CN113987941A - 时间序列预测方法、装置、计算机设备和可读存储介质 - Google Patents

时间序列预测方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN113987941A
CN113987941A CN202111272040.8A CN202111272040A CN113987941A CN 113987941 A CN113987941 A CN 113987941A CN 202111272040 A CN202111272040 A CN 202111272040A CN 113987941 A CN113987941 A CN 113987941A
Authority
CN
China
Prior art keywords
target
item
trend
time sequence
trend item
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
CN202111272040.8A
Other languages
English (en)
Inventor
谢龙飞
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.)
Xinzhi I Lai Network Technology Co ltd
Original Assignee
Xinzhi I Lai Network Technology Co 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 Xinzhi I Lai Network Technology Co ltd filed Critical Xinzhi I Lai Network Technology Co ltd
Priority to CN202111272040.8A priority Critical patent/CN113987941A/zh
Publication of CN113987941A publication Critical patent/CN113987941A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的实施例提供了时间序列预测方法、装置、计算机设备和可读存储介质。该方法包括:分解目标设备运行操作的至少一个原始时间序列,得到目标设备运行的趋势项时间数据组和季节项时间数据组;利用趋势项时间数据组和季节项时间数据组进行联合学习训练,以得到设备运行的趋势项集合;基于目标时间序列和上述趋势项集合,从上述至少一个原始时间序列中选择原始时间序列作为目标原始时间序列,得到目标原始时间序列集合;基于上述目标时间序列和上述目标原始时间序列集合中每个目标原始时间序列的趋势项和季节项,确定目标日期的预测值。本公开基于目标原始时间序列确定目标日期的预测值可以综合多方数据,提升预测精准度。

Description

时间序列预测方法、装置、计算机设备和可读存储介质
技术领域
本公开涉及能源设备技术领域,尤其涉及一种时间序列预测方法、装置、计算机设备和可读存储介质。
背景技术
完整的长时间序列通常需要生产方进行长达数年甚至数十年的积累才能进行有效的时间序列预测,代价及其昂贵。若能联合多方数据,借助相似数据提升自身预测精度,将节省大量的人力物力。而直接对时间序列进行联合学习,因为特征输入及噪声冗余等因素的影响,无法取得有效结果。
发明内容
有鉴于此,本公开实施例提供了一种时间序列预测方法、装置、计算机设备和可读存储介质,以解决现有技术中无法准确预测时间序列预测值的技术问题。
本公开实施例的第一方面,提供了一种时间序列预测方法,包括:分解目标设备运行操作的至少一个原始时间序列,得到所述目标设备运行的趋势项时间数据组和季节项时间数据组;利用所述趋势项时间数据组和季节项时间数据组进行联合学习训练,以得到设备运行的趋势项集合;基于目标时间序列和上述趋势项集合,从上述至少一个原始时间序列中选择原始时间序列作为目标原始时间序列,得到目标原始时间序列集合;基于上述目标时间序列和上述目标原始时间序列集合中每个目标原始时间序列的趋势项和季节项,确定目标日期的预测值。
本公开实施例的第二方面,提供了一种时间序列预测装置,包括:分解单元,被配置成分解目标设备运行操作的至少一个原始时间序列,得到所述目标设备运行的趋势项时间数据组和季节项时间数据组;趋势项集合获取单元,被配置成利用所述趋势项时间数据组和季节项时间数据组进行联合学习训练,以得到设备运行的趋势项集合;选择单元,被配置成基于目标时间序列和上述趋势项集合,从上述至少一个原始时间序列中选择原始时间序列作为目标原始时间序列,得到目标原始时间序列集合;预测单元,被配置成基于上述目标时间序列和上述目标原始时间序列集合中每个目标原始时间序列的趋势项和季节项,确定目标日期的预测值。
本公开实施例的第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先,对至少一个原始时间序列进行分解,得到趋势项集合和季节项集合;然后,基于目标时间序列和分解得到的趋势项集合,从上述至少一个原始时间序列中选择得到目标原始时间训练集合;最后,基于季节项,确定目标日期的预测值。本公开提供的方法通过对原始时间序列的选择可以去除与目标时间序列相似度低的原始时间序列,提高预测的精度,基于目标原始时间序列确定目标日期的预测值可以综合多方数据,提升预测精准度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开实施例的一种联合学习的架构示意图;
图2是根据本公开的时间序列预测方法的实施例的流程图;
图3是根据本公开的时间序列预测装置的实施例的结构示意图;
图4是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
联合学习是指在确保数据安全及用户隐私的前提下,综合利用多种AI(Artificial Intelligence,人工智能)技术,联合多方合作共同挖掘数据价值,催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点:
(1)参与节点控制自有数据的弱中心化联合训练模式,确保共创智能过程中的数据隐私安全。
(2)在不同应用场景下,利用筛选和/或组合AI算法、隐私保护计算,建立多种模型聚合优化策略,以获取高层次、高质量的模型。
(3)在确保数据安全及用户隐私的前提下,基于多种模型聚合优化策略,获取提升联合学习引擎的效能方法,其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等,提升联合学习引擎的整体效能。
(4)获取各场景下多方用户的需求,通过互信机制,确定合理评估各联合参与方的真实贡献度,进行分配激励。
基于上述方式,可以建立基于联合学习的AI技术生态,充分发挥行业数据价值,推动垂直领域的场景落地。
下面将结合附图详细说明根据本公开实施例的一种基于联合学习的时间序列预测方法和装置。
图1是本公开实施例的一种联合学习的架构示意图。如图1所示,联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。
在联合学习过程中,基本模型可以通过服务器101建立,服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101,服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型,利用本地数据进行模型训练,获得更新的模型参数,并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合,获得全局模型参数,并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代,直到模型最终收敛,从而实现对模型的训练。在联合学习过程中,参与方102、参与方103、参与方104等所有参与方可以共享最终的模型参数。需要说明的是,参与方的数量不限于如上所述的三个,而是可以根据需要进行设置,本公开实施例对此不作限制。
图2示出了根据本公开的时间序列预测方法的实施例的流程200。该方法可以由图1中的任一参与方或者中心节点来执行。该时间序列预测方法,包括以下步骤:
步骤S201,分解目标设备运行操作的至少一个原始时间序列,得到目标设备运行的趋势项时间数据组和季节项时间数据组。
在本实施例中,时间序列预测方法的执行主体可以对至少一个原始时间序列进行分解,得到趋势项时间数据组和季节项时间数据组。这里,上述执行主体可以利用以鲁棒局部加权回归作为平滑方法的时间序列分解方法(Seasonal and Trend decompositionusing Loess,STL)对上述原始时间序列进行分解。
步骤S202,利用趋势项时间数据组和季节项时间数据组进行联合学习训练,以得到设备运行的趋势项集合。在进行训练的过程中,针对季节项时间数据组,各参与方可单独进行训练后再将训练结果进行联合;针对趋势项时间数据组,各参与方则进行联合学习训练;通过将单独训练和联合学习训练的结果进行聚合,获得设备运行的趋势项集合,趋势项集合可以包括多个数据组。
步骤S203,基于目标时间序列和上述趋势项集合,从上述至少一个原始时间序列中选择原始时间序列作为目标原始时间序列,得到目标原始时间序列集合。
在实施例中,上述目标时间序列可以是通过有线连接方式或无线连接方式获取得到的。上述执行主体可以通过如下步骤从上述至少一个原始时间序列中选择原始时间序列作为目标原始时间序列,得到目标原始时间序列集合:
第一步,可以对上述目标时间序列进行分解,得到上述目标时间序列的趋势项和季节项。作为示例,上述执行主体可以利用上述以鲁棒局部加权回归作为平滑方法的时间序列分解方法(Seasonal and Trend decomposition using Loess,STL)对上述目标时间序列进行分解。
第二步,可以计算上述趋势项集合中每个趋势项与上述目标时间序列的趋势项的距离,得到距离集合。这里,趋势项之间的距离可以是动态时间归整(Dynamic TimeWarping,DTW)距离。具体地,DTW算法主要解决的是两个模板之间的距离,。一般情况下,在维数或者序列数量相同的状况下使用欧式距离或马氏距离得到两个模板之间的相似度。但当维数或者序列数量不同,不能一一对应的时候,需要使用DTW算法来进行扩充或缩减到相同序列数,再进行距离计算。其中,欧式距离(Euclid Distance)可以是一个通常采用的距离定义它是在m维空间中两个点之间的真实距离在二维空间中的欧氏距离就是两点之间的直线段距离。马氏距离(Mahalanobis distance)可以是有效的计算两个未知样本集的相似度的方法。
第三步,基于上述距离集合,可以从上述趋势项集合中选择趋势项作为目标趋势项,得到目标趋势项集合。作为示例,基于上述距离集合,上述执行主体可以选择距离小于预设阈值的趋势项作为目标趋势项。
第四步,基于上述目标趋势项集合,可以从上述至少一个原始时间序列中选择与上述目标趋势项集合中的目标趋势项对应的原始时间序列作为目标原始时间序列,得到上述目标原始时间序列。
步骤S204,基于上述目标时间序列和上述目标原始时间序列集合中每个目标原始时间序列的趋势项和季节项,确定目标日期的预测值。
在实施例中,基于上述目标时间序列和上述目标原始时间序列集合中每个目标原始时间序列的趋势项和季节项,上述执行主体可以通过如下步骤确定目标日期的预测值:
第一步,可以对上述目标趋势项集合中的目标趋势项进行特征提取,得到趋势项特征集合。这里,特征提取主要是时域和频域特征,可以用滑动窗口提取特征,比如平均数、方差、过零率等,还有傅里叶变换后的幅度、频率、均值等。
第二步,可以利用预设训练方式,对上述趋势项特征集合进行训练,得到训练后的趋势项特征集合。这里,上述预设训练方式可以是采用LightGBM(Light GradientBoosting Machine)算法进行联合学习的训练方式。具体地,LightGBM可以是一种基于决策树算法的分布式梯度提升框架。
第三步,可以对上述训练糊的趋势项特征集合和上述目标序列进行拟合,得到趋势项拟合结果。这里,上述拟合可以是把时间作为自变量,相应的序列观察值作为因变量,建立序列值随时间变化的回归模型的方法,其中拟合包括线性拟合和非线性拟合。具体地,线性拟合的使用场合为长期趋势呈现出线形特征的场合。参数估计方法为最小二乘估计。可以使用线性回归来处理。非线性拟合的使用场合为长期趋势呈现出非线性特征,可以用曲线典线模型来拟合。对曲线模型进行参数估计时,能转换成线性模型的都转化成线性模型,用线性最小二乘法进行参数估计,不能转化成线性模型的可以用迭代法进行参数估计。
第四步,可以对上述目标时间序列的季节项进行特征提取,得到上述目标时间序列的季节项特征。
第五步,可以对上述目标原始时间序列集合中每个目标原始时间序列的季节项进行特征提取,得到季节项特征集合。
第六步,可以利用上述预设训练方式,对上述季节项特征集合进行训练,得到训练后的季节项特征集合。作为示例,上述预设训练方式可以是采用LightGBM算法进行联合学习的训练方式。
第七步,可以对上述季节项特征和上述季节项特征集合进行拟合,得到季节项拟合结果。
第八步,可以获取初始模型。这里,初始模型可以是采用LightGBM算法的初级神经网络模型。
第九步,基于上述趋势项拟合结果、上述季节项拟合结果和上述初始模型,训练得到时间序列趋势变化模型。作为示例,上述执行主体可以将上述趋势项拟合结果、上述季节项拟合结果和上述初始模型进行融合,得到时间序列趋势变化模型。
第十步,可以将上述目标日期输入至上述时间序列趋势变化模型,得到预测值。
在实施例中,采用LightGBM可以减小数据对内存的使用,保证单个机器在不牺牲速度的情况下,尽可能地用上更多的数据。减小通信的代价,提升多机并行时的效率,实现在计算上的线性加速,同时缓解计算机运行压力。
在实施例的可选的实现方式中,上述方法还包括:将上述预测值传输至具有显示功能的目标设备,以及控制上述目标设备显示上述预测值。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先,对至少一个原始时间序列进行分解,得到趋势项集合和季节项集合;然后,基于目标时间序列和分解得到的趋势项集合,从上述至少一个原始时间序列中选择得到目标原始时间训练集合;最后,基于季节项,确定目标日期的预测值。本公开提供的方法通过对原始时间序列的选择可以去除与目标时间序列相似度低的原始时间序列,提高预测的精度,基于目标原始时间序列确定目标日期的预测值可以通过联合学习综合多方数据,求同存异,提升预测精准度。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
进一步参考图3,作为对上述各图上述方法的实现,本公开提供了一种时间序列预测装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,实施例的时间序列预测装置300包括:分解单元301、趋势项集合获取单元302、选择单元303和预测单元304。其中,分解单元301,被配置成分解目标设备运行操作的至少一个原始时间序列,得到目标设备运行的趋势项时间数据组和季节项时间数据组;趋势项集合获取单元302,被配置成利用趋势项时间数据组和季节项时间数据组进行联合学习训练,以得到设备运行的趋势项集合;选择单元303,被配置成基于目标时间序列和上述趋势项集合,从上述至少一个原始时间序列中选择原始时间序列作为目标原始时间序列,得到目标原始时间序列集合;预测单元304,被配置成基于上述目标时间序列和上述目标原始时间序列集合中每个目标原始时间序列的趋势项和季节项,确定目标日期的预测值。
在实施例的可选的实现方式中,时间序列预测装置300的选择单元303被进一步配置成:对上述目标时间序列进行分解,得到上述目标时间序列的趋势项和季节项;计算上述趋势项集合中每个趋势项与上述目标时间序列的趋势项的距离,得到距离集合;基于上述距离集合,从上述趋势项集合中选择趋势项作为目标趋势项,得到目标趋势项集合;基于上述目标趋势项集合,从上述至少一个原始时间序列中选择与上述目标趋势项集合中的目标趋势项对应的原始时间序列作为目标原始时间序列,得到上述目标原始时间序列集合。
在实施例的可选的实现方式中,时间序列预测装置300的预测单元304被进一步配置成:获取初始模型;基于获取的趋势项拟合结果、获取的季节项拟合结果和上述初始模型,得到时间序列趋势变化模型;将上述目标日期输入至上述时间序列趋势变化模型,得到预测值。
在实施例的可选的实现方式中,时间序列预测装置300的预测单元304获取趋势项拟合结果具体被配置成:对上述目标趋势项集合中的目标趋势项进行特征提取,得到趋势项特征集合;利用预设训练方式,对上述趋势项特征集合进行训练,得到训练后的趋势项特征集合;对上述训练后的趋势项特征集合和上述目标时间序列进行拟合,得到趋势项拟合结果。
在实施例的可选的实现方式中,时间序列预测装置300的预测单元304获取季节项拟合结果具体配置成:对上述目标时间序列的季节项进行特征提取,得到上述目标时间序列的季节项特征;对上述目标原始时间序列集合中每个目标原始时间序列的季节项进行特征提取,得到季节项特征集合;利用上述预设训练方式,对上述季节项特征集合进行训练,得到训练后的季节项特征集合;对上述季节项特征和上述季节项特征集合进行拟合,得到季节项拟合结果。
在实施例的可选的实现方式中,时间序列预测装置300被进一步配置成:将上述预测值传输至具有显示功能的目标设备,以及控制上述目标设备显示上述预测值。
可以理解的是,该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的计算机设备4的示意图。如图4所示,该实施例的计算机设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序403可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序403在计算机设备4中的执行过程。
计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是计算机设备4的示例,并不构成对计算机设备4的限定,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,例如,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是计算机设备4的内部存储单元,例如,计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备,例如,计算机设备4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(Flash Card)等。进一步地,存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。

Claims (10)

1.一种时间序列预测方法,其特征在于,包括:
分解目标设备运行操作的至少一个原始时间序列,得到所述目标设备运行的趋势项时间数据组和季节项时间数据组;
利用所述趋势项时间数据组和季节项时间数据组进行联合学习训练,以得到设备运行的趋势项集合;
基于目标时间序列和所述趋势项集合,从所述至少一个原始时间序列中选择原始时间序列作为目标原始时间序列,得到目标原始时间序列集合;
基于所述目标时间序列和所述目标原始时间序列集合中每个目标原始时间序列的趋势项和季节项,确定目标日期的预测值。
2.根据权利要求1所述的时间序列预测方法,其特征在于,所述基于目标时间序列和所述趋势项集合,从所述至少一个原始时间序列中选择原始时间序列作为目标原始时间序列,得到目标原始时间序列集合,包括:
对所述目标时间序列进行分解,得到所述目标时间序列的趋势项和季节项;
计算所述趋势项集合中每个趋势项与所述目标时间序列的趋势项的距离,得到距离集合;
基于所述距离集合,从所述趋势项集合中选择趋势项作为目标趋势项,得到目标趋势项集合;
基于所述目标趋势项集合,从所述至少一个原始时间序列中选择与所述目标趋势项集合中的目标趋势项对应的原始时间序列作为目标原始时间序列,得到所述目标原始时间序列集合。
3.根据权利要求2所述的时间序列预测方法,其特征在于,所述基于所述目标时间序列和所述目标原始时间序列集合中每个目标原始时间序列的趋势项和季节项,确定目标日期的预测值,包括:
获取初始模型;
基于获取的趋势项拟合结果、获取的季节项拟合结果和所述初始模型,得到时间序列趋势变化模型;
将所述目标日期输入至所述时间序列趋势变化模型,得到预测值。
4.根据权利要求3所述的时间序列预测方法,其特征在于,所述趋势项拟合结果的获取过程,包括:
对所述目标趋势项集合中的目标趋势项进行特征提取,得到趋势项特征集合;
利用预设训练方式,对所述趋势项特征集合进行训练,得到训练后的趋势项特征集合;
对所述训练后的趋势项特征集合和所述目标时间序列进行拟合,得到趋势项拟合结果。
5.根据权利要求3所述的时间序列预测方法,其特征在于,所述季节项拟合结果的获取过程,包括:
对所述目标时间序列的季节项进行特征提取,得到所述目标时间序列的季节项特征;
对所述目标原始时间序列集合中每个目标原始时间序列的季节项进行特征提取,得到季节项特征集合;
利用所述预设训练方式,对所述季节项特征集合进行训练,得到训练后的季节项特征集合;
对所述季节项特征和所述季节项特征集合进行拟合,得到季节项拟合结果。
6.根据权利要求1至5中任一项所述的时间序列预测方法,其特征在于,所述方法还包括:
将所述预测值传输至具有显示功能的目标设备,以及控制所述目标设备显示所述预测值。
7.一种时间序列预测装置,其特征在于,包括:
分解单元,被配置成分解目标设备运行操作的至少一个原始时间序列,得到所述目标设备运行的趋势项时间数据组和季节项时间数据组;
趋势项集合获取单元,被配置成利用所述趋势项时间数据组和季节项时间数据组进行联合学习训练,以得到设备运行的趋势项集合;
选择单元,被配置成基于目标时间序列和所述趋势项集合,从所述至少一个原始时间序列中选择原始时间序列作为目标原始时间序列,得到目标原始时间序列集合;
预测单元,被配置成基于所述目标时间序列和所述目标原始时间序列集合中每个目标原始时间序列的趋势项和季节项,确定目标日期的预测值。
8.根据权利要求1所述的时间序列预测装置,其特征在于,所述选择单元被进一步配置成:
计算所述趋势项集合中每个趋势项与所述目标时间序列的趋势项的距离,得到距离集合;
基于所述距离集合,从所述趋势项集合中选择趋势项作为目标趋势项,得到目标趋势项集合;
基于所述目标趋势项集合,从所述至少一个原始时间序列中选择与所述目标趋势项集合中的目标趋势项对应的原始时间序列作为目标原始时间序列,得到所述目标原始时间序列集合。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,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至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。
CN202111272040.8A 2021-10-29 2021-10-29 时间序列预测方法、装置、计算机设备和可读存储介质 Pending CN113987941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111272040.8A CN113987941A (zh) 2021-10-29 2021-10-29 时间序列预测方法、装置、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111272040.8A CN113987941A (zh) 2021-10-29 2021-10-29 时间序列预测方法、装置、计算机设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN113987941A true CN113987941A (zh) 2022-01-28

Family

ID=79744397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111272040.8A Pending CN113987941A (zh) 2021-10-29 2021-10-29 时间序列预测方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN113987941A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115454807A (zh) * 2022-11-11 2022-12-09 云智慧(北京)科技有限公司 一种运维系统的容量预测方法、装置及设备
CN116050674A (zh) * 2023-03-31 2023-05-02 长江空间信息技术工程有限公司(武汉) 水利工程运行趋势预测方法以及装置
CN116341016A (zh) * 2023-05-31 2023-06-27 济南大陆机电股份有限公司 一种大数据安全存储方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115454807A (zh) * 2022-11-11 2022-12-09 云智慧(北京)科技有限公司 一种运维系统的容量预测方法、装置及设备
CN116050674A (zh) * 2023-03-31 2023-05-02 长江空间信息技术工程有限公司(武汉) 水利工程运行趋势预测方法以及装置
CN116341016A (zh) * 2023-05-31 2023-06-27 济南大陆机电股份有限公司 一种大数据安全存储方法及系统
CN116341016B (zh) * 2023-05-31 2023-08-11 济南大陆机电股份有限公司 一种大数据安全存储方法及系统

Similar Documents

Publication Publication Date Title
CN113987941A (zh) 时间序列预测方法、装置、计算机设备和可读存储介质
Jiang et al. Scenario generation for wind power using improved generative adversarial networks
Gan Adaptive synchronization of Cohen–Grossberg neural networks with unknown parameters and mixed time-varying delays
CN114330125A (zh) 基于知识蒸馏的联合学习训练方法、装置、设备及介质
CN113486584A (zh) 设备故障的预测方法、装置、计算机设备及计算机可读存储介质
CN114118156A (zh) 设备故障诊断方法、装置、电子设备及存储介质
CN113988310A (zh) 深度学习模型选择方法、装置、计算机设备和介质
CN113487084A (zh) 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
Nepomuceno et al. On the use of interval extensions to estimate the largest Lyapunov exponent from chaotic data
CN114154392A (zh) 基于区块链和联邦学习的模型共建方法、装置及设备
CN111950802A (zh) 一种生产调度控制方法和装置
CN114154714A (zh) 时序数据预测方法、装置、计算机设备及介质
CN109951243A (zh) 一种频谱预测方法、系统及电子设备
CN116050557A (zh) 电力负荷预测方法、装置、计算机设备和介质
CN114298319A (zh) 联合学习贡献值的确定方法、装置、电子设备及存储介质
CN113887746A (zh) 基于联合学习的降低通信压力的方法及装置
CN114897186A (zh) 联合学习训练方法及装置
CN117077798A (zh) 基于半监督学习的联合学习模型的生成方法及装置
CN114298320A (zh) 联合学习的贡献值计算方法、装置、电子设备及存储介质
CN113887747A (zh) 基于联合学习的数据融合方法及装置
CN116484707A (zh) 联合学习模型的确定方法及装置
CN116841650B (zh) 样本构建方法、装置、设备以及存储介质
CN115563639A (zh) 联合学习模型训练方法、装置、计算机设备及存储介质
CN114897187A (zh) 联合学习训练方法及装置
CN114897185A (zh) 基于类别异构数据的联合学习训练方法及装置

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