CN110543973A - 数据预测、数据预测结果的调整方法、装置及设备 - Google Patents

数据预测、数据预测结果的调整方法、装置及设备 Download PDF

Info

Publication number
CN110543973A
CN110543973A CN201910722700.4A CN201910722700A CN110543973A CN 110543973 A CN110543973 A CN 110543973A CN 201910722700 A CN201910722700 A CN 201910722700A CN 110543973 A CN110543973 A CN 110543973A
Authority
CN
China
Prior art keywords
data
time
target
prediction model
target object
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
Application number
CN201910722700.4A
Other languages
English (en)
Inventor
胡轩维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910722700.4A priority Critical patent/CN110543973A/zh
Publication of CN110543973A publication Critical patent/CN110543973A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书提供一种数据预测、数据预测结果的调整方法、装置及设备，其中，时间序列预测模型包括有多个对应不同时间节点的输入参数，可利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据，在输入历史数据以及先验数据后，所述时间序列预测模型根据所述待输入数据中各个时间节点对应的数据，对应配置各个时间节点的输入参数的参数值，并根据配置后的参数值输出所述目标数据。

Description

数据预测、数据预测结果的调整方法、装置及设备
技术领域
本说明书涉及机器学习技术领域，尤其涉及数据预测、数据预测结果的调整方法、装置及设备。
背景技术
实际业务中往往有大量的时间序列数据的预测需求，例如服务资源量的预测，业务方需要预测未来若干天内的服务资源量来安排资源计划，如果预测准确可以让业务方最大效率地安排资源，预测失准则会可能导致资源利用率低下和资源浪费，也可能因为服务资源短缺导致业务方的服务系统出现危机。基于此，需要提供更为精确的数据预测方案。
发明内容
为克服相关技术中存在的问题，本说明书提供了数据预测、数据预测结果的调整方法、装置及设备。
根据本说明书实施例的第一方面，提供一种数据预测方法，所述方法用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述方法包括：
获取所述目标对象的待输入数据，其中，所述待输入数据包括所述目标对象的历史数据以及先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据；
将所述待输入数据输入至时间序列预测模型，以供所述时间序列预测模型根据所述待输入数据中各个时间节点对应的数据，对应配置各个时间节点的输入参数的参数值，并根据配置后的参数值输出所述目标数据。
可选的，所述输入参数包括表征所述目标对象的目标值的参数，所述先验数据包括所述目标对象的目标数据；
所述表征所述目标对象的目标值的参数的参数值，利用所述目标数据配置得到。
可选的，所述输入参数包括：表征所述目标对象的特征的参数，所述先验数据包括表征所述目标对象的特征数据；
所述表征所述目标对象的特征的参数的参数值，利用所述特征数据配置得到。
可选的，在所述未来目标时间范围内，除去所述先验数据对应的时间节点之外的其他时间节点，由所述时间序列预测模型将所述其他时间节点对应的输入参数的参数值配置为空值。
可选的，所述时间序列预测模型利用历史数据和先验数据训练得到。
可选的，所述时间序列预测模型包括序列到序列Seq2Seq模型，所述Seq2Seq模型用于：利用在当前时间节点的上一时间节点的预测值以及在当前时间节点之前的各时间节点的历史信息状态值，对所述当前时间节点的目标数据进行预测；其中，若先验数据包括所述上一时间节点的先验数据，所述时间序列预测模型用于将所述上一时间节点的先验数据替代所述上一时间节点的预测值，以及结合所述历史信息状态值对当前时间节点的目标数据进行预测。
根据本说明书实施例的第二方面，提供一种数据预测结果的调整方法，所述方法用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述方法包括：
获取先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据；
根据所述先验数据配置所述时间序列预测模型中与所述先验数据对应的时间节点的输入参数的参数值，以供所述时间序列预测模型在根据历史数据获得的输出结果的基础上，根据配置后的参数值对所述输出结果进行调整，输出调整后的预测结果。
可选的，所述输入参数包括表征所述目标对象的目标值的参数，所述先验数据包括所述目标对象的目标数据；
所述表征所述目标对象的目标值的参数的参数值，利用所述目标数据配置得到。
可选的，所述输入参数包括：表征所述目标对象的特征的参数，所述先验数据包括表征所述目标对象的特征数据；
所述表征所述目标对象的特征的参数的参数值，利用所述特征数据配置得到。
可选的，对于在所述未来目标时间范围内，除去所述先验数据对应的时间节点之外的其他时间节点，所述其他时间节点对应的输入参数的参数值配置为空值。
根据本说明书实施例的第三方面，提供一种数据预测装置，所述装置用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述装置包括：
数据获取模块，用于：获取所述目标对象的待输入数据，其中，所述待输入数据包括所述目标对象的历史数据以及先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据；
结果输出模块，用于：将所述待输入数据输入至时间序列预测模型，以供所述时间序列预测模型根据所述待输入数据中各个时间节点对应的数据，对应配置各个时间节点的输入参数的参数值，并根据配置后的参数值输出所述目标数据。
根据本说明书实施例的第四方面，提供一种数据预测结果的调整装置，所述装置用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述装置包括：
数据获取模块，用于：获取先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据；
结果输出模块，用于：根据所述先验数据配置所述时间序列预测模型中与所述先验数据对应的时间节点的输入参数的参数值，以供所述时间序列预测模型在根据历史数据获得的输出结果的基础上，根据配置后的参数值对所述输出结果进行调整，输出调整后的预测结果。
根据本说明书实施例的第五方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现前述数据预测方法或数据预测结果的调整方法。
本说明书的实施例提供的技术方案可以包括以下有益效果：
本说明书实施例的数据预测方法，处于未来目标时间范围内的先验数据，可以将这些先验数据和历史数据都输入至时间序列预测模型，由时间序列预测模型结合历史数据和先验数据配置模型中输入参数的参数值，使得时间序列预测模型在进行预测时，能够结合历史数据和先验数据进行准确的预测。
本说明书实施例的数据预测结果的调整方法，可以根据需要输入先验数据，使得时间序列预测模型可以根据不同先验数据的输入，对已有数据预测结果进行调整，用户可以查阅到不同先验数据的调整结果，从而可以清楚预测结果的变化情况，进而做出更好的业务安排计划。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
图1A是本说明书根据一示例性实施例示出的一种数据预测方法的流程图。
图1B是本说明书根据一示例性实施例示出的一种时间序列预测模型的结构示意图。
图1C是本说明书根据一示例性实施例示出的另一种时间序列预测模型的结构示意图。
图2是本说明书根据一示例性实施例示出的一种数据预测结果的调整方法的流程图。
图3是本说明书根据一示例性实施例示出的一种数据预测/数据预测结果的调整装置所在计算机设备的一种硬件结构图。
图4是本说明书根据一示例性实施例示出的一种数据预测装置的框图。
图5是本说明书根据一示例性实施例示出的一种数据预测结果的调整装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
目前各行各业都有时间序列预测需求，需要利用各种方案来准确预测未来的业务成果，例如对消费贷款的放款量预测、对商品的销售量预测、对商品的利润预测或对流量的预测等等。这些方案通过查看历史系列数据(可称为时间序列数据)来构建预测，也就是利用过去一段时间内某对象的时间特征来预测未来一段时间内该对象的特征。例如，通过之前商品的销售数据，并根据“未来由过去决定”这一基本假设，尝试预测该商品的未来销售。
本申请发明人发现，在实际业务应用过程中，往往有些信息是先验的，例如明确知道十天后会有一次大型的促销活动，活动资金安排是事先给定的。这些先验信息对时间序列的预测显然具有正向意义，基于此，本说明书实施例提供了一种数据预测方法，能够结合先验数据对时间序列进行准确预测，如图1A所示，包括如下步骤：
在步骤102中，获取所述目标对象的待输入数据，其中，所述待输入数据包括所述目标对象的历史数据以及先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据；
在步骤104中，将所述待输入数据输入至时间序列预测模型，以供所述时间序列预测模型根据所述待输入数据中各个时间节点对应的数据，对应配置各个时间节点的输入参数的参数值，并根据配置后的参数值输出所述目标数据。
本说明书实施例的先验数据是指处于未来目标时间范围内的数据，本实施例的时间序列预测模型的输入包括有先验数据，使得时间序列预测模型在进行预测时，能够结合历史数据和先验数据进行准确的预测。实际应用中，可以根据不同业务场景需求，预先训练符合对应业务场景的时间序列预测模型，接下来对时间序列预测模型进行说明。
本实施例中，业务方可以预先准备用于训练的样本数据，本实施例的样本数据可以只包含历史数据，也可以进一步包含有先验数据。预测任务是：根据已有数据，预测目标对象在未来某个时间范围的数据。其中，历史数据对应的时间在时间分割点之前，先验数据对应的时间在时间分割点之后。作为例子，假设预测任务是：根据平台在2019年以前消费贷款数据，预测该平台在2019年1月份的资金安排量，历史数据即2019年以前该平台的消费贷款数据，先验数据即处于2019年1月份中某一天或几天内有关消费贷款的相关数据，其中，所述相关数据可以包括：该平台在某段时间范围提供有利息优惠活动、节假日、新年等等可能影响消费贷款变化的信息，也可以是确定需要预测的目标数据，如某天的资金安排计划是300万等确定的数值。
本实施例中可以选取多种具有时间序列预测功能的模型，例如xgboost、随机森林、SVM、循环神经网络RNN或Seq2Seq模型(Sequence-to-Sequence，序列到序列模型)等，可以根据实际需要而灵活选择。接下来以Seq2Seq模型为例进行说明，Seq2Seq模型可以接收不定长的序列数据，是一种建立两个序列之间关系的深度学习模型，如图1B所示，是本说明书根据一示例性实施例示出的Seq2Seq模型的示意图，一个标准的Seq2Seq模型通常由两部分组成：对输入进行编码的编码器(Encoder)，以及解码以得到输出的解码器(Decoder)。编码器与解码器之间的中间表示又称为向量；编码器部分负责依次读入输入序列X1X2...XT的每个单位，并将其编码得到中间表示即向量C，解码器部分则负责在得到向量C的情况下，解码得出输出序列y1y2...yT。在一些应用场景中，Encoder和Decoder部分可以选择RNN(Recurrent Neural Network，循环神经网络)等实现，如LSTM(Long Short-Term Memory，长短时记忆网络)等。可选的，可以采用RNN作为基本单元，即Seq2Seq模型中的每一个单元都是一个RNN模型。一方面RNN作为一种循环结构可以方便地处理可变长序列的数据，另一方面由于RNN中的隐藏层随着按时序读取的输入单元而不断发生变化，因此它能够对序列的顺序进行建模，也具有在给定序列的基础上预测序列的能力，从而实现Decoder的功能。
在本实施例的模型训练阶段，训练集即为历史数据以及先验数据，测试集即为新数据，历史数据对应的时间均在时间分割点之前，先验数据和新数据对应的时间均在分割点之后，历史数据、先验数据和新数据均包含N维信息(如某商品销售量的地理位置分布、销售的商品信息等)，新数据比历史数据和先验数据可以多一列数据：目标Target，即要预测的对象，如销售额；先验数据也可以包括目标Target数据。
在准备有样本数据、选定好模型后，时序预测模型可以利用样本数据训练得到。对于时间序列预测模型，特征选择通常可包括两大类，一类可以是时序特征，即连续的时间序列变量，例如金额，人数之类的特征；另一类可以是与被预测的目标对象相关的事件特征，例如是否促销、是否是新年、统计信息等特征。通过对选取的特征的加工等特征处理后，即可对时间序列预测模型进行训练。
如图1C所示，是本说明书根据一示例性实施例示出的一种时间序列预测模型的示意图，图1C中以采用LSTM实现的Seq2Seq模型为例，为了示例方便，该图1C仅仅示出了Seq2Seq模型的输入过程，其中，该Seq2Seq模型可以接收输入的时间序列数据，包括有与输入数据的时间节点对应的输入参数。在该图中，虚线代表时间分割点，虚线左侧为T-60至T-1的历史时间范围，Input time series表示输入的时间序列数据，amt、cnt、std表示特征，也即是输入参数。虚线右侧为T至T+30的未来时间范围，其示意了先验数据的输入，输入参数可以图1C中的booling参数及amt参数；假设先验数据包括T+8这个时间节点的相关数据，Seq2Seq模型可利用T+8这个时间节点的相关数据，配置对应时间节点的输入参数的参数值。
可选的，本实施例中将先验数据分为两种类型进行说明，一种可以是与目标对象的特征相关的数据，作为例子，假设预测任务是预测平台在未来1个月的消费贷款安排，先验数据可以包括：在未来这个月的某天有一次大型促销活动、在未来这个月的某天是重大节假日等，“促销活动”及“重大节假日”将对平台的消费贷款计划有较大影响，而在本预测任务中，针对平台的消费贷款计划所选取的特征包含有事件特征(是否有促销活动的特征，是否是重大节假日的特征)，在另一些例子中，还可以包括有关该目标对象的统计信息的特征，这些表征目标对象的特征数据，对应时间序列预测模型的输入参数中表征目标对象的特征的参数，如图1C中的booling1参数至boolingN参数等，基于此，可以利用目标数据配置这些参数的参数值，使得时间序列预测模型能够获得这些先验数据，使得时间序列预测模型能够输出更为准确的结果。
另一种先验数据，可以是指目标对象的目标数据，作为例子，假设预测任务是预测平台在未来1个月的消费贷款安排，先验数据可以包括：在未来这个月的某天由于知道有大型促销活动而预先安排贷款资金200万，由于已经确定知道这一天会安排多少贷款资金，该数值将对平台的消费贷款计划有较大影响，甚至还会影响该天前后的贷款资金安排，而在本预测任务中，贷款资金200万对应的是时间序列预测模型的输出结果，也即是目标对象的目标数据，该目标数据对应时间序列预测模型的输出的目标值，可以利用这些目标对象的目标数据配置时间序列预测模型中表征所述目标对象的目标值的参数的参数值，如对应图1C中amt等参数，使得时间序列预测模型能够获得这些先验数据。由上述实施例可见，本实施例创新性地利用先验数据配置时间序列预测模型中表征目标对象的目标值的参数的参数值，可以使时间序列预测模型结合先验数据预测出更为准确的结果。
其中，时间序列预测模型可用于：利用在当前时间节点的上一时间节点的预测值以及在当前时间节点之前的各时间节点的历史信息状态值，对所述当前时间节点的目标数据进行预测；其中，若先验数据包括所述上一时间节点的先验数据，所述时间序列预测模型用于将所述上一时间节点的先验数据替代所述上一时间节点的预测值，以及所述历史信息状态值对当前时间节点的目标数据进行预测，使得模型一方面可以利用先验数据进行准确预测，还可以使历史信息状态值继续向后传递，进行后续时间节点的预测。
其中，作为被预测的未来目标时间范围，实际应用中先验数据可能只包括该范围内的其中一个或多个时间节点的数据，可能是剩余一个或多个其他时间节点未有先验数据，可选的，可以由所述时间序列预测模型将这些其他时间节点对应的输入参数的参数值配置为空值。
通过上述方式，业务方准备好样本数据，选取好目标特征和时间序列预测模型，即可预先训练出能够结合先验数据进行时间序列预测的模型。在该时间序列预测模型训练完成后，该时间序列预测模型可以设置于终端设备或服务端中，在用户需要时进行时间序列预测。用户可以提供历史数据和先验数据输入至时间序列预测模型中，由时间序列预测模型结合历史数据和先验数据进行数据预测。时间序列预测模型根据所述待输入数据中各个时间节点对应的数据，对应配置各个时间节点的输入参数的参数值，并根据配置后的参数值输出所述目标数据；若先验数据包括所述目标对象的目标数据，可以利用所述目标数据配置模型中表征所述目标对象的目标值的参数的参数值；若先验数据包括表征所述目标对象的特征数据，可以利用特征数据配置表征所述目标对象的特征的参数的参数值。而在所述未来目标时间范围内，除去所述先验数据对应的时间节点之外的其他时间节点，可以由所述时间序列预测模型将所述其他时间节点对应的输入参数的参数值配置为空值。通过上述实施例，时间序列预测模型在进行预测时，能够结合历史数据和先验数据进行准确的预测。可以理解，本实施例中的时间序列预测模型也可以只接收历史数据进行数据预测。由上述实施例可见，本申请的时间序列预测模型具备了结合先验数据进行预测的功能，但不会破坏已有模型，在预测过程中也无需人工干预。
上述实施例示出了利用时间序列预测模型进行数据预测的例子，在另一些例子中，本实施例的时间序列预测模型也可以供用户进行数据预测结果的调整。如图2所示，是本说明书根据一示例性实施例示出的一种数据预测结果的调整方法，包括如下步骤：
在步骤202中，获取目标对象的先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据。
在步骤204中，根据所述先验数据配置所述时间序列预测模型中与所述先验数据对应的时间节点的输入参数的参数值，以供所述时间序列预测模型在根据目标对象的历史数据获得的输出结果的基础上，根据配置后的参数值对所述输出结果进行调整。
实际应用中，用户可能对于未来某些时间节点的业务具有一定的安排，这些安排将会影响未来时间范围的业务成果，如何查阅这些影响，以供用户执行更好的业务计划，也是亟需解决的技术问题。在本实施例中，时间预测模型可以用于对数据预测结果进行调整，使得用户可以清晰查阅到在输入先验数据之后，时间预测模型的预测结果的变化。
作为例子，用户可以先输入历史数据，由时间序列预测模型利用历史数据进行预测，获得时间预测模型输出的预测结果；之后，用户可以获取先验数据，根据所述先验数据配置所述时间序列预测模型中与所述先验数据对应的时间节点的输入参数的参数值，以供所述时间序列预测模型在根据历史数据获得的输出结果的基础上，根据配置后的参数值对所述输出结果进行调整，从而输出调整后的预测结果。本实施例中，用户可以根据需要多次改变先验数据，使得时间序列预测模型可以根据不同先验数据输入，对已有数据预测结果进行调整，用户可以查阅到不同先验数据的调整结果，从而可以清楚预测结果的变化情况，进而做出更好的业务安排计划。
与前述数据预测/数据预测结果的调整方法的实施例相对应，本说明书还提供了数据预测/数据预测结果的调整装置及其所应用的设备的实施例。
本说明书数据预测/数据预测结果的调整装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书数据预测/数据预测结果的调整装置所在计算机设备的一种硬件结构图，除了图3所示的处理器310、内存330、网络接口320、以及非易失性存储器340之外，实施例中装置331所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。
如图4所示，图4是本说明书根据一示例性实施例示出的一种数据预测装置的框图，所述装置用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述装置包括：
数据获取模块41，用于：获取所述目标对象的待输入数据，其中，所述待输入数据包括所述目标对象的历史数据以及先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据。
结果输出模块42，用于：将所述待输入数据输入至时间序列预测模型，以供所述时间序列预测模型根据所述待输入数据中各个时间节点对应的数据，对应配置各个时间节点的输入参数的参数值，并根据配置后的参数值输出所述目标数据。
可选的，所述输入参数包括表征所述目标对象的目标值的参数，所述先验数据包括所述目标对象的目标数据；
所述表征所述目标对象的目标值的参数的参数值，利用所述目标数据配置得到。
可选的，所述输入参数包括：表征所述目标对象的特征的参数，所述先验数据包括表征所述目标对象的特征数据；
所述表征所述目标对象的特征的参数的参数值，利用所述特征数据配置得到。
可选的，对于在所述未来目标时间范围内，除去所述先验数据对应的时间节点之外的其他时间节点，所述其他时间节点对应的输入参数的参数值配置为空值。
可选的，所述时间序列预测模型利用历史数据和先验数据训练得到。
可选的，所述时间序列预测模型包括序列到序列seq2seq模型，所述Seq2Seq模型用于：利用在当前时间节点的上一时间节点的预测值以及在当前时间节点之前的各时间节点的历史信息状态值，对所述当前时间节点的目标数据进行预测；其中，若先验数据包括所述上一时间节点的先验数据，所述时间序列预测模型用于将所述上一时间节点的先验数据替代所述上一时间节点的预测值，以及结合所述历史信息状态值对当前时间节点的目标数据进行预测。
如图5所示，图5是本说明书根据一示例性实施例示出的一种数据预测结果的调整装置的框图，所述装置用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述装置包括：
数据获取模块51，用于：获取目标对象的先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据；
结果输出模块52，用于：根据所述先验数据配置所述时间序列预测模型中与所述先验数据对应的时间节点的输入参数的参数值，以供所述时间序列预测模型在根据目标对象的历史数据获得的输出结果的基础上，根据配置后的参数值对所述输出结果进行调整，输出调整后的预测结果。
可选的，所述输入参数包括表征所述目标对象的目标值的参数，所述先验数据包括所述目标对象的目标数据；
所述表征所述目标对象的目标值的参数的参数值，利用所述目标数据配置得到。
可选的，所述输入参数包括：表征所述目标对象的特征的参数，所述先验数据包括表征所述目标对象的特征数据；
所述表征所述目标对象的特征的参数的参数值，利用所述特征数据配置得到。
可选的，对于在所述未来目标时间范围内，除去所述先验数据对应的时间节点之外的其他时间节点，所述其他时间节点对应的输入参数的参数值配置为空值。
可选的，所述时间序列预测模型利用历史数据和先验数据训练得到。
可选的，所述时间序列预测模型包括序列到序列seq2seq模型，所述Seq2Seq模型用于：利用在当前时间节点的上一时间节点的预测值以及在当前时间节点之前的各时间节点的历史信息状态值，对所述当前时间节点的目标数据进行预测；其中，若先验数据包括所述上一时间节点的先验数据，所述时间序列预测模型用于将所述上一时间节点的先验数据替代所述上一时间节点的预测值，以及结合所述历史信息状态值对当前时间节点的目标数据进行预测。
相应的，本说明书还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现前述数据预测方法或数据预测结果的调整方法。
上述数据预测/数据预测结果的调整装置中各个模块的功能和作用的实现过程具体详见上述数据预测/数据预测结果的调整方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (13)

1.一种数据预测方法，所述方法用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述方法包括：
获取所述目标对象的待输入数据，其中，所述待输入数据包括所述目标对象的历史数据以及先验数据，所述先验数据包括在所述未来目标时间范围内、其中一个或多个时间节点的数据；
将所述待输入数据输入至时间序列预测模型，以供所述时间序列预测模型根据所述待输入数据中各个时间节点对应的数据，对应配置各个时间节点的输入参数的参数值，并根据配置后的参数值输出所述目标数据。
2.根据权利要求1所述的方法，所述输入参数包括表征所述目标对象的目标值的参数，所述先验数据包括所述目标对象的目标数据；
所述表征所述目标对象的目标值的参数的参数值，利用所述目标数据配置得到。
3.根据权利要求1所述的方法，所述输入参数包括：表征所述目标对象的特征的参数，所述先验数据包括表征所述目标对象的特征数据；
所述表征所述目标对象的特征的参数的参数值，利用所述特征数据配置得到。
4.根据权利要求1所述的方法，在所述未来目标时间范围内，除去所述先验数据对应的时间节点之外的其他时间节点，由所述时间序列预测模型将所述其他时间节点对应的输入参数的参数值配置为空值。
5.根据权利要求1所述的方法，所述时间序列预测模型利用历史数据和先验数据训练得到。
6.根据权利要求1所述的方法，所述时间序列预测模型包括序列到序列Seq2Seq模型，所述Seq2Seq模型用于：利用在当前时间节点的上一时间节点的预测值以及在当前时间节点之前的各时间节点的历史信息状态值，对所述当前时间节点的目标数据进行预测；其中，若先验数据包括所述上一时间节点的先验数据，所述时间序列预测模型用于将所述上一时间节点的先验数据替代所述上一时间节点的预测值，以及结合所述历史信息状态值对当前时间节点的目标数据进行预测。
7.一种数据预测结果的调整方法，所述方法用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述方法包括：
获取所述目标对象的先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据；
根据所述先验数据配置所述时间序列预测模型中与所述先验数据对应的时间节点的输入参数的参数值，以供所述时间序列预测模型在根据所述目标对象的历史数据获得的输出结果的基础上，根据配置后的参数值对所述输出结果进行调整，输出调整后的预测结果。
8.根据权利要求7所述的方法，所述输入参数包括表征所述目标对象的目标值的参数，所述先验数据包括所述目标对象的目标数据；
所述表征所述目标对象的目标值的参数的参数值，利用所述目标数据配置得到。
9.根据权利要求7所述的方法，所述输入参数包括：表征所述目标对象的特征的参数，所述先验数据包括表征所述目标对象的特征数据；
所述表征所述目标对象的特征的参数的参数值，利用所述特征数据配置得到。
10.根据权利要求7所述的方法，对于在所述未来目标时间范围内，除去所述先验数据对应的时间节点之外的其他时间节点，所述其他时间节点对应的输入参数的参数值配置为空值。
11.一种数据预测装置，所述装置用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述装置包括：
数据获取模块，用于：获取所述目标对象的待输入数据，其中，所述待输入数据包括所述目标对象的历史数据以及先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据；
结果输出模块，用于：将所述待输入数据输入至时间序列预测模型，以供所述时间序列预测模型根据所述待输入数据中各个时间节点对应的数据，对应配置各个时间节点的输入参数的参数值，并根据配置后的参数值输出所述目标数据。
12.一种数据预测结果的调整装置，所述装置用于利用时间序列预测模型预测目标对象在未来目标时间范围的目标数据；所述时间序列预测模型包括有多个对应不同时间节点的输入参数，所述装置包括：
数据获取模块，用于：获取目标对象的先验数据，所述先验数据包括在所述未来目标时间范围内其中一个或多个时间节点的数据；
结果输出模块，用于：根据所述先验数据配置所述时间序列预测模型中与所述先验数据对应的时间节点的输入参数的参数值，以供所述时间序列预测模型在根据目标对象的历史数据获得的输出结果的基础上，根据配置后的参数值对所述输出结果进行调整，输出调整后的预测结果。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现前述权利要求1至10任一所述的方法。
CN201910722700.4A 2019-08-06 2019-08-06 数据预测、数据预测结果的调整方法、装置及设备 Pending CN110543973A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910722700.4A CN110543973A (zh) 2019-08-06 2019-08-06 数据预测、数据预测结果的调整方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910722700.4A CN110543973A (zh) 2019-08-06 2019-08-06 数据预测、数据预测结果的调整方法、装置及设备

Publications (1)

Publication Number Publication Date
CN110543973A true CN110543973A (zh) 2019-12-06

Family

ID=68710086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910722700.4A Pending CN110543973A (zh) 2019-08-06 2019-08-06 数据预测、数据预测结果的调整方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110543973A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023125880A1 (zh) * 2021-12-30 2023-07-06 维沃移动通信有限公司 模型的构建方法、装置及通信设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023125880A1 (zh) * 2021-12-30 2023-07-06 维沃移动通信有限公司 模型的构建方法、装置及通信设备

Similar Documents

Publication Publication Date Title
CN110400021B (zh) 银行网点现金用量预测方法及装置
Kell et al. Validation of stock assessment methods: is it me or my model talking?
CN107885796A (zh) 信息推荐方法及装置、设备
JP6907664B2 (ja) 非定常時系列データの予測に用いる方法及び装置
US11694165B2 (en) Key-value memory network for predicting time-series metrics of target entities
EP3751496A1 (en) Method and system for building reinforcement learning (rl) based model for generating bids
CN112150214A (zh) 一种数据预测方法、装置以及计算机可读存储介质
CN114971748B (zh) 预测数据生成、模型训练方法、计算机设备以及存储介质
CN111340244A (zh) 预测方法、训练方法、装置、服务器及介质
US20210304015A1 (en) Method, device, and computer readable storage media for data analysis
Priyadarshini et al. A comparative analysis for forecasting the NAV's of Indian mutual fund using multiple regression analysis and artificial neural networks
CN110135943A (zh) 产品推荐方法、装置、计算机设备和存储介质
US20220027990A1 (en) Trading schedule management system
US20240037370A1 (en) Automated data forecasting using machine learning
CN110543973A (zh) 数据预测、数据预测结果的调整方法、装置及设备
US11436119B1 (en) System and method for identifying at-risk users of a data management system and providing personalized attention to those users
CN110120082B (zh) 金融数据的图像处理方法、装置、设备及可读存储介质
CN110633840A (zh) 一种数据处理方法、装置及存储介质
CN111667307A (zh) 一种理财产品销量的预测方法及装置
Zhang et al. Adaptive spatio-temporal convolutional network for traffic prediction
CN108345941B (zh) 一种参数调整方法和装置
CN111724176A (zh) 店铺流量调节方法、装置、设备及计算机可读存储介质
KR20230081604A (ko) 기업 정보에 기반하여 인큐베이팅 대상 기업을 선정하는 기업 인큐베이팅 시스템
van der Schans et al. Time-dependent black–litterman
CN110210885A (zh) 挖掘潜在客户的方法、装置、设备及可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201012

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201012

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.