CN113112011A

CN113112011A - 一种数据预测方法及装置

Info

Publication number: CN113112011A
Application number: CN202010031843.3A
Authority: CN
Inventors: 方绍波; 龚国成; 刘源; 马力; 冯诗正; 曹雪峰; 孙震; 刘知音
Original assignee: China Mobile Communications Group Co Ltd; China Mobile IoT Co Ltd
Current assignee: China Mobile Communications Group Co Ltd; China Mobile IoT Co Ltd
Priority date: 2020-01-13
Filing date: 2020-01-13
Publication date: 2021-07-13
Anticipated expiration: 2040-01-13
Also published as: CN113112011B

Abstract

本发明提供一种数据预测方法及装置，所述方法包括：确定待训练的目标样本数据；基于神经网络模型对所述样本数据进行训练，建立第一预测模型和第二预测模型，所述第一预测模型为非正则化模型，第二预测模型为正则化模型；根据所述第一预测模型对应的第一输出矩阵进行计算，得到所述第一预测模型的第一连接权值，根据所述第二预测模型对应的第二输出矩阵进行计算，得到所述第二预测模型的第二连接权值；根据所述第一输出矩阵、所述第二输出矩阵、所述第一连接权值和第二连接权值确定第三预测模型；将预测数据输入至所述第三预测模型，得到目标输出数据。本发明实施例通过结合正则化模型和非正则化模型进行数据预测从而降低了预测误差。

Description

一种数据预测方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种数据预测方法及装置。

背景技术

人脑是一个高度复杂的、非线性的并行信息处理系统，模仿人脑的工作机理建立起来的人工神经网络具备较强的非线性输入输出映射能力。如果将人工神经网络应用于预测控制，即形成神经网络预测控制(Neural Network Predictive Control，简称NNPC)。

神经网络在处理非线性问题方面有着别的方法无法比拟的优势，而预测控制对于具有约束的卡边操作问题具有非常好的针对性，因此将神经网络与预测控制相结合，发挥各自的优势，对非线性、时变、强约束、大滞后工业过程的控制提供了一个很好的解决方法。

神经网络包括前馈(back propagation，简称BP)神经网络、径向基函数(Radialbasis function，简称RBF)网络、极限学习机(Extreme Learning Machine，简称ELM)网络等都具有结构简单，非线性拟合能力强，不需要复杂的公式推导，学习速度快等优点。对于复杂的不易建立机理模型工业系统，节省了大量时间。

在工业应用中，一般存在不易测量的物理量，如航空煤油干点不易直接测得，就可以应用神经网络，通过相关性分析选择航空煤油分馏工艺中设备的压力值或温度值等其他容易直接测得的变量作为神经网络的输入，通过神经网络训练得到预测模型，最终可以通过将预测数据输入预测模型计算输出航空煤油的干点。

而现有技术在应用神经网络进行数据预测时，一般通过单一神经网络进行预测，由于方式的单一性容易造成数据的偏差，导致不能得到预期的输出数据，因此现有的数据预测方式的误差较大。

发明内容

本发明实施例提供一种数据预测方法及装置，以解决现有的数据预测方式的误差较大的问题。

第一方面，本发明实施例提供一种数据预测方法，包括：

确定待训练的目标样本数据；

基于神经网络模型对所述样本数据进行训练，建立第一预测模型和第二预测模型，所述第一预测模型为非正则化模型，第二预测模型为正则化模型；

根据所述第一预测模型对应的第一输出矩阵进行计算，得到所述第一预测模型的第一连接权值，根据所述第二预测模型对应的第二输出矩阵进行计算，得到所述第二预测模型的第二连接权值；

根据所述第一输出矩阵、所述第二输出矩阵、所述第一连接权值和第二连接权值确定第三预测模型；

将预测数据输入至所述第三预测模型，得到目标输出数据。

可选的，所述根据所述第一输出矩阵、所述第二输出矩阵、所述第一连接权值和所述第二连接权值确定第三预测模型的步骤，包括：

根据所述第一输出矩阵、所述第二输出矩阵、所述第一连接权值和所述第二连接权值计算得到第三输出矩阵；

根据所述第三输出矩阵与所述样本数据中的期望输出矩阵间的误差建立误差模型；

根据所述误差模型对应的误差矩阵对所述第三输出矩阵进行补偿，得到第四输出矩阵；

基于所述第四输出矩阵生成所述第三预测模型。

可选的，所述确定待训练的目标样本数据的步骤包括：

获取待训练的初始样本数据；

利用偏最小二乘法对初始样本数据进行清洗，得到所述目标样本数据。

可选的，所述第一预测模型为ELM极限学习机模型。

可选的，所述第二预测模型包括ELM极限学习机L1正则化模型和ELM极限学习机L2正则化模型。

第二方面，本发明实施例提供一种数据预测装置，包括：

第一确定模块，用于确定目标样本数据；

训练模块，用于基于神经网络模型对所述样本数据进行训练，建立第一预测模型和第二预测模型；

计算模块，用于根据所述第一预测模型对应的第一输出矩阵进行计算，得到所述第一预测模型的第一连接权值，根据所述第二预测模型对应的第二输出矩阵进行计算，得到所述第二预测模型的第二连接权值；

第二确定模块，用于根据所述第一输出矩阵、所述第二输出矩阵、所述第一连接权值和第二连接权值确定第三预测模型；

输入模块，用于将预测数据输入至所述第三预测模型，得到目标输出数据。

可选的，所述第二确定模块包括：

确定单元，用于根据所述第一输出矩阵、所述第二输出矩阵、所述第一连接权值和所述第二连接权值计算得到第三输出矩阵；

计算单元，用于计算所述第三输出矩阵与所述样本数据中的期望输出矩阵间的误差；

训练单元，用于根据所述第三输出矩阵与所述样本数据中的期望输出矩阵间的误差建立误差模型；

补偿单元，用于根据所述误差模型对应的误差矩阵对所述第三输出矩阵进行补偿，得到所述第四输出矩阵；

生成单元，用于基于所述第四输出矩阵生成所述第三预测模型。

可选的，所述第一确定模块，包括：

获取单元，获取待训练的初始样本数据；

清洗单元，用于利用偏最小二乘法对初始样本数据进行清洗，得到所述目标样本数据。

第三方面，本发明实施例提供一种数据预测装置，包括处理器、存储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，所述计算机程序被所述处理器执行时实现上述的数据预测方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质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的数据预测方法的步骤。

本发明实施例的数据预测方法，通过将非正则化模型和正则化模型作为数据预测中的两个子模型，结合非正则化神经网络模型和正则化的稀疏神经网络模型进行基于多种结构神经网络模型的混合预测，从而减小了数据预测中的误差。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获取其他的附图。

图1是本发明实施例提供的数据预测方法的流程图之一；

图2是本发明实施例提供的数据预测方法的流程图之二；

图3是本发明实施例提供的数据预测装置的结构示意图之一；

图4是本发明实施例提供的数据预测装置的结构示意图之二；

图5是单一ELM网络模型的预测结果图；

图6是单一ELM网络的L1正则化模型的预测结果图；

图7是单一ELM网络的L2正则化模型的预测结果图；

图8是本发明实施例提供的数据预测方法的预测结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

参见图1，图1是本发明实施例提供的一种数据预测装置的操作方法的流程图，如图1所示，包括以下步骤：

步骤101、确定待训练的目标样本数据。

本发明实施例中的目标样本数据可以包括工程应用中较易测得的变量和不易测得的变量，将较易测得的变量作为目标样本数据中的自变量，将不易测得的变量作为因变量，且上述自变量与因变量之间具有相关性。

例如，在航空煤油分馏的工艺流程中，该目标样本数据可以理解为包括通过相关性分析得到的常压塔塔顶回流返塔温度、常压塔塔顶压力、常二线抽出温度、出口温度和航煤抽出温度5个自变量和航空煤油干点1个因变量。

需要说明的是，本发明实施例中的目标样本数据为经过标准化后的数据，其标准化的方式可以为min-max标准化或Z-score标准化，但不限于所举的两种方式。

步骤102、基于神经网络模型对所述样本数据进行训练，建立第一预测模型和第二预测模型，所述第一预测模型为非正则化模型，第二预测模型为正则化模型。

本发明实施例中的第一预测模型和第二预测模型均为神经网络模型，其具体类型可以为前馈(back propagation，简称BP)神经网络模型、径向基函数(Radial basisfunction，简称RBF)神经网络模型和极限学习机(Extreme Learning Machine，简称ELM)神经网络模型等，但不限于所举示例。上述对样本数据的训练与建立预测模型的方式可以参考现有技术，在此不进行赘述。

其中，第一预测模型与第二预测模型的种类可以相同，但具体结构不同。

步骤103、根据所述第一预测模型对应的第一输出矩阵进行计算，得到所述第一预测模型的第一连接权值，根据所述第二预测模型对应的第二输出矩阵进行计算，得到所述第二预测模型的第二连接权值。

需要说明的是，本发明实施例中的第一输出矩阵为第一预测模型输出的数据集合，其具体的行数和列数需要根据第一预测模型的输出数据的维数和个数确定；本发明实施例中的第二输出矩阵为第二预测模型输出的数据集合，其具体的行数和列数同样也需要根据第二预测模型的输出数据的维数和个数确定。

在本发明实施例中，可以通过主元回归分析或违逆的方法对第一预测模型对应的第一输出矩阵进行计算，得到第一连接权值。

需要说明的是，第一连接权值表示第一预测模型与步骤104中第三预测模型间的连接权值。

与之类似的，也可以通过主元回归分析或违逆的方法对第二预测模型对应的第二输出矩阵进行计算，得到第二连接权值，上述第二连接权值表示第二预测模型与步骤104中第三预测模型间的连接权值。

可以理解的是，当上述第一预测模型的输出数据为一维数据时，上述第一连接权值可以为一具体数值；当上述第一预测模型的输出数据为多维数据时，上述第一连接权值可以为一向量或矩阵。相应的，当上述第二预测模型的输出数据为一维数据时，上述第二连接权值可以为一具体数值；当上述第二预测模型的输出数据为多维数据时，上述第二连接权值可以为一向量或矩阵。

步骤104、根据所述第一输出矩阵、所述第二输出矩阵、所述第一连接权值和第二连接权值确定第三预测模型。

步骤105、将预测数据输入至所述第三预测模型，得到目标输出数据。

本发明实施例中，预测数据与上述目标样本数据类似，可以包括工程应用中较易测得的变量和不易测得的变量，将较易测得的变量作为目标样本数据中的自变量，将不易测得的变量作为因变量，且上述自变量与因变量之间具有相关性。

进一步的，在本发明实施例中，上述步骤104包括：

基于所述第四输出矩阵生成所述第三预测模型。

在本发明实施例中，上述误差模型是将样本数据中的自变量作为模型的输入自变量，将第三输出矩阵与样本数据中的期望输出矩阵间的误差作为因变量训练得到的神经网络模型，其具体的模型的类型可以与第一预测模型及第二预测模型的神经网络模型的类型相同，也可以不同。

由于误差模型对预测模型的补偿作用，本发明实施例中数据预测方法的误差会相应减小。

进一步的，在本发明实施例中，上述步骤101包括：

获取待训练的初始样本数据；

其中，对初始样本数据的清洗方式并不仅限于偏最小二乘法，还可以采用分箱法或其他回归分析方法去除数据中的噪声。

本发明实施例通过偏最小二乘法对初始样本数据进行清洗，并可应用3σ准则对数据进行筛选，从而可以去除数据噪声，提升预测的准确性。

由于ELM神经网络模型的输入权值可以随机给定，输出权值一步违逆求得，学习速度快，只有三层网络，网络结构简单。作为一种可选的实现方式，上述为数据预测方法中的第一预测模型可以为ELM模型。

进一步的，上述第二预测模型可以包括ELM极限学习机L1正则化模型和ELM极限学习机L2正则化模型。

本发明实施例通过极限学习机结合L1正则化、L2正则化，L1正则化能够稀疏模型结构，结合L2正则化，使得最优参数值很大概率的接近0，但很小概率的出现在坐标轴上(等于0)，因此即使特征值具有随机性，每一维度都不会全都是0。即通过极限学习机结合L1正则化，L2正则化能够取得比较均匀的特征值，从而增强预测模型的鲁棒性。

需要说明的是，本发明实施例中介绍的多种可选的实施方式，彼此可以相互结合实现，也可以单独实现，对此本发明实施例不作限定。

为了更好的理解本发明，以下将以航空煤油干点的预测为例详细阐述本发明的具体实现过程。

例如，假定将本发明实施例中数据预测方法应用于航空煤油干点的预测中，样本数据中的自变量为通过相关性分析得到的常压塔塔顶回流返塔温度、常压塔塔顶压力、常二线抽出温度、出口温度和航煤抽出温度五个易测得变量，因变量为航空煤油干点，第一预测模型选取为ELM模型，第二预测模型选取为ELM的L1正则化模型(下称ELM_L1模型)和ELM的L2正则化模型(下称ELM_L2模型)。此时，如图2所示，本发明实施例的航空煤油干点的预测包括：

步骤201、获取包括常压塔塔顶回流返塔温度、常压塔塔顶压力、常二线抽出温度、出口温度和航煤抽出温度5个自变量及航空煤油干点1个因变量的初始样本数据，共427组。

步骤202、对初始样本数据通过偏最小二乘法，并应用3σ准则对样本数据进行清洗，得到目标样本数据413组。

步骤203、随机选择其中的300组数据用于模型训练，建立ELM模型、ELM_L1模型和ELM_L2模型。

由于L1正则化的求解较为复杂，在本发明实施例中，ELM_L1模型的求解可以运用交替方向乘子(Alternating direction method of multipliers，简称ADMM)算法，从而可以减小计算量，缩短数据预测的时间。

步骤204、根据ELM模型对应的输出矩阵Y1进行计算，利用主元回归分析法得到连接权值w1，根据ELM_L1对应的输出矩阵Y2进行计算，利用主元回归分析法得到连接权值w2，根据ELM_L2对应的输出矩阵Y3进行计算，利用主元回归分析法得到连接权值w3。

其中，Y1为ELM模型输出的预测航空煤油干点的数据集，Y2为ELM_L1模型输出的预测航空煤油干点的数据集,Y3为ELM_L2模型输出的预测航空煤油干点的数据集。

步骤205、根据Y1、Y2、Y3、w1、w2和w3计算得到第三输出矩阵

其计算公式为：

步骤206、根据第三输出矩阵

与所述样本数据中的期望输出矩阵Y间的误差e建立误差模型。

其中，

步骤207、根据所述误差模型对应的误差矩阵

对所述第三输出矩阵进行补偿，得到第四输出矩阵

其计算公式为：

步骤208、基于第四输出矩阵

生成ELM模型、ELM_L1模型和ELM_L2模型结合的第三预测模型。

步骤209、将预测数据输入至第三预测模型，得到目标输出数据。

在本发明实施例中，可以通过将航空煤油分馏工艺流程中5个易测得的自变量输入至混合预测模型，得到目标输出数据，即航空煤油干点，通过非正则化模型与正则化模型结合生成的混合预测模型进行预测，降低了预测数据的误差。

选用目标样本数据中未使用的113组数据对得到的混合预测模型进行测试，得到如图5至图8的预测结果，其中，图5为单一ELM网络模型的预测结果，图6为单一ELM网络的L1正则化模型的预测结果，图7为单一ELM网络的L2正则化模型的预测结果，图8为ELM网络模型、ELM网络的L1正则化模型和ELM网络的L2正则化模型结合的混合预测模型的预测结果。其中，实线为目标输出数据，虚线为期望输出数据，可见使用混合预测模型进行预测的误差较小。

参见图3，图3是本发明实施例提供的数据预测装置300的结构图，如图3所示，数据预测装置300包括：

第一确定模块310，用于确定目标样本数据；

训练模块320，用于基于神经网络模型对所述样本数据进行训练，建立第一预测模型和第二预测模型；

计算模块330，用于根据所述第一预测模型对应的第一输出矩阵进行计算，得到所述第一预测模型的第一连接权值，根据所述第二预测模型对应的第二输出矩阵进行计算，得到所述第二预测模型的第二连接权值；

第二确定模块340，用于根据所述第一输出矩阵、所述第二输出矩阵、所述第一连接权值和第二连接权值确定第三预测模型；

输入模块350，用于将预测数据输入至所述第三预测模型，得到目标输出数据。

上述第二确定模块340包括：

上述第一确定模块310，包括：

获取单元，获取待训练的初始样本数据；

本发明实施例提供的数据预测装置能够实现图1至图2的方法实施例中数据预测方法实现的各个过程，为避免重复，这里不再赘述。

图4为实现本发明实施例的一种数据预测装置的硬件结构示意图。

该数据预测装置400包括但不限于：射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、处理器410、以及电源411等部件。本领域技术人员可以理解，图4中示出的数据预测装置结构并不构成对数据预测装置的限定，数据预测装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，数据预测装置包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。

其中，射频单元401，用于确定待训练的目标样本数据；

处理器410，用于基于神经网络模型对所述样本数据进行训练，建立第一预测模型和第二预测模型，所述第一预测模型为非正则化模型，第二预测模型为正则化模型；

将预测数据输入至所述第三预测模型，得到目标输出数据。

本发明实施例的数据预测装置，通过将非正则化模型和正则化模型作为数据预测中的两个子模型，结合非正则化神经网络模型和正则化的稀疏神经网络模型进行基于多种结构神经网络模型的混合预测，从而减小了数据预测中的误差。

应理解的是，本发明实施例中，射频单元401可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器410处理；另外，将上行的数据发送给基站。通常，射频单元401包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元401还可以通过无线通信系统与网络和其他设备通信。

数据预测装置通过网络模块402为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。

音频输出单元403可以将射频单元401或网络模块402接收的或者在存储器409中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元403还可以提供与数据预测装置400执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元403包括扬声器、蜂鸣器以及受话器等。

输入单元404用于接收音频或视频信号。输入单元404可以包括图形处理器(Graphics Processing Unit，GPU)4041和麦克风4042，图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元406上。经图形处理器4041处理后的图像帧可以存储在存储器409(或其它存储介质)中或者经由射频单元401或网络模块402进行发送。麦克风4042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元401发送到移动通信基站的格式输出。

数据预测装置400还包括至少一种传感器405，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板4061的亮度，接近传感器可在数据预测装置400移动到耳边时，关闭显示面板4061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别数据预测装置姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器405还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。

显示单元406用于显示由用户输入的信息或提供给用户的信息。显示单元406可包括显示面板4061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板4061。

用户输入单元407可用于接收输入的数字或字符信息，以及产生与数据预测装置的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板4071上或在触控面板4071附近的操作)。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器410，接收处理器410发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板4071。除了触控面板4071，用户输入单元407还可以包括其他输入设备4072。具体地，其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

进一步的，触控面板4071可覆盖在显示面板4061上，当触控面板4071检测到在其上或附近的触摸操作后，传送给处理器410以确定触摸事件的类型，随后处理器410根据触摸事件的类型在显示面板4061上提供相应的视觉输出。虽然在图4中，触控面板4071与显示面板4061是作为两个独立的部件来实现数据预测装置的输入和输出功能，但是在某些实施例中，可以将触控面板4071与显示面板4061集成而实现数据预测装置的输入和输出功能，具体此处不做限定。

接口单元408为外部装置与数据预测装置400连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元408可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到数据预测装置400内的一个或多个元件或者可以用于在数据预测装置400和外部装置之间传输数据。

存储器409可用于存储软件程序以及各种数据。存储器409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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器409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、或其他易失性固态存储器件。

处理器410是数据预测装置的控制中心，利用各种接口和线路连接整个数据预测装置的各个部分，通过运行或执行存储在存储器409内的软件程序和/或模块，以及调用存储在存储器409内的数据，执行数据预测装置的各种功能和处理数据，从而对数据预测装置进行整体监控。处理器410可包括一个或多个处理单元；优选的，处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。

数据预测装置400还可以包括给各个部件供电的电源411(比如电池)，优选的，电源411可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

另外，数据预测装置400包括一些未示出的功能模块，在此不再赘述。

优选的，本发明实施例还提供一种数据预测装置，包括处理器410，存储器409，存储在存储器409上并可在所述处理器410上运行的计算机程序，该计算机程序被处理器410执行时实现上述数据预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims

1.一种数据预测方法，其特征在于，包括：

确定待训练的目标样本数据；

将预测数据输入至所述第三预测模型，得到目标输出数据。

2.根据权利要求1所述的数据预测方法，其特征在于，所述根据所述第一输出矩阵、所述第二输出矩阵、所述第一连接权值和所述第二连接权值确定第三预测模型的步骤，包括：

基于所述第四输出矩阵生成所述第三预测模型。

3.根据权利要求1所述的数据预测方法，其特征在于，所述确定待训练的目标样本数据的步骤包括：

获取待训练的初始样本数据；

4.根据权利要求1所述的数据预测方法，其特征在于，所述第一预测模型为ELM极限学习机模型。

5.根据权利要求1所述的数据预测方法，其特征在于，所述第二预测模型包括ELM极限学习机L1正则化模型和ELM极限学习机L2正则化模型。

6.一种数据预测装置，其特征在于，包括：

第一确定模块，用于确定目标样本数据；

7.根据权利要求6所述的数据预测装置，其特征在于，所述第二确定模块包括：

8.根据权利要求6所述的数据预测装置，其特征在于，所述第一确定模块，包括：

获取单元，获取待训练的初始样本数据；

9.一种数据预测装置，其特征在于，包括处理器、存储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，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的数据预测方法的步骤。

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中任一项所述的数据预测方法的步骤。