列模型的准确性。
附图说明
图1为一个实施例中时间序列模型建立方法的应用场景图;
图2为一个实施例中时间序列模型建立方法的流程示意图;
图3为一个实施例中根据标记值计算初始时间序列的趋势性指标步骤的流程示意图;
图4为一个实施例中时间序列模型建立装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的时间序列模型建立方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102获取服务器104中的初始时间序列,并将初始时间序列进行分段;根据每一分段中的数据与上一分段中的数据计算得到增减幅度值,并对增减幅度值标记得到标记值;根据标记值计算得到初始时间序列的趋势性指标;获取趋势性指标对应的目标模型权重,并根据目标模型权重以及初始时间序列建立时间序列模型。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种时间序列模型建立方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
步骤202,获取初始时间序列,将初始时间序列进行分段。
具体地,初始时间序列可以为在时间上存在连续性的数据列,终端在通过初始的时间序列建立时间序列模型时,首先要对初始时间序列进行分段处理,在获取到服务器中的初始时间序列后,终端对初始时间序列的分段可以是将初始时间序列的数据等时距的分成N段。比如当初始时间序列为2013年至2016年4年间的公司的月利润时,每一分段可以为一个季度,或每一分段为一年等。
步骤204,根据相邻分段的数据计算得到增减幅度值,并对增减幅度值的增减情况进行标记,得到标记值。具体地,标记值用于描述两个分段数据之间的增减情况,在终端对初始时间序列分段后,将分段后每一分段的数据与上一分段进行对比计算,通过每一分段的数据与上一分段的数据相比,可确定数据是增加还是减少的情况,然后对每一分段相较上一分段的增减情况进行对应的标识,得到对初始时间序列中每一分段的增减情况的标记值,根据每一分段的增减情况的不同,标记值通常也不相同,不同的标记值可以表示初始时间序列中每一分段的数据的增减趋势情况。可选地,在对每一分段相较上一分段的增减情况进行标识时,可以根据增加还是减少的情况进行相反的标识,比如当分段相较上一分段增加时,标记值可以为1,而当分段相较上一分段减少时,标记值可以为-1,通过1和-1能够明显的表示初始时间序列中每一分段的数据相较上一分段是增加还是减少,另外如果分段相较于上一分段的数据未发生变化的情况时,标记值可以设为0。
步骤206,根据标记值计算得到初始时间序列的趋势性指标。
具体地,在终端对初始时间序列中的每一分段进行标识得到标记值之后,根据标记值计算初始时间序列的趋势性强弱,计算方法可以通过求标记值的数学统计值,例如可以通过求和或是求平均值等方式,根据和或是平均值的大小判断初始时间序列的趋势性强弱,然后根据初始时间序列的趋势性强弱获取对应的趋势性指标。
步骤208,获取趋势性指标对应的目标模型权重及建立时间序列模型的标准模型权重,根据目标模型权重调整标准模型权重;具体的,趋势性指标用于指示初始时间序列的趋势性强弱程度,根据趋势性指标指示的强弱程度获取趋势性指标对应的目标模型权重,通常来说,预设的对应关系可以为:趋势性指标指示的趋势性越强,对应的目标模型权重中趋势性所占权重越大,趋势性指标指示的趋势性越弱,对应的目标模型权重中趋势性所占权重越小。获取趋势性指标对应的目标模型权重及建立时间序列模型的标准模型权重,其中,建立时间序列模型的标准模型权重可以为来源于互联网的数据中,建立时间序列模型需要的标准模型权重的数据。在获取到目标模型权重和标准模型权重后,根据目标模型权重调整建立时间序列模型的标准模型权重。
步骤210,根据目标模型权重调整后的标准模型权重以及初始时间序列建立时间序列模型。
具体的,终端在根据目标模型权重调整标准模型权重之后,根据调整后的标准模型权重以及初始时间序列的数据建立时间序列模型。其中,不同的标准模型权重对应着不同的趋势性权重,当终端的趋势性强弱指标指示的趋势性越强时,则对应的标准模型权重中趋势性指标指示的趋势性所占权重越大,在建立时间序列模型时趋势性指标指示的趋势性所占的权重越大,相应的其他性质,比如周期性、季节性、连续性等其他性质所占权重相应的越小;当终端的趋势性强弱指标指示的趋势性越弱时,则对应的标准模型权重中趋势性所占权重越小,在建立时间序列模型时趋势性所占的权重越小,相应的其他性质,比如周期性、季节性、连续性等其他性质所占权重相应的越大。上述时间序列模型建立方法中,终端在获取初始时间序列后,对初始时间序列进行分段处理;然后将每一分段中的数据与上一分段中的数据计算得到初始时间序列每段的增减幅度值,并对增减幅度值标记得到标记值,标记值可以表示每段数据与上一段数据相比数据时增长还是减少;然后根据标记值计算得到初始时间序列的趋势性指标,趋势性指标可以标识初始时间序列的趋势性强弱;获取趋势性指标对应的目标模型权重,并根据目标模型权重以及初始时间序列建立时间序列模型。通过初始时间序列的增减幅度决定在建立时间序列模型时趋势性的权重大小,提高了建立时间序列模型时权重大小的准确性,进一步提高了时间序列模型的准确性。
在一个实施例中,上文所提到趋势性指标可以根据标记值的数据统计量来进行计算,如图3所示,该趋势性指标的计算方式可以包括:
步骤302,计算标记值的数学统计量,并计算数学统计量与预设值的差值。
具体地,标记值为初始时间序列中每一分段相较上一分段的增减情况对应的标识,根据增减情况的不同,标记值通常也不相同,比如当分段相较上一分段增加时,标记值为1,而当分段相较上一分段减少时,标记值为-1,而当分段相较于上一分段相同时,标记值为0,得到初始时间序列每一分段的标记值后,计算每一分段标记值的数学统计量a,数学统计量可以为每一分段的和、平均值等数值,比如当数据统计量为平均值时,则对应的预设值为增加时的标记值(1)以及减少时的标记值(-1),而后在计算得到标记值的平均值a后,计算a与增加时的标记值1或减少时的标记值-1的差值,差值取正,若计算结果的差值为负值,则取其绝对值。
步骤304,判断差值是否小于趋势标准值,当判断结果为是时,进入步骤306,当判断结果为否时,进入步骤308。
具体地,当数据统计量为平均值时,在计算得到平均值a后,计算平均值a与预设值(增加时的标记值1或减少时的标记值-1)的差值,判断得到的两个差值中是否存在某个差值小于趋势标准值,其中,趋势标准值作为用于界定趋势性强弱的标准,可以设定为预设值增减差值的百分之10至20,比如当初始时间序列的标记值为1或-1时,趋势标准值可以设定为0.4。终端将平均值与标记值的差值与趋势标准值进行比较,判断差值是否小于趋势标准值。比如可以判断a与1或-1的两个差值是否存在某个差值小于趋势标准值(0.4)。
步骤306,输出初始时间序列趋势性强的趋势性指标。
具体地,当数据统计量为平均值时,判断平均值a与预设值的差值大小,当平均值与预设值的差值中存在某个差值小于趋势标准值时,说明标记值的平均值比较接近增加时的标记值或是减少时的标记值,相应的初始时间序列的增减情况越单一,初始时间序列的趋势性越强。比如当初始时间序列的标记值为1或-1,趋势标准值为0.4时,标记值的平均值为0.8或-0.8,平均值0.8与标记值的差值为0.2、1.8,平均值-0.8与标记值-1的差值为0.2、1.8,其中,两个平均值均存在某个差值小于趋势标准值0.4,根据标记值的平均值0.8或-0.8可以得到,初始时间序列中的分段百分之九十的情况都在增加或是减少,增加的分段与减少的分段所占的比重比较悬殊,则相应的初始时间序列的趋势性强。
步骤308,输出初始时间序列趋势性弱的趋势性指标。
具体地,当数据统计量为平均值时,判断平均值a与预设值的差值大小,当平均值与预设值的差值大于趋势标准值时,说明标记值的平均值距增加时的标记值以及减少时的标记值的差值较大,相应的初始时间序列的增减情况越混乱,初始时间序列的趋势性越弱。比如当初始时间序列的标记值为1或-1,趋势标准值为0.4时,标记值的平均值为0,平均值0与标记值的差值为1、1,均大于趋势标准值0.4,根据标记值的平均值0可以得到,初始时间序列中的分段一半的情况在增加,一半的情况在减少,增加的分段与减少的分段所占的比重比较接近,则相应的初始时间序列的趋势性弱。
可选地,数据统计量也可以为每一分段的和,则对应的预设值可以为与初始时间序列段数及标记值相关的值,比如当分段段数为10段,且当分段相较上一分段增加时,标记值为1,而当分段相较上一分段减少时,标记值为-1时,当分段相较上一分段不变时,标记值为0,则对应的预设值可以为10或-10,而后计算标记值的和,得到标记值的和b,计算b与预设值的差值,差值取正,若计算结果的差值为负值,则取其绝对值。判断差值是否小于趋势标准值,其中趋势标准值可以设定为预设值增减差值的百分之10至20,预设值为10或-10时,预设值可以设定为4,当b与预设值的差值中存在某个差值小于趋势标准值时,说明标记值的和比较接近增加时的预设值或是减少时的预设值,相应的初始时间序列的增减情况越单一,初始时间序列的趋势性越强;当b与预设值的差值中存在某个差值大于趋势标准值时,说明标记值的和与增加时的预设值以及减少时的预设值的差值较大,相应的初始时间序列的增减情况越混乱,初始时间序列的趋势性越弱。
上述时间序列模型建立方法中,终端通过计算标记值的数学统计量以及数学统计量与预设值的差值;判断差值是否小于趋势标准值;当差值小于趋势标准值时,输出初始时间序列趋势性强的趋势性指标;当差值大于趋势标准值时,输出初始时间序列趋势性弱的趋势性指标。这样根据标记值的数学统计量对初始时间序列的趋势性强弱进行判断,使得判断结果更加准确。
在一个实施例中,时间序列模型建立方法在初始时间序列进行分段之前,还可以包括:将初始时间序列分解成趋势项数据、季节性数据和噪声项数据;将趋势项数据进行组合得到趋势性序列;将初始时间序列进行分段,包括:将趋势性序列进行分段。
具体地,终端对在初始时间序列进行分段之前,可以通过时间序列剥离算法,比如STL(Seasonal-Trend decomposition procedure based on Loess)分解法,将初始时间序列分解为数据的低频变化的趋势项、数据的季节性变化的季节项、趋势项及季节项以外的噪声项,然后将分解得到的趋势项数据按照原初始时间序列的时间顺序进行组合,得到初始时间序列的趋势性序列。后续的对初始时间序列的分段操作可以为对趋势性序列进行分段操作,具体的分段操作可以参照上文所述,在此不再赘述。
上述实施例中,对初始时间序列进行分解操作,提取其中的趋势性序列,趋势性序列与初始时间序列相比,数据趋势更加光滑,进一步的使判断结果更加准确。
在一个实施例中,时间序列模型建立方法在初始时间序列进行分段之前,还可以包括:检测初始时间序列是否完整;当初始时间序列不完整时,获取初始时间序列的中断点,并对初试时间序列中断点之前的数据进行删除处理。
具体地,终端对在初始时间序列进行分段之前,可以检测初始时间序列是否完整,比如初始时间序列为2013年至2016年4年间的公司的月利润时,当2014年5月公司的月利润数据缺失,则初始时间序列不完整,当初始时间序列出现不完整的情况时,为了保证对趋势性强弱判断的准确性,以及后续时间序列模型的准确性,删除中断点(2014年5月)之前的所有数据,后续的操作通过剩余时间序列(2014年6月及以后)的数据进行。
上述实施例中,在检测到初始时间序列存在不完整的情况时,删除存在不完整的中断点之前的所有数据,保证了趋势性指标的准确性,进一步的使判断结果更加准确。
在一个实施例中,时间序列模型建立方法还可以包括:获取删除处理后的初始时间序列的数据,并判断删除处理后的初始时间序列的数据量是否小于预设数据量;当删除处理后的初始时间序列的数据量小于预设数据量时,则目标模型权重获取预设权重作为趋势性指标对应的目标模型权重。
具体地,预设数据量为判断时间序列趋势性的基础数据量,当时间序列的数据量小于预设数据量时,对时间序列趋势性的判断误差将大大增加。在终端删除初始时间序列中存在不完整的中断点之前的所有数据之后,判断剩余时间序列的数据量是否小于预设数据量,当剩余时间序列的数据量小于预设数据量时,为了保证判断的准确性,目标模型权重将调用预设权重,预设权重中趋势性所占的权重可以设为0,相应的其他性质,比如周期性、季节性、连续性等其他性质所占权重相应的增加。
上述实施例中,当数据删除后的初始时间序列的数据量小于预设数据量时,将获取预设权重作为趋势性指标,保证趋势性指标的准确性,进一步提高了时间序列模型的准确性。
在一个实施例中,上述服务器根据目标模型权重以及初始时间序列建立时间序列模型的流程可以为:首先终端获取到初始时间序列后,通过时间序列剥离算法获取其中的趋势性序列,其次,检测趋势性序列的数据是否完整,当趋势性序列的数据完整时,开始后续的分段处理,当趋势性序列的数据不完整时,删除导致数据不完整的中断点之前的数据,并且在删除后要检测趋势性序列剩余的数据是否满足趋势性预测要求的基础数据量,当剩余数据的数据量满足要求时,用剩余的趋势性序列进行后续的分段处理,当剩余数据的数据量不满足要求时,目标模型权重将替换成预设权重,预设权重中趋势性所占的权重设为0。后续的对完整的趋势性序列或是剩余的趋势性序列分段处理,将分段后每一分段的数据与上一分段的数据进行比较,根据数据的增减情况对每一分段用标记值进行标识,增加时标记值为1,减少时标记值为-1,不变时标记值根据上一分段的标识值标记为1或-1,然后计算标记值的平均值,当平均值与标记值的差值存在较小的情况时,比如平均值为0.8时,差值为0.2、1.8,则初始时间序列的趋势性强,对应的趋势性指标指示趋势性强,获取趋势性指标对应的趋势性权重大的目标模型权重,根据趋势性权重大的目标模型权重与初始时间序列建立时间序列模型;当平均值与标记值的差值均较大时,比如平均值为0.1时,差值为0.9、1.1,则初始时间序列的趋势性弱,对应的趋势性指标指示趋势性弱,获取趋势性指标对应的趋势性权重小的目标模型权重,根据趋势性权重小的目标模型权重与初始时间序列建立时间序列模型。
应该理解的是,虽然图2、图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种时间序列模型建立装置,包括:第一获取模块402、第一计算模块404、第二计算模块406、第二获取模块408、模型建立模块410,其中:
第一获取模块402,用于获取初始时间序列,将初始时间序列进行分段。
第一计算模块404,用于根据相邻分段的数据计算得到增减幅度值,并对增减幅度值的增减情况进行标记,得到标记值。
第二计算模块406,用于根据标记值计算得到初始时间序列的趋势性指标。
第二获取模块408,用于获取趋势性指标对应的目标模型权重及建立时间序列模型的标准模型权重,根据目标模型权重调整标准模型权重。
模型建立模块410,用于根据目标模型权重调整后的标准模型权重以及初始时间序列建立时间序列模型。
在一个实施例中,装置还可以包括:
第三计算模块,用于计算标记值的数学统计量,并计算数学统计量与预设值的差值。
判断模块,用于判断差值是否小于趋势标准值。
第一输出模块,用于当差值小于趋势标准值时,输出初始时间序列趋势性强的趋势性指标。
第二输出模块,用于当差值大于趋势标准值时,输出初始时间序列趋势性弱的趋势性指标。
在一个实施例中,装置还可以包括:
第三获取模块,用于获取趋势性指标对应的调整步长以及趋势标准值对应的初始模型权重。
调整模块,用于根据调整步长对初始模型权重进行调整得到目标模型权重。
在一个实施例中,装置还可以包括:
分解模块,用于将初始时间序列分解成趋势项数据、季节性数据和噪声项数据。
组合模块,用于将趋势项数据进行组合得到趋势性序列。
分段模块,用于将趋势性序列进行分段。
在一个实施例中,装置还可以包括:
检测模块,用于检测初始时间序列是否完整。
第四获取模块,用于当初始时间序列不完整时,获取初始时间序列的中断点,并对初试时间序列中中断点之前的数据进行删除处理。
在一个实施例中,装置还可以包括:
第五获取模块,用于获取删除处理后的初始时间序列的数据,并判断删除处理后的初始时间序列的数据量是否小于预设数据量。
第六获取模块,用于当删除处理后的初始时间序列的数据量小于预设数据量时,则目标模型权重获取预设权重作为趋势性指标对应的目标模型权重。
关于时间序列模型建立装置的具体限定可以参见上文中对于时间序列模型建立方法的限定,在此不再赘述。上述时间序列模型建立装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种时间序列模型建立方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取初始时间序列,将初始时间序列进行分段;根据相邻分段的数据计算得到增减幅度值,并对增减幅度值的增减情况进行标记,得到标记值;根据标记值计算得到初始时间序列的趋势性指标;获取趋势性指标对应的目标模型权重及建立时间序列模型的标准模型权重,根据目标模型权重调整标准模型权重;根据目标模型权重调整后的标准模型权重以及初始时间序列建立时间序列模型。
在一个实施例中,处理器执行计算机程序时所涉及的根据标记值计算得到初始时间序列的趋势性指标可以包括:计算标记值的数学统计量,并计算数学统计量与预设值的差值;判断差值是否小于趋势标准值;当差值小于趋势标准值时,输出初始时间序列趋势性强的趋势性指标;当差值大于趋势标准值时,输出初始时间序列趋势性弱的趋势性指标。
在一个实施例中,处理器执行计算机程序时所实现的将初始时间序列进行分段之前,还可以包括:将初始时间序列分解成趋势项数据、季节性数据和噪声项数据;将趋势项数据进行组合得到趋势性序列;将初始时间序列进行分段,包括:将趋势性序列进行分段。
在一个实施例中,处理器执行计算机程序时所实现的将初始时间序列进行分段之前,还可以包括:检测初始时间序列是否完整;当初始时间序列不完整时,获取初始时间序列的中断点,并对初试时间序列中中断点之前的数据进行删除处理。
在一个实施例中,处理器执行计算机程序时所涉及的获取趋势性指标对应的目标模型权重可以包括:获取删除处理后的初始时间序列的数据,并判断删除处理后的初始时间序列的数据量是否小于预设数据量;当删除处理后的初始时间序列的数据量小于预设数据量时,则目标模型权重获取预设权重作为趋势性指标对应的目标模型权重。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取初始时间序列,将初始时间序列进行分段;根据相邻分段的数据计算得到增减幅度值,并对增减幅度值的增减情况进行标记,得到标记值;根据标记值计算得到初始时间序列的趋势性指标;获取趋势性指标对应的目标模型权重及建立时间序列模型的标准模型权重,根据目标模型权重调整标准模型权重;根据目标模型权重调整后的标准模型权重以及初始时间序列建立时间序列模型。
在一个实施例中,计算机程序被处理器执行时所涉及的根据标记值计算得到初始时间序列的趋势性指标可以包括:计算标记值的数学统计量,并计算数学统计量与预设值的差值;判断差值是否小于趋势标准值;当差值小于趋势标准值时,输出初始时间序列趋势性强的趋势性指标;当差值大于趋势标准值时,输出初始时间序列趋势性弱的趋势性指标。
在一个实施例中,计算机程序被处理器执行时所实现的将初始时间序列进行分段之前,还可以包括:将初始时间序列分解成趋势项数据、季节性数据和噪声项数据;将趋势项数据进行组合得到趋势性序列;将初始时间序列进行分段,包括:将趋势性序列进行分段。
在一个实施例中,计算机程序被处理器执行时所实现的将初始时间序列进行分段之前,还可以包括:检测初始时间序列是否完整;当初始时间序列不完整时,获取初始时间序列的中断点,并对初试时间序列中中断点之前的数据进行删除处理。
在一个实施例中,计算机程序被处理器执行时所涉及的获取趋势性指标对应的目标模型权重可以包括:获取删除处理后的初始时间序列的数据,并判断删除处理后的初始时间序列的数据量是否小于预设数据量;当删除处理后的初始时间序列的数据量小于预设数据量时,则目标模型权重获取预设权重作为趋势性指标对应的目标模型权重。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种时间序列模型建立方法,所述方法包括:
获取初始时间序列,将所述初始时间序列进行分段;
根据相邻分段的数据计算得到增减幅度值,并对所述增减幅度值的增减情况进行标记,得到标记值;
根据所述标记值计算得到所述初始时间序列的趋势性指标;
获取所述趋势性指标对应的目标模型权重及建立时间序列模型的标准模型权重,根据所述目标模型权重调整所述标准模型权重;
根据所述目标模型权重调整后的标准模型权重以及所述初始时间序列建立时间序列模型;
所述根据所述标记值计算得到所述初始时间序列的趋势性指标,包括:
计算所述标记值的数学统计量,并计算所述数学统计量与预设值的差值;
判断所述差值是否小于趋势标准值;
当所述差值小于趋势标准值时,输出所述初始时间序列趋势性强的趋势性指标;
当所述差值大于趋势标准值时,输出所述初始时间序列趋势性弱的趋势性指标;
所述将所述初始时间序列进行分段之前,还包括:
将所述初始时间序列分解成趋势项数据、季节性数据和噪声项数据;
将所述趋势项数据进行组合得到趋势性序列;
所述将所述初始时间序列进行分段,包括:
将所述趋势性序列进行分段;
所述获取所述趋势性指标对应的目标模型权重,包括:
获取删除处理后的初始时间序列的数据,并判断所述删除处理后的初始时间序列的数据量是否小于预设数据量;
当所述删除处理后的初始时间序列的数据量小于预设数据量时,则目标模型权重获取预设权重作为所述趋势性指标对应的目标模型权重。
2.根据权利要求1所述的方法,其特征在于,所述将所述初始时间序列进行分段之前,还包括:
检测所述初始时间序列是否完整;
当所述初始时间序列不完整时,获取所述初始时间序列的中断点,并对所述初始时间序列中所述中断点之前的数据进行删除处理。
3.根据权利要求1所述的方法,其特征在于,所述趋势性指标用于指示所述初始时间序列的趋势性强弱程度。
4.一种时间序列模型建立装置,其特征在于,所述装置用于执行如权利要求1所述的时间序列模型建立方法。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括:
检测模块,用于检测初始时间序列是否完整;
第四获取模块,用于当初始时间序列不完整时,获取初始时间序列的中断点,并对初试时间序列中中断点之前的数据进行删除处理。
6.根据权利要求4所述的装置,其特征在于,所述趋势性指标用于指示所述初始时间序列的趋势性强弱程度。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1所述方法的步骤。
8.根据权利要求7所述的计算机设备,其特征在于,所述处理器执行所述计算机程序时还实现以下步骤:
检测所述初始时间序列是否完整;
当所述初始时间序列不完整时,获取所述初始时间序列的中断点,并对所述初始时间序列中所述中断点之前的数据进行删除处理。
9.根据权利要求7所述的计算机设备,其特征在于,所述趋势性指标用于指示所述初始时间序列的趋势性强弱程度。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554400.1A CN109783876B (zh) | 2018-12-19 | 2018-12-19 | 时间序列模型建立方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554400.1A CN109783876B (zh) | 2018-12-19 | 2018-12-19 | 时间序列模型建立方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109783876A CN109783876A (zh) | 2019-05-21 |
CN109783876B true CN109783876B (zh) | 2024-02-06 |
Family
ID=66497298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811554400.1A Active CN109783876B (zh) | 2018-12-19 | 2018-12-19 | 时间序列模型建立方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109783876B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266552B (zh) * | 2019-08-15 | 2020-04-21 | 华为技术有限公司 | 流量异常检测的方法、模型训练方法和装置 |
CN111122945B (zh) * | 2019-12-31 | 2022-03-01 | 南京天溯自动化控制系统有限公司 | 医院后勤监测系统高精确度告警过滤方法、装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899451A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于统计信号处理的时间序列预测模型选择方法 |
CN106448168A (zh) * | 2016-11-24 | 2017-02-22 | 中山大学 | 基于趋势性指标及波动性指标的交通事件自动检测方法 |
CN106960059A (zh) * | 2017-04-06 | 2017-07-18 | 山东大学 | 一种基于分段线性表示的时间序列流数据降维与简化表示方法 |
CN107679987A (zh) * | 2017-07-25 | 2018-02-09 | 上海壹账通金融科技有限公司 | 资产配置策略获取方法、装置、计算机设备和存储介质 |
CN108304355A (zh) * | 2018-02-08 | 2018-07-20 | 北京工业大学 | 一种基于sarima-wnn模型预测弹性云计算资源的方法 |
CN108520094A (zh) * | 2018-03-07 | 2018-09-11 | 南方电网科学研究院有限责任公司 | 一种风电场出力的时空序列模拟方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8700363B2 (en) * | 2010-09-08 | 2014-04-15 | The Boeing Company | ETOPS IFSD risk calculator |
-
2018
- 2018-12-19 CN CN201811554400.1A patent/CN109783876B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899451A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于统计信号处理的时间序列预测模型选择方法 |
CN106448168A (zh) * | 2016-11-24 | 2017-02-22 | 中山大学 | 基于趋势性指标及波动性指标的交通事件自动检测方法 |
CN106960059A (zh) * | 2017-04-06 | 2017-07-18 | 山东大学 | 一种基于分段线性表示的时间序列流数据降维与简化表示方法 |
CN107679987A (zh) * | 2017-07-25 | 2018-02-09 | 上海壹账通金融科技有限公司 | 资产配置策略获取方法、装置、计算机设备和存储介质 |
CN108304355A (zh) * | 2018-02-08 | 2018-07-20 | 北京工业大学 | 一种基于sarima-wnn模型预测弹性云计算资源的方法 |
CN108520094A (zh) * | 2018-03-07 | 2018-09-11 | 南方电网科学研究院有限责任公司 | 一种风电场出力的时空序列模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109783876A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110489520B (zh) | 基于知识图谱的事件处理方法、装置、设备和存储介质 | |
CN109032829B (zh) | 数据异常检测方法、装置、计算机设备及存储介质 | |
CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
CN111026570B (zh) | 用于确定业务系统异常原因的方法和装置 | |
CN109657917B (zh) | 评估对象的风险预警方法、装置、计算机设备和存储介质 | |
CN111625516B (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
CN109583758B (zh) | 监察系统的预警规则修正方法、装置和计算机设备 | |
CN108228722B (zh) | 破碎化区域采样点的地理空间分布均匀度检测方法 | |
CN112148987A (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN109886719B (zh) | 基于网格的数据挖掘处理方法、装置和计算机设备 | |
CN109783876B (zh) | 时间序列模型建立方法、装置、计算机设备和存储介质 | |
WO2020015139A1 (zh) | 风险旅客方法、装置、计算机设备和存储介质 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN110659268A (zh) | 基于聚类算法的数据填充方法、装置及计算机设备 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN112541016A (zh) | 用电异常检测方法、装置、计算机设备和存储介质 | |
CN108809943A (zh) | 网站监控方法及其装置 | |
CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
CN113268567A (zh) | 多属性文本匹配方法、装置、设备和存储介质 | |
Faure et al. | Estimating Kolmogorov entropy from recurrence plots | |
CN109783877B (zh) | 时间序列模型建立方法、装置、计算机设备和存储介质 | |
WO2020124977A1 (zh) | 生产数据处理方法、装置、计算机设备和存储介质 | |
CN114372867A (zh) | 用户信用度的验证评估方法、装置和计算机设备 | |
CN112348226A (zh) | 预测数据生成方法、系统、计算机设备及存储介质 | |
CN114741673B (zh) | 行为风险检测方法、聚类模型构建方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |