CN111738407B

CN111738407B - 一种基于深度学习的钟差预测方法、装置、介质及终端

Info

Publication number: CN111738407B
Application number: CN202010404393.8A
Authority: CN
Inventors: 王淑伟; 张升康; 易航; 宋才水; 江涌
Original assignee: Beijing Institute of Radio Metrology and Measurement
Current assignee: Beijing Institute of Radio Metrology and Measurement
Priority date: 2020-05-13
Filing date: 2020-05-13
Publication date: 2020-11-27
Anticipated expiration: 2040-05-13
Also published as: CN111738407A

Abstract

本申请公开了一种基于深度学习的钟差预测方法、装置、介质及终端，该方法包括：获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列；将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型是以训练样本中的样本时间序列作为输入数据，并以样本钟差序列作为输出数据的监督数据，来进行训练得到的；将所述钟差预测模型输出的数据作为钟差预测结果。通过采用本方案，可以提高钟差数据预测的准确性。

Description

一种基于深度学习的钟差预测方法、装置、介质及终端

技术领域

本申请涉及时间频率校准技术领域，尤其涉及一种基于深度学习的钟差预测方法、装置、介质及终端。

背景技术

随着科技水平的迅速发展，国内各地实验室内对于原子钟的使用也越来越广泛。

原子钟频率的波动是多种噪声线性叠加的结果，这使得建立精准的钟差预测模型变得非常困难。而钟差预测已经成为了卫星导航定位领域和时频领域的一个难题。现有技术中虽然有采用线性模型和二次多项式模型对原子钟的钟差进行预测的手段，但是其很难预测其细致的变化规律，导致预报精度随着预报时间的增加而迅速变差。因此，如何能够对原子钟的钟差进行精准预测，已经成为业内人员亟待解决的技术难题。

发明内容

本申请实施例提供一种基于深度学习的钟差预测方法、装置、介质及终端。本方案可以提高钟差数据预测的准确性。

本申请实施例提供一种基于深度学习的钟差预测方法，所述方法包括：

获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列；

将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型是以训练样本中的样本时间序列作为输入数据，并以样本钟差序列作为输出数据的监督数据，来进行训练得到的；

将所述钟差预测模型输出的数据作为钟差预测结果。

进一步的，所述钟差预测模型的训练过程包括：

获取样本数据组，所述样本数据组为至少两组预设数量的连续时间序列和所述连续时间序列对应的钟差序列；

选择预先构建的基础神经网络模型，初始化所述基础神经网络模型的连接权重；

将所述预设数量的连续时间序列作为输入层数据，将所述钟差序列作为输出层数据的监督数据，对所述基础神经网络模型进行训练，得到钟差预测模型。

进一步的，所述待预测钟差数据的时间序列的数据数量与所述连续时间序列的预设数量是相同的。

进一步的，所述基础神经网络模型包括第一中间层和第二中间层；

所述输入层的各单元分别连接所述第一中间层的所有单元；所述第一中间层的单元总数与输入层的单元总数一致；

所述第一中间层的所有单元分别连接所述第二中间层的所有单元；所述第二中间层的单元总数与第一中间层的单元总数一致；

所述基础神经网络模型的激励函数为Sigmoid函数。

进一步的，在对所述基础神经网络模型进行训练的过程中，根据从输入层到输出层的计算结果，反向传播并采用BP算法对基础神经网络模型的第一中间层、第二连接处和输出层的连接权重进行修正。

进一步的，直至所述样本数据组中所有的样本数据训练完成，确定所述钟差预测模型的训练结束，将得到的神经网络模型的各连接权重的结果作为钟差预测模型。

本申请实施例还提供一种基于深度学习的钟差预测装置，所述装置包括：

目标时间序列获取模块，用于获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列；

数据输入模块，用于将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型是以训练样本中的样本时间序列作为输入数据，并以样本钟差序列作为输出数据的监督数据，来进行训练得到的；

钟差预测结果确定模块，用于将所述钟差预测模型输出的数据作为钟差预测结果。

进一步的，所述装置包括钟差预测模型训练模块，所述钟差预测模型训练模块包括：

样本数据组获取单元，用于获取样本数据组，所述样本数据组为至少两组预设数量的连续时间序列和所述连续时间序列对应的钟差序列；

连接权重初始化单元，用于选择预先构建的基础神经网络模型，初始化所述基础神经网络模型的连接权重；

钟差预测模型训练单元，用于将所述预设数量的连续时间序列作为输入层数据，将所述钟差序列作为输出层数据的监督数据，对所述基础神经网络模型进行训练，得到钟差预测模型。

本申请实施例还提供一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的驾驶员异常行为检测方法。

本申请实施例采用下述技术方案：采用已有的钟差比对数据，通过利用深度学习中使用最广泛的一种算法，误差反向传播（Backpropagation algorithm，BP）算法，建立多层神经网络模型，对接下来一段时间的钟差数据进行预测。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本方案基于深度学习算法，对已有的钟差数据的时间序列，进行深度神经网络学习，并基于学习后得到的模型，对之后一段时间内的钟差数据做出预测。这种预测方式，利用了机器学习中的非线性计算规则，既能够掌握钟差数据随时间序列的线性变化规律和非线性变化规律，又能够对时间序列中各个时间值对钟差数据的影响，从而达到提高原子钟钟差数据预测精度的效果。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例一提供的基于深度学习的钟差预测方法的示意图；

图2为本申请实施例二提供的钟差预测模型的训练过程示意图；

图3为本申请实施例二提供的钟差预测模型的结构示意图；

图4为本申请实施例二提供的钟差预测模型的预测过程示意图；

图5为本申请实施例二提供的基于深度学习的钟差预测方法的示意图；

图6为本申请实施例三提供的基于深度学习的钟差预测装置的结构示意图；

图7是本申请实施例五提供的一种终端的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

深度学习起源于人工神经网络，通过模仿人类大脑的学习过程，借助计算机来搭建类似与大脑内神经元连接的结构，实现通过机器的学习对外界大数据进行挖掘，找到其内在的联系，解决实际的工程问题。深度学习是有效的通过多重非线性变换对数据进行高层抽象建模的算法。其核心思想是通过数据驱动的方式，将堆叠的多层结构的上一层的输出作为下一层的输入，采用一系列的非线性变换，以实现对输入信息的分级表达，完成从原始数据中提取高层的特征。在算法中最前面的层为输入层，最后一层为输出层，中间的各层都是隐层，信息交换只存在于相邻层之间，其结构易于编程，通过简单非线性处理单元的复合映射，可获得复杂的非线性处理能力。

对原子钟的钟差预测一直是卫星导航定位领域和时频领域中的一个难题，原子钟频率的波动是多种噪声线性叠加的结果，这使得建立精准的钟差预测模型变得非常困难。目前建立的预测模型主要包括：线性模型、二次多项式模型、灰色模型、卡尔曼滤波模型以及这些模型的改进模型等。这些钟差预测模型各有特点，但由于原子钟自身复杂的运行特征和易受外界环境影响，导致这些模型的预测效果不够理想。经过实际应用表明，线性模型和二次多项式模型建模简单、短期预报效果好，但很难预测其细致的变化规律，导致预报精度随着预报时间的增加而迅速变差；灰色模型比较适合长期预报，但不同的建模钟差数据量会产生差异较大的预报结果，同时还存在有时出现较大预测误差的现象；卡尔曼滤波模型只考虑了钟差的确定性部分，将随机性部分简单视为白噪声处理，一定程度降低了钟差预报精度。因此，本方案就基于深度学习的钟差预测方法进行了细致的研究。

实施例一

图1为本申请实施例一提供的基于深度学习的钟差预测方法的示意图。该方法适用于对钟差数据进行预测的情况。所述基于深度学习的钟差预测方法可以由本申请实施例提供的基于深度学习的钟差预测装置执行，所述装置可以包括软件和/或硬件功能模块，并可以集成于用于进行钟差预测的终端中。如图1所示，所述方法包括：

S11、获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列。

其中，目标时间序列的长度可以是预先设定的，可以与钟差预测模型的训练过程的样本数据的长度一致，也可以较该长度更大或者更小。在小于钟差预测模型的训练过程的样本数据的长度的情况下，可以对目标时间序列进行补全，得到补全后的目标时间序列作为输入数据。而在大于钟差预测模型的训练过程的样本数据的长度的情况下，可以将目标时间序列拆分为几个与样本数据的长度相同的子目标时间序列，并分别作为输入数据。

目标时间序列为待预测钟差数据的时间序列，在本方案中，该时间序列可以是连续的，也可以是间断的。例如在正常使用的过程中，每隔1分钟获取一个钟差数据，则该钟差数据的时间序列可以是00分，01分，02分，等等，而如果目标时间序列的时间跨度超过的1分钟，例如时间间隔为两分钟，则可以认为是不连续的，在这种情况下，可以对其进行补全处理。得到连续的时间序列，输入数据后，可以在得到的输出数据中将补全数据对应的钟差输入过滤掉，就可以得到不连续的时间序列所对应的钟差数据。

在本实施例中，可以理解的，钟差数据可以是两个原子钟之间产生的时钟数据差值，该钟差数据可以是正值、负值，还可以是0。由于原子钟的工作状态是相对稳定的，因此钟差数据一般会比较小，而且在表面看来是没有直接联系的数据。因此本方案需要对钟差数据进行深度分析，采能够时间精准预测的效果。

S12、将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型是以训练样本中的样本时间序列作为输入数据，并以样本钟差序列作为输出数据的监督数据，来进行训练得到的。

其中，可以将目标时间序列输入至预先训练得到的钟差预测模型，并采用钟差预测模型，得到输出数据作为预测结果。

本方案中，钟差预测模型可以是以样本数据中的样本时间序列作为输入数据，并且以样本钟差序列作为输出数据的监督数据，来进行有监督的训练得到的。

其中，样本时间序列可以是连续的时间序列，例如连续两分钟的120个时间序列，而样本钟差序列，可以是在这两分钟内每个时间序列的时间点的钟差数据值。也就是可以由120个钟差数据值。

例如钟差预测模型可以分为输入层，中间层和输出层，可以将输入层的各个节点分别输入样本时间序列，并在经过中间层的计算后，通过输出层的各个节点输出对应的预测结果。相应的，根据样本钟差序列来对输出的各个钟差预测结果进行误差的反向传播，从而对模型的连接权重进行监督训练。

S13、将所述钟差预测模型输出的数据作为钟差预测结果。

在本方案中，可以将钟差预测模型输出的数据作为钟差预测结果，其中，钟差预测模型输出的可以是对应于目标时间序列的钟差数据，例如目标时间序列为00分，01分，02分，等等，则钟差数据可以是0.002，0.003，0.001，等等。本方案通过采用钟差预测模型来对钟差数据进行预测，可以提高预测的准确度。

本申请提供的技术方案，通过获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列；将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型是以训练样本中的样本时间序列作为输入数据，并以样本钟差序列作为输出数据的监督数据，来进行训练得到的；将所述钟差预测模型输出的数据作为钟差预测结果。通过执行本方案，可以达到提高原子钟钟差数据预测精度的效果。

实施例二

本实施例在上述实施例的基础上，提供了一种钟差预测模型的训练方法，对钟差预测模型的训练过程进行了进一步的优化。

图2为本申请实施例二提供的钟差预测模型的训练过程示意图。如图2所示，所述钟差预测模型的训练方法包括：

S21、获取样本数据组，所述样本数据组为至少两组预设数量的连续时间序列和所述连续时间序列对应的钟差序列。

本方法可以采用已有的n个钟差比对数据，作为训练样本，得出钟差数据与时间序列之间的映射关系，得到未来时刻的模型预报钟差。

准备两钟间多组每组n个钟差时间一一对应的数据作为样本。

获得两原子钟间比对的钟差数据，选取其中多组数据中每组n个钟差与时间一一对应的数据，设t₁,t₂,…,t_n历史时刻对应的钟差为z₁,z₂,…,z_n，作为试验样本。

在本实施例中，可以将n的数值取120个，n个数据的时间间隔可以是1秒，这样，可以得到对每两分钟的数据作为一个训练组，并且对未来两分钟的钟差数据进行预测。

在本方案中，在确定了样本数据之后，还可以选取合适的激励函数，建立两中间层的神经网络模型。

其中，激励函数选用Sigmoid函数，它是深度学习神经网络中最常用的激励函数，它的定义为：

；

式中a为Sigmod函数的斜率参数，通过改变参数a，可以获取不同斜率的Sigmoid函数。

S22、选择预先构建的基础神经网络模型，初始化所述基础神经网络模型的连接权重。

其中，基础神经网络模型可以包括输入层，第一中间层，第二中间层和输出层，相应的，第一中间层，第二中间层和输出层的连接权重可以经过预先设置，也就是初始化的过程。

在本实施例中，可选的，所述基础神经网络模型包括第一中间层和第二中间层；

所述基础神经网络模型的激励函数为Sigmoid函数。

图3为本申请实施例二提供的钟差预测模型的结构示意图。如图3所示，将样本数据时间序列t₁,t₂,…,t_n作为输入层，钟差序列z₁,z₂,…,z_n作为输出层。为便于计算，第一中间层和第二中间层同样选取n个单元，即神经元。

则其中第一中间层的输出为：

；

；

；

；

即，

；其中，i=1,2,…n。

同理，第二中间层的n个单元的输出数据为：

；其中，k=1,2,…n。

相应的，输出层的输出结果为：

；其中，m=1,2,…n。

上述各式中，

,

和

为神经网络的权重。

S23、将所述预设数量的连续时间序列作为输入层数据，将所述钟差序列作为输出层数据的监督数据，对所述基础神经网络模型进行训练，得到钟差预测模型。

在本技术方案中，可选的，在对所述基础神经网络模型进行训练的过程中，根据从输入层到输出层的计算结果，反向传播并采用BP算法对基础神经网络模型的第一中间层、第二连接处和输出层的连接权重进行修正。

可以采用BP算法，进行连接权重的修正。其中，BP算法实质是求均方误差函数的最小值问题。这种算法采用非线性规划中的最速下降法，按误差函数的负梯度方向修改权系数。通过误差校正权值，使

接近于

。

当第p个样本输入网络，并产生输出时，均方误差应为n个输出单元误差平方之和，即：

当所有样本都输入一次后，总误差为：

可以采用梯度法，通过每次的增量

,

和

，使总的误差向减小的方向变化，直到满足一定的条件。

至此，网络的建立分两个阶段：由前向后正向计算各隐层和输出层的输出，由后向前误差反向传播，用于权值修正，这两个阶段的工作就全部完成。

在本方案中，可选的，直至所述样本数据组中所有的样本数据训练完成，确定所述钟差预测模型的训练结束，将得到的神经网络模型的各连接权重的结果作为钟差预测模型。通过这样的设置，可以为钟差预测模型的训练提供终止条件，在完成全部样本数据的训练之后，可以认为钟差预测模型训练完成。还可以进一步的确定该钟差预测模型的准确度，例如采用测试集进行测试，当测试通过后，则确定模型训练完成。

本申请提供的技术方案，在上述技术方案的基础上，对如何构建和训练钟差预测模型提供的具体的实施方式，通过采用本方案，可以得到精简并且准确的钟差预测模型，可以优化钟差预测结果的准确性。

在上述各技术方案的基础上，可选的，所述待预测钟差数据的时间序列的数据数量与所述连续时间序列的预设数量是相同的。其中，通过连续的，而且是数量相同的实际数据进行训练和用于预测，可以提高预测结果的准确性，将钟差预测模型的所有连接权重都投入到实际预测当中。

图4为本申请实施例二提供的钟差预测模型的预测过程示意图。如图4所示，在经过输入输出深度学习网络建立，求出合适的连接权重之后，得出钟差数据与时间序列之间的映射关系，即得到钟差预测模型。则可以将接下来需要预测的时间序列

作为输入单元输入到神经网络中，得出的输出单元

即为预报的钟差数据。

图5为本申请实施例二提供的基于深度学习的钟差预测方法的示意图。如图5所示，在具体实现时，根据需要可选取两钟之间连续120个点的钟差片段时间序列作为输入单元t₁,t₂,…,t_n，钟差数据作为输出单元z₁,z₂,…,z_n，根据输入输出单元之间的映射关系建立网络，之后输入要预测的时间序列得到预测钟差序列。

用（-1,+1）之间的随机数初始化连接权重

,

和

及其容许的阈值。

随机选取一对模式时间序列

，钟差序列

提供给深度学习网络。

用输入模式、连接权重和阈值计算中间层各单元的输入，然后通过Sigmoid函数计算中间层各单元的输出。

用第二中间层各单元的输出、连接权重和阈值计算输出层各单元的输入，然后通过Sigmoid函数计算输出层各单元的响应。

用希望输出模式、网络的实际输出，计算输出层各单元的一般化误差。

用连接权重、输出层的一般化误差、中间层的输出，计算中间层2各单元的一般化误差，同理计算中间层1的一般化误差。

用输出层各单元的一般化误差、中间层各单元的输出修正中间层连接权重

、

和其阈值。

用第一中间层各单元的一般化误差、输入层各单元的输入

修正连接权重

和其阈值。

随机选取下一个学习模式对提供给网络，直到全部样本训练完毕。

重新从样本中随机选取一个学习模式，返回上述训练步骤，直到网络全局误差小于预先设定的极小值或学习回数大于预先设定的值，结束学习。

本技术方案提供了一种基于深度学习的钟差数据预测方法，该方法根据已有的钟差数据时间序列，对其之后的一段时间内的钟差数据做出预测，可提高原子钟钟差数据预测精度。

实施例三

本实施例提供的基于深度学习的钟差预测终端，可以执行本申请实施例一所提供的基于深度学习的钟差预测方法，具有与之相应的功能模块和有益效果。

图6为本申请实施例三提供的基于深度学习的钟差预测装置的结构示意图。如图6所示，所述基于深度学习的钟差预测装置包括：

目标时间序列获取模块610，用于获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列；

数据输入模块620，用于将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型是以训练样本中的样本时间序列作为输入数据，并以样本钟差序列作为输出数据的监督数据，来进行训练得到的；

钟差预测结果确定模块630，用于将所述钟差预测模型输出的数据作为钟差预测结果。

所述装置包括钟差预测模型训练模块，所述钟差预测模型训练模块包括：

本申请所提供的基于深度学习的钟差预测终端，可以用于执行上述实施例所提供的方法的任意步骤，并且达到相应的有益效果。

实施例四

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于深度学习的钟差预测方法，该方法包括：

将所述钟差预测模型输出的数据作为钟差预测结果。

存储介质——任何的各种类型的存储器终端或存储终端。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于深度学习的钟差预测操作，还可以执行本申请任意实施例所提供的基于深度学习的钟差预测方法中的相关操作。

实施例五

本申请实施例提供了一种终端，该终端中可集成本申请实施例提供的基于深度学习的钟差预测装置。图7是本申请实施例五提供的一种终端的结构示意图。如图7所示，本实施例提供了一种终端700，其包括：一个或多个处理器720；存储装置710，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器720执行，使得所述一个或多个处理器720实现本申请实施例所提供的基于深度学习的钟差预测方法，该方法包括：

将所述钟差预测模型输出的数据作为钟差预测结果。

当然，本领域技术人员可以理解，处理器720还实现本申请任意实施例所提供的基于深度学习的钟差预测方法的技术方案。

图7显示的终端700仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，该终端700包括处理器720、存储装置710、输入装置730和输出装置740；终端中处理器720的数量可以是一个或多个，图7中以一个处理器720为例；终端中的处理器720、存储装置710、输入装置730和输出装置740可以通过总线或其他方式连接，图7中以通过总线750连接为例。

存储装置710作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块单元，如本申请实施例中的基于深度学习的钟差预测方法对应的程序指令。

存储装置710可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置710可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置710可进一步包括相对于处理器720远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置730可用于接收输入的数字、字符信息或语音信息，以及产生与终端的用户设置以及功能控制有关的键信号输入。输出装置740可包括显示屏、扬声器等终端。

本申请实施例提供的终端，可以提高钟差数据预测的准确性。

上述实施例中提供的基于深度学习的钟差预测装置、存储介质及终端可执行本申请任意实施例所提供的基于深度学习的钟差预测方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于深度学习的钟差预测方法。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者终端中还存在另外的相同要素

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种基于深度学习的钟差预测方法，其特征在于，所述方法包括：

所述钟差预测模型的训练过程包括：

选择预先构建的基础神经网络模型，初始化所述基础神经网络模型的连接权重；所述基础神经网络模型包括第一中间层和第二中间层；输入层的各单元分别连接所述第一中间层的所有单元；所述第一中间层的单元总数与输入层的单元总数一致；所述第一中间层的所有单元分别连接所述第二中间层的所有单元；所述第二中间层的单元总数与第一中间层的单元总数一致；所述基础神经网络模型的激励函数为Sigmoid函数；

将所述预设数量的连续时间序列作为输入层数据，将所述钟差序列作为输出层数据的监督数据，对所述基础神经网络模型进行训练，得到钟差预测模型；

将所述钟差预测模型输出的数据作为钟差预测结果。

2.根据权利要求1所述的方法，其特征在于，所述待预测钟差数据的时间序列的数据数量与所述连续时间序列的预设数量是相同的。

3.根据权利要求1所述的方法，其特征在于，在对所述基础神经网络模型进行训练的过程中，根据从输入层到输出层的计算结果，反向传播并采用BP算法对基础神经网络模型的第一中间层、第二连接处和输出层的连接权重进行修正。

4.根据权利要求1所述的方法，其特征在于，直至所述样本数据组中所有的样本数据训练完成，确定所述钟差预测模型的训练结束，将得到的神经网络模型的各连接权重的结果作为钟差预测模型。

5.一种基于深度学习的钟差预测装置，用于权利要求1-4任意一项的方法，其特征在于，所述装置包括：

数据输入模块，用于将所述目标时间序列输入至预先训练得到的钟差预测模型；

6.根据权利要求5所述的装置，其特征在于，所述装置包括钟差预测模型训练模块，所述钟差预测模型训练模块包括：

样本数据组获取单元，用于获取样本数据组；

7.一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，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于深度学习的钟差预测方法。

8.一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的基于深度学习的钟差预测方法。