CN109783877A - 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
- CN109783877A CN109783877A CN201811555066.1A CN201811555066A CN109783877A CN 109783877 A CN109783877 A CN 109783877A CN 201811555066 A CN201811555066 A CN 201811555066A CN 109783877 A CN109783877 A CN 109783877A
- Authority
- CN
- China
- Prior art keywords
- section
- initial time
- time sequence
- value
- sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000006185 dispersion Substances 0.000 claims abstract description 88
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 60
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 12
- 238000001514 detection method Methods 0.000 description 6
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation 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
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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,将初始时间序列分区间;将每个区间进行分段,并对对应分段的数据进行排序,对排序后的区间进行标记,得到顺序标识值;根据各个分段的顺序标识值计算离散程度值;根据离散程度值计算初始时间序列的周期性指标;获取周期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离散程度决定在建立时间序列模型时周期性的权重大小,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周期性,并通过获取到的周期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周期性不够准确,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分为若干个区间;
将每个区间进行分段,并对每个区间中对应分段的数据进行排序,对排序后的每一分段的排序顺序情况进行标记,得到顺序标识值;
根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值;
根据每个区间的离散程度值计算所述初始时间序列的周期性指标;
获取所述周期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,所述根据每个区间的离散程度值计算所述初始时间序列的周期性指标,包括:
计算所述每个区间的离散程度值的平均值,并计算所述平均值与预设值的差值;
判断所述差值是否小于周期标准值;
当所述差值小于周期标准值时,输出所述初始时间序列周期性强的周期性指标;
当所述差值大于周期标准值时,输出所述初始时间序列周期性弱的周期性指标。
在其中一个实施例中,所述根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值之后,还包括:
对所述每个区间的离散程度值进行归一化处理;
所述根据每个区间的离散程度值计算所述初始时间序列的周期性指标,包括:
根据归一化后的每个区间的离散程度值计算所述初始时间序列的周期性指标。
在其中一个实施例中,所述将每个区间进行分段之前,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区间以及所述中断点所在区间的数据进行删除处理。
在其中一个实施例中,所述获取所述周期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,则获取预设权重作为所述周期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分为若干个区间;
分段模块,用于将每个区间进行分段,并对每个区间中对应分段的数据进行排序,对排序后的每一分段的排序顺序情况进行标记,得到顺序标识值;
第一计算模块,用于根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值;
第二计算模块,用于根据每个区间的离散程度值计算所述初始时间序列的周期性指标;
第二获取模块,用于获取所述周期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,用于计算所述每个区间的离散程度值的平均值,并计算所述平均值与预设值的差值;
判断模块,用于判断所述差值是否小于周期标准值;
第一输出模块,用于当所述差值小于周期标准值时,输出所述初始时间序列周期性强的周期性指标;
第二输出模块,用于当所述差值大于周期标准值时,输出所述初始时间序列周期性弱的周期性指标。
在其中一个实施例中,所述装置还包括:
归一化模块,用于对所述每个区间的离散程度值进行归一化处理。
第四计算模块,用于根据归一化后的每个区间的离散程度值计算所述初始时间序列的周期性指标。
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,将初始时间序列分为若干个区间,并对每个区间进行分段,每个区间中分段的数据相互对应,选择每个区间中对应分段的数据进行排序,对排序后的每一分段用顺序标识值进行标记,顺序标识值表示每个区间中对应分段的顺序关系,然后根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值,并根据每个区间的离散程度值计算初始时间序列的周期性指标,周期性指标可以表示初始时间序列的周期性强弱;获取周期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离散程度决定在建立时间序列模型时周期性的权重大小,提高了时间序列模型建立时的时间序列周期性的准确性,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周期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,并将初始时间序列分为若干个区间;然后将每个区间进行分段,每个区间中分段的数据相互对应,对每个区间中对应分段的数据进行排序,对排序后的每一分段进行标记得到顺序标识值,顺序标识值表示每个区间中对应分段的顺序关系;根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值;根据每个区间的离散程度值计算初始时间序列的周期性指标,周期性指标可以表示初始时间序列的周期性强弱;获取周期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,将初始时间序列分为若干个区间。
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,终端在通过初始时间序列的数据建立时间序列模型时,先将初始时间序列分为若干个区间,在终端获取到服务器中的初始时间序列后,将初始时间序列分为若干个区间可以是将初始时间序列等时距的分为N段。比如当初始时间序列为2010年至2016年7年间公司的月利润时,可以将初始时间序列分为7个区间,每个区间为公司一年的月利润,也可以将初始时间序列分为14个区间,每个区间为公司半年的月利润等等。
步骤204,将每个区间进行分段,并对每个区间中对应分段的数据进行排序,对排序后的每一分段的排序顺序情况进行标记,得到顺序标识值。
具体地,在终端将初始时间序列分为若干个区间之后,对每个区间进行分段,分段操作之后每个区间存在对应的分段,而顺序标识值可以用于描述各个分段之间排序的顺序情况。比如当初始时间序列为2010年至2016年7年间公司的月利润时,可以将初始时间序列分为7个区间,每个区间为公司一年的月利润,然后对每一个区间进行分段,分段可以为将每个区间根据季度分成4个分段,每个区间之间的第1季度数据相互对应、第2季度数据相互对应、第3季度数据相互对应、第4季度数据相互对应,然后对每个区间中对应的分段数据进行排序,对排序后的每一分段进行标记得到顺序标识值。具体的标记情况可以如表1所示:
表1:
第一季度 | 第二季度 | 第三季度 | 第四季度 | |
2010年 | 1 | 7 | 5 | 1 |
2011年 | 3 | 6 | 6 | 4 |
2012年 | 7 | 5 | 3 | 5 |
2013年 | 6 | 4 | 2 | 6 |
2014年 | 2 | 3 | 1 | 7 |
2015年 | 4 | 2 | 4 | 3 |
2016年 | 5 | 1 | 7 | 2 |
其中,如表1所示,顺序标识值可以为每个区间对应分段排序后表示排序关系的值,比如对7个区间中对应的第1季度的数据进行排序,排序可以根据利润值大小进行排序,顺序标识值可以为1、2、3、4、5、6、7,用来表示在7个区间中第1季度的从小到大的排序,比如当2010年第一季度的利润在7个区间中最小,则顺序标识值为1,当2011年第一季度的利润在7个区间中从小到大排名第3,则顺序标识值为3,以此类推。
步骤206,根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值。
具体地,每个区间的离散程度值可以表示每个区间的数据之间的差异程度,:离散程度值可以根据各个区间的顺序标识值计算平均差、方差等方式得到,在终端对排序后的每一分段进行标记得到顺序标识值后,每个区间都存在各个分段的顺序标识值,然后根据每个区间中各个分段的顺序标识值计算每个区间的离散程度值。比如2010年区间的顺序标识值为1、7、5、1,则可以根据该区间的顺序标识值计算方差,计算方差的结果为6.75,则方差的结果6.75即为2010年区间的离散程度值。
步骤208,根据每个区间的离散程度值计算初始时间序列的周期性指标。
具体地,在终端计算初始时间序列中的每一区间的离散程度值之后,根据离散程度值计算初始时间序列的周期性强弱,计算方法可以通过求离散程度值的数学统计值,例如可以通过求平均值等方式,根据离散程度值的平均值的大小判断初始时间序列的周期性强弱,然后根据初始时间序列的周期性强弱获取对应的周期性指标。
步骤210,获取周期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。
具体地,周期性指标用于指示初始时间序列的周期性强弱程度,根据周期性指标指示的强弱程度获取周期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:周期性指标指示的周期性越强,对应的目标模型权重中周期性所占权重越大,周期性指标指示的周期性越弱,对应的目标模型权重中周期性所占权重越小。获取周期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212,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周期性权重,当终端的周期性强弱指标指示的周期性越强时,则对应的标准模型权重中周期性指标指示的周期性所占权重越大,在建立时间序列模型时周期性指标指示的周期性所占的权重越大,相应的其他性质,比如趋势性、季节性、连续性等其他性质所占权重相应的越小;当终端的周期性强弱指标指示的周期性越弱时,则对应的标准模型权重中周期性所占权重越小,在建立时间序列模型时周期性所占的权重越小,相应的其他性质,比如趋势性、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,将初始时间序列分为若干个区间,并对每个区间进行分段,每个区间中分段的数据相互对应,选择每个区间中对应分段的数据进行排序,对排序后的每一分段用顺序标识值进行标记,顺序标识值表示每个区间中对应分段的顺序关系,然后根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值,并根据每个区间的离散程度值计算初始时间序列的周期性指标,周期性指标可以表示初始时间序列的周期性强弱;获取周期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离散程度决定在建立时间序列模型时周期性的权重大小,提高了建立时间序列模型时权重大小的准确性,进一步提高了建立时间序列模型的准确性。
在一个实施例中,上文所提到周期性指标可以根据离散程度值的数据统计量来进行计算,如图3所示,该周期性指标的计算方式可以包括:
步骤302,计算每个区间的离散程度值的平均值,并计算平均值与预设值的差值。
具体地,离散程度值可以表示每个区间的数据之间的差异程度,在终端对每个区间对应分段进行排序,并根据排序的顺序标识值计算得到每个区间离散程度值之后,计算每个区间离散程度值的平均值,其中,离散程度值为每个区间的离散程度值的方差时,对应的预设值可以设为0,即在计算得到初始时间序列每个区间的方差的平均值a之后,计算a与0的差值。
步骤304,判断差值是否小于周期标准值,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,当计算得到平均值a与预设值0的差值之后,判断差值是否小于周期标准值,其中,周期标准值作为用于界定周期性强弱的标准,具体的数值设定可以根据预设标准值的数值以及时间序列模型的周期性要求对应的设定。比如计算得到的每个区间离散程度值在0至100之间时,对应的周期标准值可以设定为离散程度差值的百分之10至20,比如周期标准值设定为20,则判断平均值a与0的差值是否小于周期标准值20。
步骤306,输出初始时间序列周期性强的周期性指标。
具体地,当离散程度值的平均值与预设值的大小小于周期标准值时,说明初始时间序列的每个区间的数据比较稳定,相应的初始时间序列的周期性越强,则输出表示初始时间序列周期性强的周期性指标。且通常来说,离散程度值的平均值与预设值的差值越小,则对应的初始时间序列的周期性越强。
步骤308,输出初始时间序列周期性弱的周期性指标。
具体地,当离散程度值的平均值与预设值的大小大于周期标准值时,说明初始时间序列的每个区间的数据比较分散,数据分布混乱,相应的初始时间序列的周期性越弱,则输出表示初始时间序列周期性弱的周期性指标。且通常来说,离散程度值的平均值与预设值的差值越大,则对应的初始时间序列的周期性越弱。
上述时间序列模型建立方法中,终端通过计算离散程度值的平均值以及平均值与预设值的差值;判断差值是否小于周期标准值;当差值小于周期标准值时,输出初始时间序列周期性强的周期性指标;当差值大于周期标准值时,输出初始时间序列周期性弱的周期性指标。这样根据离散程度值的平均值对初始时间序列的周期性强弱进行判断,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根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值之后,还可以包括:对每个区间的离散程度值进行归一化处理;根据每个区间的离散程度值计算初始时间序列的周期性指标,包括:根据归一化后的每个区间的离散程度值计算初始时间序列的周期性指标。
具体地,在终端根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值之后,还对每个区间的离散程度值进行归一化处理,即把得到的差距可能较大的各个离散程度值变为(0,1)之间的小数,虽然离散程度值都变成(0,1)之间的小数,但原本的每个数的比例在归一化之后不会改变。
上述实施例中,对每个区间的离散程度值进行归一化处理,使离散程度值都变成(0,1)之间的小数,方便用户更直观的观察初始时间序列的周期性。
在一个实施例中,时间序列模型建立方法在将每个区间进行分段之前,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,并对初始时间序列中断点之前区间以及中断点所在区间的数据进行删除处理,并在删除处理之后获取删除处理后的初始时间序列的数据,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,则获取预设权重作为周期性指标对应的目标模型权重。
具体地,终端在将初始时间序列的若干个区间分段之前,可以检测初始时间序列是否完整,比如初始时间序列为2010年至2016年7年间的公司的月利润时,每一年的公司月利润数据为一个区间,分为7个区间,当2012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,为了保证对周期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(2012年5月)之前区间的所有数据(2010年、2011年区间)以及中断点所在区间的所有数据(2012年区间),后续的操作通过剩余时间序列(2013年及以后年份区间)的数据进行。且在终端对初始时间序列进行删除处理后,判断剩余时间序列的数据量是否小于预设数据量,其中,预设数据量为判断时间序列周期性的基础数据量,当时间序列的数据量小于预设数据量时,对时间序列周期性的判断误差将大大增加。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,预设权重中周期性所占的权重可以设为0,相应的其他性质,比如趋势性、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,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区间及终端点所在区间的所有数据,且在数据删除后,检测数据量是否小于判断需要的基础数据量,保证周期性指标的准确性,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:首先终端获取到服务器中的初始时间序列后,将初始时间序列分为若干个区间,其次,检测初始时间序列的数据是否完整,当初始时间序列的数据完整时,开始后续的分段处理,当初始时间序列的数据不完整时,删除导致数据不完整的中断点之前区间及中断点所在区间的数据,并且在删除后要检测初始时间序列剩余的数据是否满足周期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,用剩余的时间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,预设权重中周期性所占的权重设为0。后续的对完整的初始时间序列或是剩余的时间序列分段处理为,将每个区间进行分段,并对每个区间中对应分段的数据进行排序,排序后的每一分段进行标记得到顺序标识值,然后根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值,并在得到每个区间的离散程度值后对其进行归一化处理,根据归一化后的每个区间的离散程度值计算平均值,当平均值与预设值的差值较小时,则初始时间序列的周期性强,对应的周期性指标指示周期性强,获取周期性指标对应的周期性权重大的目标模型权重,根据周期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较大时,则初始时间序列的周期性弱,对应的周期性指标指示周期性弱,获取周期性指标对应的周期性权重小的目标模型权重,根据周期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。
在一个实施例中,上述时间序列模型建立方法,在通过目标模型权重以及初始时间序列建立时间序列模型之后,可以根据时间序列模型来预测初始时间序列的数据在未来的数据变化情况,比如当初始时间序列的数据为2010年至2016年7年间公司的月利润时,则在初始时间序列根据时间序列模型的建立方法建立该公司的月利润的时间序列模型之后,可以在公司需求未来公司的月利润估计值时,根据构建的月利润时间序列模型预测该公司在未来时间段的月利润变化情况,为公司的后续发展计划的制定提供了准确的数据支持,为公司对市场未来走势的先期判断提供了准确的数据支持。
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、分段模块404、第一计算模块406、第二计算模块408、第二获取模块410、模型建立模块412,其中:
第一获取模块402,用于获取初始时间序列,将初始时间序列分为若干个区间。
分段模块404,用于将每个区间进行分段,并对每个区间中对应分段的数据进行排序,对排序后的每一分段进行标记得到顺序标识值。
第一计算模块406,用于根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值。
第二计算模块408,用于根据每个区间的离散程度值计算初始时间序列的周期性指标。
第二获取模块410,用于获取周期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412,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,用于计算每个区间的离散程度值的平均值,并计算平均值与预设值的差值。
判断模块,用于判断差值是否小于周期标准值。
第一输出模块,用于当差值小于周期标准值时,输出初始时间序列周期性强的周期性指标。
第二输出模块,用于当差值大于周期标准值时,输出初始时间序列周期性弱的周期性指标。
在一个实施例中,装置还可以包括:
归一化模块,用于对每个区间的离散程度值进行归一化处理。
第四计算模块,用于根据归一化后的每个区间的离散程度值计算初始时间序列的周期性指标。
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,并对初始时间序列中中断点之前区间以及中断点所在区间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,则获取预设权重作为周期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,将初始时间序列分为若干个区间;将每个区间进行分段,并对每个区间中对应分段的数据进行排序,对排序后的每一分段的排序顺序情况进行标记,得到顺序标识值;根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值;根据每个区间的离散程度值计算初始时间序列的周期性指标;获取周期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每个区间的离散程度值计算初始时间序列的周期性指标可以包括:计算每个区间的离散程度值的平均值,并计算平均值与预设值的差值;判断差值是否小于周期标准值;当差值小于周期标准值时,输出初始时间序列周期性强的周期性指标;当差值大于周期标准值时,输出初始时间序列周期性弱的周期性指标。
在一个实施例中,处理器执行计算机程序时所实现的根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值之后,还可以包括:对每个区间的离散程度值进行归一化处理;根据每个区间的离散程度值计算初始时间序列的周期性指标,包括:根据归一化后的每个区间的离散程度值计算初始时间序列的周期性指标。
在一个实施例中,处理器执行计算机程序时所实现的将每个区间进行分段之前,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,并对初始时间序列中中断点之前区间以及中断点所在区间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周期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,则获取预设权重作为周期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,将初始时间序列分为若干个区间;将每个区间进行分段,并对每个区间中对应分段的数据进行排序,对排序后的每一分段的排序顺序情况进行标记,得到顺序标识值;根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值;根据每个区间的离散程度值计算初始时间序列的周期性指标;获取周期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每个区间的离散程度值计算初始时间序列的周期性指标可以包括:计算每个区间的离散程度值的平均值,并计算平均值与预设值的差值;判断差值是否小于周期标准值;当差值小于周期标准值时,输出初始时间序列周期性强的周期性指标;当差值大于周期标准值时,输出初始时间序列周期性弱的周期性指标。
在一个实施例中,计算机程序被处理器执行时所实现的根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值之后,还可以包括:对每个区间的离散程度值进行归一化处理;根据每个区间的离散程度值计算初始时间序列的周期性指标,包括:根据归一化后的每个区间的离散程度值计算初始时间序列的周期性指标。
在一个实施例中,计算机程序被处理器执行时所实现的将每个区间进行分段之前,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,并对初始时间序列中中断点之前区间以及中断点所在区间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周期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,则获取预设权重作为周期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分为若干个区间;
将每个区间进行分段,并对每个区间中对应分段的数据进行排序,对排序后的每一分段的排序顺序情况进行标记,得到顺序标识值;
根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值;
根据每个区间的离散程度值计算所述初始时间序列的周期性指标;
获取所述周期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。
2.根据权利要求1所述的方法,其特征在于,所述根据每个区间的离散程度值计算所述初始时间序列的周期性指标,包括:
计算所述每个区间的离散程度值的平均值,并计算所述平均值与预设值的差值;
判断所述差值是否小于周期标准值;
当所述差值小于周期标准值时,输出所述初始时间序列周期性强的周期性指标;
当所述差值大于周期标准值时,输出所述初始时间序列周期性弱的周期性指标。
3.根据权利要求1所述的方法,其特征在于,所述根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值之后,还包括:
对所述每个区间的离散程度值进行归一化处理;
所述根据每个区间的离散程度值计算所述初始时间序列的周期性指标,包括:
根据归一化后的每个区间的离散程度值计算所述初始时间序列的周期性指标。
4.根据权利要求1所述的方法,其特征在于,所述将每个区间进行分段之前,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区间以及所述中断点所在区间的数据进行删除处理。
5.根据权利要求4所述的方法,其特征在于,所述获取所述周期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,则获取预设权重作为所述周期性指标对应的目标模型权重。
6.一种时间序列模型建立装置,其特征在于,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分为若干个区间;
分段模块,用于将每个区间进行分段,并对每个区间中对应分段的数据进行排序,对排序后的每一分段的排序顺序情况进行标记,得到顺序标识值;
第一计算模块,用于根据每个区间中各个分段的顺序标识值计算得到每个区间的离散程度值;
第二计算模块,用于根据每个区间的离散程度值计算所述初始时间序列的周期性指标;
第二获取模块,用于获取所述周期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。
7.根据权利要求6所述的装置,其特征在于,所述装置包括:
第三计算模块,用于计算所述每个区间的离散程度值的平均值,并计算所述平均值与预设值的差值;
判断模块,用于判断所述差值是否小于周期标准值;
第一输出模块,用于当所述差值小于周期标准值时,输出所述初始时间序列周期性强的周期性指标;
第二输出模块,用于当所述差值大于周期标准值时,输出所述初始时间序列周期性弱的周期性指标。
8.根据权利要求6所述的装置,其特征在于,所述装置包括:
归一化模块,用于对所述每个区间的离散程度值进行归一化处理;
第四计算模块,用于根据归一化后的每个区间的离散程度值计算所述初始时间序列的周期性指标。
9.一种计算机设备,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至5中任一项所述方法的步骤。
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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811555066.1A CN109783877B (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 |
---|---|---|---|
CN201811555066.1A CN109783877B (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 |
---|---|
CN109783877A true CN109783877A (zh) | 2019-05-21 |
CN109783877B CN109783877B (zh) | 2024-03-01 |
Family
ID=66498176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811555066.1A Active CN109783877B (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) | CN109783877B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926613A (zh) * | 2019-12-06 | 2021-06-08 | 北京沃东天骏信息技术有限公司 | 一种时间序列训练开始节点的定位方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
CN107679279A (zh) * | 2017-09-04 | 2018-02-09 | 西安交通大学 | 一种模型个体差异参数自适应匹配的寿命预测方法 |
CN107885951A (zh) * | 2017-11-27 | 2018-04-06 | 河海大学 | 一种基于组合模型的水文时间序列预测方法 |
CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
-
2018
- 2018-12-19 CN CN201811555066.1A patent/CN109783877B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN107679279A (zh) * | 2017-09-04 | 2018-02-09 | 西安交通大学 | 一种模型个体差异参数自适应匹配的寿命预测方法 |
CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
CN107885951A (zh) * | 2017-11-27 | 2018-04-06 | 河海大学 | 一种基于组合模型的水文时间序列预测方法 |
CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926613A (zh) * | 2019-12-06 | 2021-06-08 | 北京沃东天骏信息技术有限公司 | 一种时间序列训练开始节点的定位方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109783877B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165983A (zh) | 保险产品推荐方法、装置、计算机设备和存储介质 | |
CN109614231A (zh) | 空闲服务器资源发现方法、装置、计算机设备和存储介质 | |
CN109446065A (zh) | 用户标签测试方法、装置、计算机设备和存储介质 | |
CN109740812A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN109065175A (zh) | 医疗特征筛选方法、装置、计算机设备和存储介质 | |
CN111258466A (zh) | 数据可视化方法、装置、计算机设备和存储介质 | |
CN110287250A (zh) | 用户等级量化方法和装置 | |
CN110008119A (zh) | 报表测试方法、装置、计算机设备和存储介质 | |
CN115146437A (zh) | 工程预算处理方法、装置、计算机设备及存储介质 | |
CN109783877A (zh) | 时间序列模型建立方法、装置、计算机设备和存储介质 | |
CN108921459B (zh) | 指标生成方法、装置、计算机设备和存储介质 | |
CN109783876A (zh) | 时间序列模型建立方法、装置、计算机设备和存储介质 | |
CN110457361A (zh) | 特征数据获取方法、装置、计算机设备和存储介质 | |
CN110008180A (zh) | 财务数据记录方法、装置、计算机设备和存储介质 | |
CN112685462A (zh) | 馈线数据分析方法、装置、计算机设备和存储介质 | |
CN109767031A (zh) | 模型分类器建立方法、装置、计算机设备和存储介质 | |
CN110473114A (zh) | 保单份额计算方法、装置、计算机设备和存储介质 | |
CN110443451A (zh) | 事件定级方法、装置、计算机设备和存储介质 | |
CN110110882A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN110471696A (zh) | 清算数据回放比对方法、装置、计算机设备和存储介质 | |
CN113837467A (zh) | 点对点能源项目评估方法、装置、计算机设备和存储介质 | |
CN110597874B (zh) | 数据分析模型的创建方法、装置、计算机设备和存储介质 | |
CN109711809B (zh) | 商户属性设置方法、装置、计算机设备及存储介质 | |
CN113742187A (zh) | 应用系统的容量预测方法、装置、设备及存储介质 | |
CN115660691B (zh) | 一种设备筛选方法、装置、终端及存储介质 |
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 |