CN110503235A - 时间序列的预测方法及系统 - Google Patents
时间序列的预测方法及系统 Download PDFInfo
- Publication number
- CN110503235A CN110503235A CN201910605237.5A CN201910605237A CN110503235A CN 110503235 A CN110503235 A CN 110503235A CN 201910605237 A CN201910605237 A CN 201910605237A CN 110503235 A CN110503235 A CN 110503235A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- weight
- result
- models
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种时间序列的预测方法,包括:获取预设历史时段内的业务量信息,其中所述业务量信息包括时间及变量;根据所述业务量信息绘制对应的散点图;选择多种预测模型的类型;将所述散点图根据所述类型分别训练对应的预测模型的参数,以分别确定所述多种预测模型;利用所述多种预测模型对所述业务量分别进行预测;将所述多个预测结果按照预设规则,赋予所述多个预测模型对应的权重;及获取待预测的时间,并根据所述时间及所述权重计算综合预测结果,以将所述综合预测结果作为最终的预测结果输出。通过本发明实施例,能够避免单一预测模型预测的偶然性,极大的提高预测模型的稳定性及准确率。
Description
技术领域
本发明实施例涉及大数据领域,尤其涉及一种时间序列的预测方法、系统、计算机设备及可读存储介质。
背景技术
对于业务量及产能的预测,当前行业内对于时间序列模型应用较为广泛,然而单一的时间序列模型(例如:三步移动平均预测、多项式预测及指数预测等)往往应用效果不佳,存在一定的偶然性,准确率不高,而简单的将多种模型直接进行平均效果也一样不理想。
故,本发明旨在解决现有的模型预测方法准确率不高且存在偶然性的问题。
发明内容
有鉴于此,有必要提供一种时间序列的预测方法、系统、计算机设备及可读存储介质,能够避免单一预测模型预测的偶然性,极大的提高预测模型的稳定性及准确率。
为实现上述目的,本发明实施例提供了一种时间序列的预测方法,所述方法包括:
获取预设历史时段内的业务量信息,其中所述业务量信息包括时间及变量;
根据所述业务量信息绘制对应的散点图;
选择多种预测模型的类型,其中所述多种预测模型至少包括三步移动平均模型、多项式模型及指数模型;
将所述散点图根据所述类型分别训练对应的预测模型的参数,以分别确定所述多种预测模型;
利用所述多种预测模型对所述业务量分别进行预测,并将与所述多种预测模型对应的多个预测结果分别保存于数据库中;
将所述多个预测结果按照预设规则,赋予所述多个预测模型对应的权重;及
获取待预测的时间,并根据所述时间及所述权重计算综合预测结果,以将所述综合预测结果作为最终的预测结果输出。
优选地,所述将所述多个预测结果按照预设规则赋予所述多个预测模型对应的权重的步骤,还包括步骤:
分别计算所述多个预测结果的准确率;
将所述多个预测结果的准确率进行比较;及
根据比较结果,赋予准确率高的预测模型高的权重。
优选地,所述根据比较结果,赋予准确率高的预测模型高的权重的步骤,还包括步骤:
当所述三步移动平均模型预测准确率高于所述多项式模型预测准确率,且所述多项式模型预测准确率高于所述指数模型预测准确率时,分别赋予所述三步移动平均模型第一权重,赋予所述多项式模型第二权重,赋予所述指数模型第三权重,其中,所述第一权重高于所述第二权重,所述第二权重高于所述第三权重。
优选地,所述获取待预测的时间,并根据所述时间及所述权重计算综合预测结果,以将所述综合预测结果作为最终的预测结果输出的步骤,还包括步骤:
根据所述时间分别进行预测;
获取对应的预测结果;
根据所述第一权重、所述第二权重、所述第三权重及所述预测结果,计算所述综合预测结果,所述综合预测结果的计算公式为:
M=a1*M1+a2*M2+a3*M3;
其中,a1为三步移动平均模型的权重,M1为三步移动平均模型的预测结果,a2为多项式模型的权重,其中,a1+a2+a3=1,M2为多项式模型的预测结果,a3为指数模型的权重,M3为指数模型的预测结果。
为实现上述目的,本发明实施例还提供了一种时间序列的预测系统,包括:
获取模块,用于获取预设历史时段内的业务量信息,其中所述业务量信息包括时间及变量;
绘制模块,用于根据所述业务量信息绘制对应的散点图;
选择模块,用于选择多种预测模型的类型,其中所述多种预测模型至少包括三步移动平均模型、多项式模型及指数模型;
训练模块,用于将所述散点图根据所述类型分别训练对应的预测模型的参数,以分别确定所述多种预测模型;
预测模块,用于利用所述多种预测模型对所述业务量分别进行预测,并将与所述多种预测模型对应的多个预测结果分别保存于数据库中;
赋予模块,用于将所述多个预测结果按照预设规则,赋予所述多个预测模型对应的权重;及
输出模块,用于获取待预测的时间,根据所述时间及所述权重计算综合预测结果,以将所述综合预测结果作为最终的预测结果输出。
优选地,所述赋予模块还用于:
分别计算所述多个预测结果的准确率;
将所述多个预测结果的准确率进行比较;及
根据比较结果,赋予准确率高的预测模型高的权重。
优选地,所述赋予模块还用于:
当所述三步移动平均模型预测准确率高于所述多项式模型预测准确率,且所述多项式模型预测准确率高于所述指数模型预测准确率时,分别赋予所述三步移动平均模型第一权重,赋予所述多项式模型第二权重,赋予所述指数模型第三权重,其中,所述第一权重高于所述第二权重,所述第二权重高于所述第三权重。
优选地,所述输出模块还用于:
根据所述时间分别利用所述多种预测模型对所述业务量进行预测;
获取对应的预测结果;
根据所述第一权重、所述第二权重、所述第三权重及所述预测结果,计算所述综合预测结果,所述综合预测结果的计算公式为:
M=a1*M1+a2*M2+a3*M3;
其中,a1为三步移动平均模型的权重,M1为三步移动平均模型的预测结果,a2为多项式模型的权重,其中,a1+a2+a3=1,M2为多项式模型的预测结果,a3为指数模型的权重,M3为指数模型的预测结果。
为实现上述目的,本发明实施例还提供了一种计算机设备,所述计算机设备存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现如上所述的时间序列的预测方法的步骤。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的时间序列的预测方法的步骤。
本发明实施例提供的时间序列的预测方法、系统、计算机设备及可读存储介质,通过获取历史时间段内的业务量信息,并绘制对应的散点图,选择多种预测模型的类型,并根据所述散点图训练处对应的预测模型参数以确定所述预测模型,利用确定出的所述多种预测模型对所述业务量分别进行预测,将预测结果保存,并计算对应预测结果的准确率,将所述多种预测模型的准确率进行比较,按照准确率的高低赋予准确率最高的预测模型最高的权重,准确率最低的预测模型最低的权重,并将预测模型预测出的结果及对应的权重进行加权求和以确定最终的预测结果。本发明实施例通过综合多种预测模型,避免了单一预测模型预测的偶然性,极大的提高了预测模型的稳定性及准确率。
附图说明
图1为本发明实施例一之时间序列的预测方法的步骤流程图。
图2为本发明实施例二之计算机设备的硬件架构示意图。
图3为本发明实施例三之时间序列的预测系统的程序模块示意图。
附图标记:
计算机设备 | 2 |
存储器 | 21 |
处理器 | 22 |
网络接口 | 23 |
时间序列的预测系统 | 20 |
获取模块 | 201 |
绘制模块 | 202 |
选择模块 | 203 |
训练模块 | 204 |
预测模块 | 205 |
赋予模块 | 206 |
输出模块 | 207 |
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
实施例一
参阅图1,示出了本发明实施例一之时间序列的预测方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。需要说明是,本实施例以计算机设备2为执行主体进行示例性描述。具体如下:
步骤S100,获取预设历史时段内的业务量信息,其中所述业务量信息包括时间及变量。
例如,当需要预测2018年12月份的保单件数时,所述计算机设备2分别获取2011年~2017年1月份、4月份、7月份及10月份的历史保单件数。
步骤S102,根据所述业务量信息绘制对应的散点图。
具体地,所述计算机设备2将获取的2011年~2017年1月份、4月份、7月份及10月份的历史保单件数绘制成散点图,其中,以时间为横坐标,与该时间对应的历史保单件数为纵坐标绘制坐标图。
步骤S104,选择多种预测模型的类型,其中所述多种预测模型至少包括三步移动平均模型、多项式模型及指数模型。
步骤S106,将所述散点图根据所述类型分别训练对应的预测模型的参数,以分别确定所述多种预测模型。
例如,选择指数模型这一类型,则所述指数模型为y=aebt(a>0),其中t为时间,y为该时间的保单件数,a、b为该模型的参数。将2011年~2017年1月份、4月份、7月份及10月份的历史保单件数输入至该指数模型中,以计算出参数a及b的数值,以训练出该指数模型。例如,计算出a=5482.5,b=0.0258,确定的指数模型为y=5482.5e0.0258t。
又如,选择多项式模型这一类型,则所述多项式模型为y=ax2+bx+c,其中,x为时间,y为该时间的保单件数,a、b、c为该多项式模型参数。将2011年~2017年1月份、4月份、7月份及10月份的历史保单件数输入至该指数模型中,以计算出参数a、b及c的数值,进而训练出所述多项式模型。例如,计算出a=10.068,b=-318.49,c=10075,确定的指数模型为y=10.068x2-318.49x+10075。
步骤S108,利用所述多种预测模型对所述业务量分别进行预测,并将与所述多种预测模型对应的多个预测结果分别保存于数据库中。
具体地,将2011年~2017年1月份、4月份、7月份及10月份分别输入至确定的三步移动平均模型、多项式模型及指数模型中,并计算出对应的y值,其中,计算出的各个y值即为预测结果。然后,将时间及对应的y值绘制于所述散点图中。
步骤S110,将所述多个预测结果按照预设规则,赋予所述多个预测模型对应的权重。
在一较佳实施例中,所述将所述多个预测结果按照预设规则,赋予所述多个预测模型对应的权重的步骤,具体为:先分别计算所述多个预测结果的准确率,然后将所述多个预测结果的准确率进行比较,并根据比较结果,赋予准确率高的预测模型高的权重。其中,所述准确率的计算公式为:准确率=(1-(预测数-实际数)/预测数)*100%。
在一较佳实施例中,当所述三步移动平均模型预测准确率高于所述多项式模型预测准确率,且所述多项式模型预测准确率高于所述指数模型预测准确率时,分别赋予所述三步移动平均模型第一权重,赋予所述多项式模型第二权重,赋予所述指数模型第三权重,其中,所述第一权重高于所述第二权重,所述第二权重高于所述第三权重。
具体地,若计算出所述三步移动平均模型的准确率为90%,所述多项式模型的准确率为80%,所述指数模型的准确率为70%,经过比较,所述三步移动平均模型的准确率最高,所述多项式模型的准确率其次,所述所述多项式模型的准确率最低,则赋予所述三步移动平均模型0.5的权重,赋予所述多项式模型0.3的权重,赋予所述指数模型0.2的权重。
步骤S112,获取待预测的时间,并根据所述时间及所述权重计算综合预测结果,以将所述综合预测结果作为最终的预测结果输出。
在一较佳实施例中,所述获取待预测的时间,并根据所述时间及所述权重计算综合预测结果的步骤,具体为:根据所述时间分别进行预测,然后获取对应的预测结果,根据所述第一权重、所述第二权重、所述第三权重及所述预测结果,计算所述综合预测结果,所述综合预测结果的计算公式为:M=a1*M1+a2*M2+a3*M3,其中,a1为三步移动平均模型的权重,M1为三步移动平均模型的预测结果,a2为多项式模型的权重,其中,a1+a2+a3=1,M2为多项式模型的预测结果,a3为指数模型的权重,M3为指数模型的预测结果。
具体地,若需要预测2018年12月份的保单件数,则将该时间分别输入至确定的模型中,并计算出相应的预测值,其中,所述三步移动平均模型预测出60000件,所述多项式模型预测出61000件,所述指数模型预测出58000件。根据赋予的所述三步移动平均模型的权重0.5,所述多项式模型的权重0.3,所述指数模型的权重0.2。根据计算公式M=a1*M1+a2*M2+a3*M3计算出综合预测结果M=0.5*60000+0.3*61000+0.2*58000=59900。
需要说明的是,在另一较佳实施例中,还可以选择其他的预测模型的组合,在此不作限定。本发明实施例仅以三步移动平均模型、多项式模型及指数模型的组合进行详细说明。
本发明实施例,通过综合多种预测模型,避免了单一预测模型预测的偶然性,极大的提高了预测模型的稳定性及准确率。
实施例二
请参阅图2,示出了本发明实施例二之计算机设备的硬件架构示意图。计算机设备2包括,但不仅限于,可通过系统总线相互通信连接存储器21、处理22以及网络接口23,图2仅示出了具有组件21-23的计算机设备2,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器21至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器21可以是所述计算机设备2的内部存储单元,例如该计算机设备2的硬盘或内存。在另一些实施例中,所述存储器也可以是所述计算机设备2的外部存储设备,例如该计算机设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器21还可以既包括所述计算机设备2的内部存储单元也包括其外部存储设备。本实施例中,所述存储器21通常用于存储安装于所述计算机设备2的操作系统和各类应用软件,例如时间序列的预测系统20的程序代码等。此外,所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述计算机设备2的总体操作。本实施例中,所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据,例如运行所述时间序列的预测系统20等。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述计算机设备2与其他电子设备之间建立通信连接。例如,所述网络接口23用于通过网络将所述计算机设备2与外部终端相连,在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
实施例三
请参阅图3,示出了本发明实施例三之时间序列的预测系统的程序模块示意图。在本实施例中,时间序列的预测系统20可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述时间序列的预测方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述时间序列的预测系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
获取模块201,用于获取预设历史时段内的业务量信息,其中所述业务量信息包括时间及变量。
例如,当需要预测2018年12月份的保单件数时,所述获取模块201分别获取2011年~2017年1月份、4月份、7月份及10月份的历史保单件数。
绘制模块202,用于根据所述业务量信息绘制对应的散点图。
具体地,所述绘制模块202将获取的2011年~2017年1月份、4月份、7月份及10月份的历史保单件数绘制成散点图,其中,以时间为横坐标,与该时间对应的历史保单件数为纵坐标绘制坐标图。
选择模块203,用于选择多种预测模型的类型,其中所述多种预测模型至少包括三步移动平均模型、多项式模型及指数模型。
训练模块204,用于将所述散点图根据所述类型分别训练对应的预测模型的参数,以分别确定所述多种预测模型。
例如,所述选择模块203选择指数模型这一类型,则所述指数模型为y=aebt(a>0),其中t为时间,y为该时间的保单件数,a、b为该模型的参数。将2011年~2017年1月份、4月份、7月份及10月份的历史保单件数输入至该指数模型中,以计算出参数a及b的数值,所述训练模块204训练出该指数模型。例如,计算出a=5482.5,b=0.0258,确定的指数模型为y=5482.5e0.0258t。
又如,所述选择模块203选择多项式模型这一类型,则所述多项式模型为y=ax2+bx+c,其中,x为时间,y为该时间的保单件数,a、b、c为该多项式模型参数。将2011年~2017年1月份、4月份、7月份及10月份的历史保单件数输入至该指数模型中,以计算出参数a、b及c的数值,进而所述训练模块204训练出所述多项式模型。例如,计算出a=10.068,b=-318.49,c=10075,确定的指数模型为y=10.068x2-318.49x+10075。
预测模块205,用于利用所述多种预测模型对所述业务量分别进行预测,并将与所述多种预测模型对应的多个预测结果分别保存于数据库中。
具体地,将2011年~2017年1月份、4月份、7月份及10月份分别输入至确定的三步移动平均模型、多项式模型及指数模型中,所述预测模块205计算出对应的y值,其中,计算出的各个y值即为预测结果。然后,将时间及对应的y值绘制于所述散点图中。
赋予模块206,用于将所述多个预测结果按照预设规则,赋予所述多个预测模型对应的权重。
在一较佳实施例中,将所述多个预测结果按照预设规则,赋予所述多个预测模型对应的权重时,所述赋予模块206先分别计算所述多个预测结果的准确率,然后,将所述多个预测结果的准确率进行比较,并根据比较结果,赋予准确率高的预测模型高的权重。其中,所述准确率的计算公式为:准确率=(1-(预测数-实际数)/预测数)*100%。
在一较佳实施例中,当所述三步移动平均模型预测准确率高于所述多项式模型预测准确率,且所述多项式模型预测准确率高于所述指数模型预测准确率时,所述赋予模块206分别赋予所述三步移动平均模型第一权重,赋予所述多项式模型第二权重,赋予所述指数模型第三权重,其中,所述第一权重高于所述第二权重,所述第二权重高于所述第三权重。
具体地,若所述赋予模块206计算出所述三步移动平均模型的准确率为90%,所述多项式模型的准确率为80%,所述指数模型的准确率为70%,经过比较,所述三步移动平均模型的准确率最高,所述多项式模型的准确率其次,所述多项式模型的准确率最低,则赋予所述三步移动平均模型0.5的权重,赋予所述多项式模型0.3的权重,赋予所述指数模型0.2的权重。
输出模块207,用于获取待预测的时间,根据所述时间及所述权重计算综合预测结果,以将所述综合预测结果作为最终的预测结果输出。
在一较佳实施例中,获取待预测的时间,并根据所述时间及所述权重计算综合预测结果时,所述输出模块207先根据所述时间分别进行预测,然后获取对应的预测结果,根据所述第一权重、所述第二权重、所述第三权重及所述预测结果,计算所述综合预测结果,所述综合预测结果的计算公式为:M=a1*M1+a2*M2+a3*M3,其中,a1为三步移动平均模型的权重,M1为三步移动平均模型的预测结果,a2为多项式模型的权重,其中,a1+a2+a3=1,M2为多项式模型的预测结果,a3为指数模型的权重,M3为指数模型的预测结果。
具体地,若需要预测2018年12月份的保单件数,则将该时间分别输入至确定的模型中,并计算出相应的预测值,其中,所述三步移动平均模型预测出60000件,所述多项式模型预测出61000件,所述指数模型预测出58000件。根据赋予的所述三步移动平均模型的权重0.5,所述多项式模型的权重0.3,所述指数模型的权重0.2。根据计算公式M=a1*M1+a2*M2+a3*M3计算出综合预测结果M=0.5*60000+0.3*61000+0.2*58000=59900。
需要说明的是,在另一较佳实施例中,还可以选择其他的预测模型的组合,在此不作限定。本发明实施例仅以三步移动平均模型、多项式模型及指数模型的组合进行详细说明。
本发明实施例,通过综合多种预测模型,避免了单一预测模型预测的偶然性,极大的提高了预测模型的稳定性及准确率。
本发明还提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、处理器等。
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储时间序列的预测系统20,被处理器执行时实现实施例一的时间序列的预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种时间序列的预测方法,其特征在于,包括:
获取预设历史时段内的业务量信息,其中所述业务量信息包括时间及变量;
根据所述业务量信息绘制对应的散点图;
选择多种预测模型的类型,其中所述多种预测模型至少包括三步移动平均模型、多项式模型及指数模型;
将所述散点图根据所述类型分别训练对应的预测模型的参数,以分别确定所述多种预测模型;
利用所述多种预测模型对所述业务量分别进行预测,并将与所述多种预测模型对应的多个预测结果分别保存于数据库中;
将所述多个预测结果按照预设规则,赋予所述多个预测模型对应的权重;及
获取待预测的时间,并根据所述时间及所述权重计算综合预测结果,以将所述综合预测结果作为最终的预测结果输出。
2.如权利要求1所述的预测方法,其特征在于,所述将所述多个预测结果按照预设规则赋予所述多个预测模型对应的权重的步骤,还包括步骤:
分别计算所述多个预测结果的准确率;
将所述多个预测结果的准确率进行比较;及
根据比较结果,赋予准确率高的预测模型高的权重。
3.如权利要求2所述的预测方法,其特征在于,所述根据比较结果,赋予准确率高的预测模型高的权重的步骤,还包括步骤:
当所述三步移动平均模型预测准确率高于所述多项式模型预测准确率,且所述多项式模型预测准确率高于所述指数模型预测准确率时,分别赋予所述三步移动平均模型第一权重,赋予所述多项式模型第二权重,赋予所述指数模型第三权重,其中,所述第一权重高于所述第二权重,所述第二权重高于所述第三权重。
4.如权利要求3所述的预测方法,其特征在于,所述获取待预测的时间,并根据所述时间及所述权重计算综合预测结果,以将所述综合预测结果作为最终的预测结果输出的步骤,还包括步骤:
根据所述时间分别进行预测;
获取对应的预测结果;
根据所述第一权重、所述第二权重、所述第三权重及所述预测结果,计算所述综合预测结果,所述综合预测结果的计算公式为:
M=a1*M1+a2*M2+a3*M3;
其中,a1为三步移动平均模型的权重,M1为三步移动平均模型的预测结果,a2为多项式模型的权重,其中,a1+a2+a3=1,M2为多项式模型的预测结果,a3为指数模型的权重,M3为指数模型的预测结果。
5.一种时间序列的预测系统,其特征在于,包括:
获取模块,用于获取预设历史时段内的业务量信息,其中所述业务量信息包括时间及变量;
绘制模块,用于根据所述业务量信息绘制对应的散点图;
选择模块,用于选择多种预测模型的类型,其中所述多种预测模型至少包括三步移动平均模型、多项式模型及指数模型;
训练模块,用于将所述散点图根据所述类型分别训练对应的预测模型的参数,以分别确定所述多种预测模型;
预测模块,用于利用所述多种预测模型对所述业务量分别进行预测,并将与所述多种预测模型对应的多个预测结果分别保存于数据库中;
赋予模块,用于将所述多个预测结果按照预设规则,赋予所述多个预测模型对应的权重;及
输出模块,用于获取待预测的时间,根据所述时间及所述权重计算综合预测结果,以将所述综合预测结果作为最终的预测结果输出。
6.如权利要求5所述的预测系统,其特征在于,所述赋予模块还用于:
分别计算所述多个预测结果的准确率;
将所述多个预测结果的准确率进行比较;及
根据比较结果,赋予准确率高的预测模型高的权重。
7.如权利要求6所述的预测系统,其特征在于,所述赋予模块还用于:
当所述三步移动平均模型预测准确率高于所述多项式模型预测准确率,且所述多项式模型预测准确率高于所述指数模型预测准确率时,分别赋予所述三步移动平均模型第一权重,赋予所述多项式模型第二权重,赋予所述指数模型第三权重,其中,所述第一权重高于所述第二权重,所述第二权重高于所述第三权重。
8.如权利要求7所述的预测系统,其特征在于,所述输出模块还用于:
根据所述时间分别利用所述多种预测模型对所述业务量进行预测;
获取对应的预测结果;
根据所述第一权重、所述第二权重、所述第三权重及所述预测结果,计算所述综合预测结果,所述综合预测结果的计算公式为:
M=a1*M1+a2*M2+a3*M3;
其中,a1为三步移动平均模型的权重,M1为三步移动平均模型的预测结果,a2为多项式模型的权重,其中,a1+a2+a3=1,M2为多项式模型的预测结果,a3为指数模型的权重,M3为指数模型的预测结果。
9.一种计算机设备,其特征在于,所述计算机设备存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的时间序列的预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1-4中任一项所述的时间序列的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605237.5A CN110503235A (zh) | 2019-07-05 | 2019-07-05 | 时间序列的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605237.5A CN110503235A (zh) | 2019-07-05 | 2019-07-05 | 时间序列的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110503235A true CN110503235A (zh) | 2019-11-26 |
Family
ID=68585444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910605237.5A Pending CN110503235A (zh) | 2019-07-05 | 2019-07-05 | 时间序列的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503235A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582788A (zh) * | 2020-04-29 | 2020-08-25 | 北京小米松果电子有限公司 | 物品调度方法、装置及计算机可读存储介质 |
CN111796995A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 基于集成学习的循环序列号使用量预警方法及系统 |
CN112148557A (zh) * | 2020-09-15 | 2020-12-29 | 北京基调网络股份有限公司 | 一种性能指标实时预测方法、计算机设备及存储介质 |
CN116956049A (zh) * | 2023-09-19 | 2023-10-27 | 中国联合网络通信集团有限公司 | 工业产能预测模型的训练方法、装置、设备及存储介质 |
-
2019
- 2019-07-05 CN CN201910605237.5A patent/CN110503235A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582788A (zh) * | 2020-04-29 | 2020-08-25 | 北京小米松果电子有限公司 | 物品调度方法、装置及计算机可读存储介质 |
CN111796995A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 基于集成学习的循环序列号使用量预警方法及系统 |
CN111796995B (zh) * | 2020-06-30 | 2024-02-09 | 中国工商银行股份有限公司 | 基于集成学习的循环序列号使用量预警方法及系统 |
CN112148557A (zh) * | 2020-09-15 | 2020-12-29 | 北京基调网络股份有限公司 | 一种性能指标实时预测方法、计算机设备及存储介质 |
CN112148557B (zh) * | 2020-09-15 | 2021-10-08 | 北京基调网络股份有限公司 | 一种性能指标实时预测方法、计算机设备及存储介质 |
CN116956049A (zh) * | 2023-09-19 | 2023-10-27 | 中国联合网络通信集团有限公司 | 工业产能预测模型的训练方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503235A (zh) | 时间序列的预测方法及系统 | |
CN107818344A (zh) | 用户行为进行分类和预测的方法和系统 | |
CN108062573A (zh) | 模型训练方法及装置 | |
Xiao et al. | MIP-based fix-and-optimise algorithms for the parallel machine capacitated lot-sizing and scheduling problem | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN107291539B (zh) | 基于资源重要程度的集群程序调度方法 | |
CN107870980B (zh) | 电子装置、账单数据处理方法及计算机存储介质 | |
CN110020741A (zh) | 数据预测的方法、装置和电子设备 | |
CN107807967A (zh) | 实时推荐方法、电子设备及计算机可读存储介质 | |
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN113516246A (zh) | 参数优化方法、量子芯片的控制方法及装置 | |
CN110019367A (zh) | 一种统计数据特征的方法和装置 | |
AU2024202927A1 (en) | Computer-based data collection, management, and forecasting | |
CN107453916A (zh) | 一种拓扑实现方法及一种云消息服务监控平台 | |
CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
CN113837383A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN110032750A (zh) | 一种模型构建、数据生命周期预测方法、装置及设备 | |
CN109271438A (zh) | 一种数据库访问方法及其系统 | |
CN115935723B (zh) | 用于实现氮化镓制备场景下的设备组合分析方法及系统 | |
CN113837783A (zh) | 时间序列模型参数优化方法、装置、计算机设备 | |
CN116385081A (zh) | 一种推荐物品的方法、装置、设备及存储介质 | |
Marian et al. | Hybrid genetic algorithm optimisation of distribution networks—A comparative study | |
US9230022B1 (en) | Customizable result sets for application program interfaces | |
CN115687950A (zh) | 一种电力系统负荷波动分析方法和系统 | |
CN110909908A (zh) | 一种用于物品拣选时长预测的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191126 |
|
RJ01 | Rejection of invention patent application after publication |