CN114118622A - 基于时间序列的数据趋势预测方法和系统 - Google Patents
基于时间序列的数据趋势预测方法和系统 Download PDFInfo
- Publication number
- CN114118622A CN114118622A CN202111492350.0A CN202111492350A CN114118622A CN 114118622 A CN114118622 A CN 114118622A CN 202111492350 A CN202111492350 A CN 202111492350A CN 114118622 A CN114118622 A CN 114118622A
- Authority
- CN
- China
- Prior art keywords
- data
- time series
- time
- matrix
- state
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时间序列的数据趋势预测方法和系统,其中方法包括:将历史时间序列数据转换为可视化的时间序列图像数据;将时间序列图像数据转换为矩阵数据;采用支持输入多变量数据的卷积神经网络模型提取矩阵数据的数据趋势特征;根据数据趋势特征构建基于条件随机场的联合时序数据趋势预测模型;向联合时序数据趋势预测模型中输入待预测时间序列数据,输出时间序列数据趋势预测结果。本发明结合经济类数据的结构和分布特点,进行PSV序列数据转换,解决深度学习过程中时序数据预处理问题;按照时序数据结构特点提取卷积采样数据特征分类判别,效果有明显提升;结合矩阵数据卷积特征和序列状态传播特征对数据趋势判别任务进行增强。
Description
技术领域
本发明涉及大数据处理技术领域,尤其涉及一种基于时间序列的数据趋势预测方法、系统、电子设备以及计算机可读存储介质。
背景技术
趋势预测问题是时间序列数据分析领域中重要的分析任务。以商品价格数据为例,决策者们希望通过对已有数据分析来对未来商品价格上涨、平稳、下跌进行判断。趋势预测的方法主要分为两类,一类是基于回归的方法,一类是基于分类的方法。基于回归的方法,是通过回归模型把下一时序的数据预测出来,进而获得序列发展趋势的判断,如将时间序列多变量作为输入模糊规则模型,来计算在目标时间点的数据的变化及分类情况,或者结合ARIMA和卡尔曼滤波器构建联合模型来对短期的数据变化进行预测等,或者采用决策树、随机森林、支持向量机、核函数等方式对数据趋势进行预测。回归方法在单序列数据趋势预测任务中有较多应用,但与基于分类的任务相比其性能和效果受到限制。时间序列数据集通常是由多个序列组成的数据集,与回归方法相比,基于分类判断数据对象的潜在发展趋势的方法更适合趋势预测分析任务。
在时间序列的分类任务中,需要通过转换数据空间等数据预处理,再对其进行数据分类分析。在时间序列数据预处理时,可以结合时序数据的特点,以及模型方法的要求选择合适的数据转换方法有,有研究者采用均值处理的方法,将时间序列数据进行归一化之后,转化成固定时间尺度的序列数据,以保证数据集内的数据具有相同的时间尺度和相同的序列维度。除了单维度向量序列数据转换方法外,有研究使用神经网络方法的方式,将时间序列数据转化RP递归数据,并在指定维度矩阵条件下将RP数据转换到目标向量空间,以满足学习模型的输入矩阵的尺寸要求。基于金融时间序列数据,在预处理阶段将数据转化为二维图像类型的三通道矩阵数据,以确保实验数据可以通过卷积网络进行特征提取,进而进行CNN-BI判别模拟。在数据预处理过程中,数据的归一化处理是必要的和有效的。
在分类器选择研究中,影响较为广泛的机器学习方法包括KNN(K-NearestNeighbours)方法、决策树方法、Logistic Regression方法、SVM方法等序列数据分类方法。选择机器学习分类器的核心问题是分类指标参数的选择。目前常用的指标参数有三种。第一种是数据空间的欧氏距离度,当数据集中各序列数据完成归一化之后,每个数据在相同的数据空间内存在数据的超平面分布函数,可以利用这些数据分布之间的欧式距离情况进行聚类分析和分类分析。另一种是通过对序列的波动变化相似度在多变量数据间进行训练和学习,根据这些特征情况对数据集进行有监督的分类学习。第三种是根据状态特征和观察特征之间的条件概率分布情况进行分类模型的构建。KNN等聚类的方法一般采用欧氏距离度参数建模,SVM等特征判别方法一般采用波动变化度参数建模,HMM(隐马可尔夫模型)、CRF(条件随机场算法)等条件概率方法一般采用条件概率参数建模。
在已有研究中,采用空间距离参数进行分类研究较多,其中DTW-KNN方法的效果较优。DTW-KNN是使用动态时间刻度调整(Dynamic Time Warping)的方法,增强距离函数计算的效果,帮助分类器可以得到更精准的分类结果。自然语言数据和语音数据是两类独特的时间序列数据,在这两种类型的数据分类分析任务中,LSTM-CRF模型在很多任务中取得了很好的效果。这是因为时间序列数据具有明显的隐马尔可夫性,HMM及CRF可以从时序数据中提取到这样的相邻依赖和顺序传播特征。在LSTM-CRF中,LSTM方法的作用与DTW的作用相似,是在已有数据集中抽取更准确的特征值,以帮助分类器能够更好的完成分类任务。这些增强式研究表明,在分类器处理前先进行特征提取可以帮助分类任务取得更好的效果。
近些年来有越来越多的研究采用深度学习方法开展时序数据的分类分析任务。相较经典方法和机器学习方法,深度学习方法可以更好的提取序列数据中的特征规律,进而帮助构建具有更好性能的分类算法模型。研究者们将分类器通过联合DNNs(Deep NeuralNetworks)、CNNs(Convolutional Neural Networks)、ESNs(Echo State Networks)、RNNs(Recurrent Neural Networks)等深度学习方法,对序列数据进行二次编码生成新的时间序列向量空间,然后使用深度学习方法获取其潜在的特征表示,之后再进行分类判别。这种方法已经在很多研究中得到了效果验证。如研究者结合LSTM和Softmax函数对SVM的判别分类器进行了优化,得到了更优的模型和实验效果。LSTM模型在很多研究中的表现都是较优的。采用EMD经验模式分解和DNNs深度学习网络来对模型进行预训练,该模型在实验中取得了更好的效果。当使用深度学习方法前,如果采用如数据图像化等方法将时序数据转换为深度学习模型可处理的数据格式,将帮助整体模型得到更好的训练效果。
整体来看,已有序列数据趋势预测研究的发展趋势为机器学习分类方法逐渐与深度学习方法相融合,以逐步突破高维和非特征向量的这两个时序数据限制条件。数据的预处理很关键,如何通过融合学习策略构建有效的趋势预测模型是非常重要的研究方向。
时间序列数据分析的关键任务是通过获取现有数据的规律来判断未来数据变化趋势。以商品价格数据分析任务为例,政策制定者需要通过数据分析来判断商品价格在下一个时间点是上涨还是下跌,以及判断随后一段时期内的价格波动趋势。利用已有数据判断未来变化趋势,这是时序数据分析的重要发明任务。现有方法主要使用回归预测或分类的思路来处理趋势判断问题。与回归预测方法相比,分类方法更注重如上升、稳定、下降等波动性特征。传统方法很难通过分类思想来解决趋势判别的问题,机器学习方法在时序趋势预测中的应用依赖于数据预处理和特征提取。
发明内容
针对现有技术的不足,本发明的目的在于解决上述背景技术中的至少一个技术问题,提供一种基于时间序列的数据趋势预测方法,包括:
将历史时间序列数据转换为可视化的时间序列图像数据;
将所述时间序列图像数据转换为矩阵数据;
采用支持输入多变量数据的卷积神经网络模型提取所述矩阵数据的数据趋势特征;
根据所述数据趋势特征构建基于条件随机场的联合时序数据趋势预测模型;
向所述联合时序数据趋势预测模型中输入待预测时间序列数据,输出时间序列数据趋势预测结果。
根据本发明的一个方面,将所述时间序列图像数据转换为矩阵数据为:
根据本发明的一个方面,所述卷积神经网络模型的数学表达式包括:
其中g,h为分类类别,且,Yg为第g个分类类别的输出值,softmax(Yg)为分类类别为g的概率,在测试模型时,softmax层取softmax(Y1),softmax(Y2),…,softmax(Yh)中数值最大的类别作为样本的预测标签。
根据本发明的一个方面,所述条件随机场中的状态特征时间序列是隐性状态时间序列,其构成一个无向图,其中V表示结点的集合,E表示边的集合,对任意结点V成立的条件概率分布条件随机场,表达为式一:,式中 表示在无向图中与所有状态点和所有状态点的连接关系,为所有状态点和所有状态点的非连接关系,是在给定的条件下的条件概率分布,为输入向量,表示观察特征时间序列数据,;为输出变量,表示状态特征时间序列数据,;
矩阵元素为:
将转移特征和状态特征及其权值用统一的符号表示,设K1个转移特征,K2个状态特征,K=K1+K2,记:
然后,对转移特征与状态特征在各个位置i求和,记作:
其中,f是特征函数,yi-1和yi分别是观察特征时间序列Yi-1和Yi的取值,wk代表fk的权重,Wi表示时间点i对应的权重参数;tk是转移特征,依赖于当前位置和前一个位置,k代表转移特征的数量;sl是状态特征,依赖于当前位置,l代表状态特征的数量;w代表权重。
根据本发明的一个方面,所述条件随机场采用前向后向联合算法计算条件概率,包括:
其中T表示转置;
进一步简化得到:
其中(x)代表在位置i时状态为yi且从位置1到位置i的状态序列的非规范化概率,因为yi的取值有m个所以(x)为m维列向量;后向向量(x)表示在位置i时状态为yi且从位置i+1到位置n的状态序列的非规范化概率。
根据前向后向过程,概率计算符合规律Z(x):
由此开展所述条件随机场的条件概率计算和期望计算为:
由前向向量和后向向量的定义,得出在给定观察值x的条件下,在位置i对应状态yi在位置i-1对应状态为yi-1的条件概率:
其用于学习过程的似然函数对数表示为:
根据本发明的一个方面,所述联合时序数据趋势预测模型包括:数据预处理层、卷积层、长短时记忆层和条件随机场算法层;
所述数据预处理层先将时间序列数据转换为时间序列图像数据,再将时间序列图像数据转换为矩阵数据;
所述卷积层用来捕捉感受野范围内的特征数据,所述卷积层中有两个输出,一个是按照时间序列排列卷积形成的特征数据,另一个是对目标序列的分类结果;卷积神经网络共设置两层,每层设置两个的卷积器,每两个卷积器之后设置一个池化器,其中第一个卷积器产生的数据为模型采样提取的特征数据;
所述长短时记忆层对数据进行训练和计算,得到包含局部信息、全局信息和卷积特征信息的长短时特征信息;
为实现上述目的,本发明还提供一种基于时间序列的数据趋势预测系统,包括:
图像数据转换模块,将历史时间序列数据转换为可视化的时间序列图像数据;
矩阵数据转换模块,将所述时间序列图像数据转换为矩阵数据;
数据趋势特征提取模块,采用支持输入多变量数据的卷积神经网络模型提取所述矩阵数据的数据趋势特征;
数据趋势预测模型构建模块,根据所述数据趋势特征构建基于条件随机场的联合时序数据趋势预测模型;
数据趋势预测结果输出模块,向所述联合时序数据趋势预测模型中输入待预测时间序列数据,输出时间序列数据趋势预测结果。
为实现上述目的,本发明还提供一种电子设备,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基于时间序列的数据趋势预测方法。
为实现上述目的,本发明还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计算机程序,所述计算机程序被处理器执行时实现上述基于时间序列的数据趋势预测方法。
根据本发明的方案,本发明结合趋势判别任务和商品价格等时序数据特点,提出了PSV-CNN-CRF趋势预测方法。该模型方法按照时序数据结构特征对时序数据进行了图像化数据转换,通过卷积采样学习提取数据趋势特征,并结合时序规律信息对数据趋势进行了预测。该方法的主要创新点有三项,一是PSV-CNN-CRF方法结合经济类数据的自身数据结构和分布特点,进行了PSV序列数据转换,有效的解决了深度学习过程中时序数据预处理的问题;二是PSV-CNN-CRF方法有效的按照时序数据结构特点提取卷积采样数据特征进行分类判别,效果较已有的分类和判别方法有明显提升;三是PSV-CNN-CRF方法结合矩阵数据卷积特征和序列状态传播特征对数据趋势判别任务进行增强。PSV-CNN-CRF在实验和工程实践中进行了验证并取得了较好的效果。
附图说明
图1示意性表示根据本发明的基于时间序列的数据趋势预测方法的流程图;
图2表示时间序列数据转换为二维可视化图像数据图;
图3表示经数据预处理转换为矩阵数据图;
图4、图5、图6和图7表示CNN模型训练和实验结果图;
图8和图9表示两种TMS-CRF的结构图;
图10示意性表示根据本发明的基于时间序列的数据趋势预测系统的结构框图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容,应当理解,论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”,术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
以下结合趋势预测任务和商品价格等时序数据特点,提出了一种PSV-CNN-CRF趋势预测的方法,其中PSV为价格数据(Price Data)、销量数据(Sales Data)、价值数据(Value Data)组合构建PSV三维数据组,CNN为卷积神经网络模型,CRF条件随机场模型。
图1示意性表示根据本发明的基于时间序列的数据趋势预测方法的流程图。如图1所示,根据本发明的基于时间序列的数据趋势预测方法,包括以下步骤:
a. 将历史时间序列数据转换为可视化的时间序列图像数据;
b. 将所述时间序列图像数据转换为矩阵数据;
c. 采用支持输入多变量数据的卷积神经网络模型提取所述矩阵数据的数据趋势特征;
d. 根据所述数据趋势特征构建基于条件随机场的联合时序数据趋势预测模型;
e. 向所述联合时序数据趋势预测模型中输入待预测时间序列数据,输出时间序列数据趋势预测结果。
根据本发明的一种实施方式,在上述a和b步骤中,利用python的seaborn包绘制热力图,实现数据的图像可视化,即实现将时间序列数据转换为时间序列图像式的数据结构。这部分的主要目的是通过数据转换将时间序列数据转换为更有效和可分析的数据结构。时间序列可以以相对简单的方式直接转换为目标数据格式。在深度学习卷积神经网络分析方法中,将开盘价,收盘价,最高价和最低价可视化,然后将时间序列可视化的二维图像用作模型的输入。可视化的CNN模型图像如图2所示。
经过数据转换之后,卷积神经网络在图像识别中的特征获取和分类能力可帮助完成特征提取和数据趋势预测任务。如此方案,一是可以通过数据转换输入更多的技术指标,二是可以应用于更经济的数据趋势预测和分类任务。三是结合序列组合进行多序列数据分析。
时间序列数据的数据转换研究需要从时间序列数据本身的特征出发,以便获得最适合时间序列数据的编码转换方法。在传统的时序数据分析中,时序数据的时间特点是时序数据独有的特点。以商品价格数据为例,如果按月提取数据,则会发现该数据具有12个月的周期,并且每12个月的间隔之间的数据之间存在显着的相关性;按日抽取的数据也具备这样的特点,每20天的数据存在有显著的关联关系和波动相似性。基于这样的时序数据规律,可以根据季节定律来重塑时间序列数据的数据结构。以某监测点商品价格数据集为例,将同一时间点上的价格数据(Price Data)、销量数据(Sales Data)、价值数据(ValueData)组合构建PSV三维数据组。在本实施方式中,从数据集某个时间序列中抽取连续400个时序数据,构建*3的实验时间序列矩阵。结合目标数据集的时间特点,将实验序列矩阵转换为的矩阵数据,在20*20*3中,第一个20表示20个月,之后20*3表示一个月采集20条数据,共采集3个月的数据。转换后的数据可以通过图像进行表达,每个图像含有个像素数据。数据示意如图3,图3是经数据预处理后的图像。
以上是PSV矩阵的构建过程。经过转换之后,可以将数据输入至卷积神经网络以进行进一步的分析和计算。与现有技术中的序列深度学习方法不同,卷积神经网络可以对数据的全局信息进行归纳和规律挖掘。
根据本发明的一种实施方式,在上述c步骤中,采用多变量的CNN模型进行数据分析研究,提取所述矩阵数据的数据趋势特征。具体地, CNN模型可以支持并行输入多变量数据,例如图像数据R-G-B三分量数据。多元CNN时间序列分析模型可以充分发挥CNN在多通道并行数据处理中的性能优势。
如前所述,本发明已经将时序数据通过PSV转化为多变量的并行矩阵式数据,因此可以采用多变量的CNN模型进行数据分析研究。CNN通过卷积滤波和数据采样能够很好的表达整体序列数据的全局规律情况。
CNN模型的数学表达式包括:
其中,zi为卷积后的第i个特征图,xj为当前第j个特征图,Wi,j为Zi对应的第j个权重,m为输入特征图个数,bi代表第i个偏移量;
其中g,h为分类类别,且,Yg为第g个分类类别的输出值,softmax(Yg)为分类类别为g的概率,在测试模型时,softmax层取softmax(Y1),softmax(Y2),…,softmax(Yh)中数值最大的类别作为样本的预测标签。
实验研究的CNN模型算法如下:
CNN模型在实验数据集上表现符合效果良好。训练数据集含有商品价格图像式数据300张,其中50张为夹杂噪音数据的商品价格图像式数据,模型的任务是需要从这300张矩阵数据中识别出噪音数据矩阵。训练和实验结果情况如图4、图5、图6和图7所示,经500轮次训练可达到98.94%准确度和0.96的F1评分。
经实验验证,基于PSV-CNN的判别矩阵是有效的,该模型可以有效的提取时序数据卷积特征,可以有效结合全局信息实现矩阵数据图像的分类。
根据本发明的一种实施方式,在上述d步骤中,定义时间序列数据条件随机场(TMS-CRF)的基础参数,假设观察特征时间序列数据为,状态特征时间序列数据为,是在给定的条件下的条件概率分布。TMS-CRF方法的主要问题均是围绕条件概率模型展开的。
一般情况下,TMS-CRF中的状态特征时间序列是隐性状态时间序列,其可以构成一个无向图,其中V表示结点的集合,E表示边的集合。TMS-CRF是满足MRF的特征的,即对任意结点𝑣成立的条件概率分布条件随机场,可以表达为式一:,式中 表示在无向图中与所有状态点和所有状态点的连接关系,为所有状态点和所有状态点的非连接关系是在给定的条件下的条件概率分布,为输入向量,表示观察特征时间序列数据,;为是输出变量,表示状态特征时间序列数据,。可以进行推导证明,TMS-CRF是满足MRF的成对、局部和全局三项马尔科夫性质的。基于TMS-HMM-Chain和三项马尔科夫性质,我们可以将式一进一步推导成以下形式:
图8和图9是TMS-CRF的两种结构示意图。
在这样的问题和无向图结构下,对时间序列条件随机场TMS-CRF的三个核心问题进行逐步讨论。首先构建关联函数,在图8的情况下,TMS-CRF的第一个核心问题是条件概率计算的问题,即对于观察特征时间序列数据和状态特征时间序列数据计算出该模型的条件概率分布。在时间点该条件概率可以表达为,其前序时间点的条件概率可以表达为,以及和之间的概率情况。进一步构建矩阵M阶矩阵,其中M取矩阵的特征数量值,观测序列x的每一个位置为i=1,2,..n+1,在状态链两头分别加入两个状态y0=start,yn+1=stop作为起始状态和终止状态:
矩阵元素为:
将转移特征和状态特征及其权值用统一的符号表示,设K1个转移特征,K2个状态特征,K=K1+K2,记:
然后,对转移特征与状态特征在各个位置i求和,记作:
其中,f是特征函数,yi-1和yi分别是观察特征时间序列Yi-1和Yi的取值,wk代表fk的权重,Wi表示时间点i对应的权重参数;tk是转移特征,依赖于当前位置和前一个位置,k代表转移特征的数量;sl是状态特征,依赖于当前位置,l代表状态特征的数量;w代表权重。
在本实施方式中,TMS-CRF的条件概率计算问题,即为计算上述条件概率及其期望的问题。TMS-CRF的条件概率计算问题可以采用前向后向联合算法(Forward-BackwardAlgorithm)进行计算。在原有状态链前后各加入一个状态y0=start和yn+1=stop分别作为起始状态和终止状态,对于每一个指标,定义前向过程向量和后向过程向量,对于和时刻,存在:
其中T表示转置;
进一步简化得到:
其中(x)代表在位置i时状态为yi且从位置1到位置i的状态序列的非规范化概率,因为yi的取值有m个所以(x)为m维列向量;后向向量(x)表示在位置i时状态为yi且从位置i+1到位置n的状态序列的非规范化概率;
根据前向后向过程,概率计算符合规律:
由此可以开展TMS-CRF的条件概率计算问题和期望计算的问题。
由前向向量和后向向量的定义,可得出在给定观察值x的条件下,在位置i对应状态yi在位置i-1对应状态为yi-1的条件概率:
其可用于学习过程的似然函数对数表示为:
学习任务可以描述为,求得某一矩阵使得。我们可以采用改进的迭代尺度法(Improved Iterative Scaling,IIS)、梯度下降法(Gradient descent,GD)以及拟牛顿L-BFGS(Quasi-Newton Limited Memory BFGS Methods)算法进行学习训练。在采用L-BFGS方法下问题可以转换为期望值损失最低的问题,其损失函数为:
根据本发明的一种实施方式,在上述d步骤中,构建的联合时序数据趋势预测模型包括:数据预处理层、卷积层、长短时记忆层和条件随机场算法层。在本实施方式中,构建联合时序数据趋势预测模型(即PSV-CNN-CRF联合模型),以实现对目标时序数据趋势的预测判断任务。实验数据集是商品价格数据集,分析任务为对目标时间点的物价变化趋势进行判定,变化趋势包括上涨、下跌和平稳三个状态。联合模型在对数据集进行补全之后,通过PSV转换方法对数据进行预处理,之后利用卷积层进行卷积特征提取,利用长短时记忆层进行长程关联性关系提取,最后通过条件随机场算法层来进行目标时间数据状态的概率判定。
模型主要分为上述四层。接下来结合具体的参数表达对各层的任务进行介绍。
记物价数据集中某一类商品A的价格数据PriceA为:
Pi代表ti时刻的商品价格,T代表共有T个时刻。
在相同时间戳条件下,引入更多观测变量序列,该商品的销量数据SalesA和销售价值数据ValueA:
si代表ti时刻的销售数据,vi代表ti时刻的销售价值数据。
上述序列波动率归一化序列分别简记为:
在相同时间戳条件下,下一时间点的趋势变化状态序列为:
状态序列简记为:
模型的第一层为数据的预处理,即将数据通过PSV转换为结构友好且可分析的矩阵数据。对于商品A,构建其PSV矩阵:
第二层为数据的卷积层,用来捕捉感受野范围内的特征数据。卷积层中有两个输出,一个是按照时间序列排列卷积形成的特征数据,另一个是对目标序列的分类结果。卷积神经网络共设置两层,每层设置两个的卷积器,每两个卷积器之后设置一个池化器。其中第一个卷积器产生的数据为模型采样提取的特征数据。
将卷积的分类过程记为,卷积提取特征值过程记为。其中分类过程会根据商品价格的波动性进行商品分类。是对PSV矩阵的进一步卷积处理,卷积得到的特征矩阵记为。在模型中,未解决矩阵边缘感受野范围与矩阵内部感受野不用的问题,需要在PSV矩阵边缘增加补充变量,将的数据矩阵规模转换为矩阵规模,以保证卷积特征提取的序列长度与原输入保持一致。分类器和独立进行训练。
第三层为数据的长短时记忆层,数据的输入除原始序列之外,还补充了卷积形成的特征数据序列和分类数据集的平均波动数据序列,通过长短时记忆网络的训练和计算,可以得到包含局部信息、全局信息和卷积特征信息的长短时特征信息。构建联合信息矩阵的表示如下:
第四层为CRF层。在序列趋势预测中,相邻的数据具有很强的依赖性,因此联合解码比做独立判断模型更为有效。CRF层的数据是状态概率矩阵和长短时记忆层输出的状态概率矩阵,计算输出给定时间点的,其中,r是CRF层输出数据。
根据本发明的一种实施方式,在上述e步骤中,PSV-CNN-CRF联合模型选择连续200个交易日45类商品6000个物价时序数据序列进行实验,数据规模约480万条。其中的实验效果评价机制采用二分类法评价方法,选择KNN(K-NearestNeighbor)、SVM(support vectormachines)、CNN和CRF四种方法作为基线对比方法,P代表精确率,R代表召回率,F1代表均衡平均数。对比情况如下表1所示:
表1
整体来看,PSV-CNN-CRF相较于基线对比模型效果较好,趋势判断的准确率提高了四个百分点,应用效果也取得了较好的提升。
根据本发明的上述方案,本发明结合趋势判别任务和商品价格等时序数据特点,提出了PSV-CNN-CRF趋势预测方法(即基于时间序列的数据趋势预测方法),该方法按照时序数据结构特征对时序数据进行了图像化数据转换,通过卷积采样学习提取数据趋势特征,并结合时序规律信息对数据趋势进行了预测。该方法的主要创新点有三项,一是PSV-CNN-CRF方法结合经济类数据的自身数据结构和分布特点,进行了PSV序列数据转换,有效的解决了深度学习过程中时序数据预处理的问题;二是PSV-CNN-CRF方法有效的按照时序数据结构特点提取卷积采样数据特征进行分类判别,效果较已有的分类和判别方法有明显提升;三是PSV-CNN-CRF方法结合矩阵数据卷积特征和序列状态传播特征对数据趋势判别任务进行增强。PSV-CNN-CRF在实验和工程实践中进行了验证并取得了较好的效果。
为了实现本发明的目的,本发明还提供一种基于时间序列的数据趋势预测系统,具体结构框图如图10所示,具体包括:
图像数据转换模块,将历史时间序列数据转换为可视化的时间序列图像数据;
矩阵数据转换模块,将时间序列图像数据转换为矩阵数据;
数据趋势特征提取模块,采用支持输入多变量数据的卷积神经网络模型提取矩阵数据的数据趋势特征;
数据趋势预测模型构建模块,根据数据趋势特征构建基于条件随机场的联合时序数据趋势预测模型;
数据趋势预测结果输出模块,向联合时序数据趋势预测模型中输入待预测时间序列数据,输出时间序列数据趋势预测结果。
根据本发明的一种实施方式,在图像数据转换模块和矩阵数据转换模块中,利用python的seaborn包绘制热力图,实现数据的图像可视化,通过数据转换将时间序列数据转换为时间序列图像式的数据结构。这部分的主要目的是通过数据转换将时间序列数据转换为更有效和可分析的数据结构。时间序列可以以相对简单的方式直接转换为目标数据格式。在深度学习卷积神经网络分析方法中,将开盘价,收盘价,最高价和最低价可视化,然后将时间序列可视化的二维图像用作模型的输入。可视化的CNN模型图像如图2所示。
经过数据转换之后,卷积神经网络在图像识别中的特征获取和分类能力可帮助完成特征提取和数据趋势预测任务。如此方案,一是可以通过数据转换输入更多的技术指标,二是可以应用于更经济的数据趋势预测和分类任务。三是结合序列组合进行多序列数据分析。
时间序列数据的数据转换研究需要从时间序列数据本身的特征出发,以便获得最适合时间序列数据的编码转换方法。在传统的时序数据分析中,时序数据的时间特点是时序数据独有的特点。以商品价格数据为例,如果按月提取数据,则会发现该数据具有12个月的周期,并且每12个月的间隔之间的数据之间存在显着的相关性;按日抽取的数据也具备这样的特点,每20天的数据存在有显著的关联关系和波动相似性。基于这样的时序数据规律,可以根据季节定律来重塑时间序列数据的数据结构。以某监测点商品价格数据集为例,将同一时间点上的价格数据(Price Data)、销量数据(Sales Data)、价值数据(ValueData)组合构建PSV三维数据组。在本实施方式中,从数据集某个时间序列中抽取连续400个时序数据,构建*3的实验时间序列矩阵。结合目标数据集的时间特点,将实验序列矩阵转换为的矩阵数据,在20*20*3中,第一个20表示20个月,之后20*3表示一个月采集20条数据,共采集3个月的数据。转换后的数据可以通过图像进行表达,每个图像含有个像素数据。数据示意如图3,图3是经数据预处理后的图像。
以上是PSV矩阵的构建过程。经过转换之后,可以将数据输入至卷积神经网络以进行进一步的分析和计算。与现有技术中的序列深度学习方法不同,卷积神经网络可以对数据的全局信息进行归纳和规律挖掘。
根据本发明的一种实施方式,在数据趋势特征提取模块中,采用多变量的CNN模型进行数据分析研究,提取所述矩阵数据的数据趋势特征。具体地, CNN模型可以支持并行输入多变量数据,例如图像数据R-G-B三分量数据。多元CNN时间序列分析模型可以充分发挥CNN在多通道并行数据处理中的性能优势。
如前所述,本发明已经将时序数据通过PSV转化为多变量的并行矩阵式数据,因此可以采用多变量的CNN模型进行数据分析研究。CNN通过卷积滤波和数据采样能够很好的表达整体序列数据的全局规律情况。
CNN模型的数学表达式包括:
其中g,h为分类类别,且,Yg为第g个分类类别的输出值,softmax(Yg)为分类类别为g的概率,在测试模型时,softmax层取softmax(Y1),softmax(Y2),…,softmax(Yh)中数值最大的类别作为样本的预测标签。
实验研究的CNN模型算法如下:
CNN模型在实验数据集上表现符合效果良好。训练数据集含有商品价格图像式数据300张,其中50张为夹杂噪音数据的商品价格图像式数据,模型的任务是需要从这300张矩阵数据中识别出噪音数据矩阵。训练和实验结果情况如图4、图5、图6和图7所示,经500轮次训练可达到98.94%准确度和0.96的F1评分。
经实验验证,基于PSV-CNN的判别矩阵是有效的,该模型可以有效的提取时序数据卷积特征,可以有效结合全局信息实现矩阵数据图像的分类。
根据本发明的一种实施方式,在数据趋势预测模型构建模块中,定义时间序列数据条件随机场(TMS-CRF)的基础参数,假设观察特征时间序列数据为,状态特征时间序列数据为,是在给定的条件下的条件概率分布。TMS-CRF方法的主要问题均是围绕条件概率模型展开的。
一般情况下,TMS-CRF中的状态特征时间序列是隐性状态时间序列,其可以构成一个无向图,其中V表示结点的集合,E表示边的集合。TMS-CRF是满足MRF的特征的,即对任意结点𝑣成立的条件概率分布条件随机场,可以表达为式一:,式中 表示在无向图中与所有状态点和所有状态点的连接关系,为所有状态点和所有状态点的非连接关系,是在给定的条件下的条件概率分布,为输入向量,表示观察特征时间序列数据,;为是输出变量,表示状态特征时间序列数据,;
可以进行推导证明,TMS-CRF是满足MRF的成对、局部和全局三项马尔科夫性质的。基于TMS-HMM-Chain和三项马尔科夫性质,我们可以将式一进一步推导成以下形式:
图8和图9是TMS-CRF的两种结构示意图。
在这样的问题和无向图结构下,对时间序列条件随机场TMS-CRF的三个核心问题进行逐步讨论。首先构建关联函数,在图8的情况下,TMS-CRF的第一个核心问题是条件概率计算的问题,即对于观察特征时间序列数据和状态特征时间序列数据计算出该模型的条件概率分布。在时间点该条件概率可以表达为,其前序时间点的条件概率可以表达为,以及和之间的概率情况。进一步构建矩阵M阶矩阵,其中M取矩阵的特征数量值,观测序列x的每一个位置为i=1,2,..n+1,在状态链两头分别加入两个状态y0=start,yn+1=stop作为起始状态和终止状态:
矩阵元素为:
将转移特征和状态特征及其权值用统一的符号表示,设K1个转移特征,K2个状态特征,K=K1+K2,记:
然后,对转移特征与状态特征在各个位置i求和,记作:
其中,f是特征函数,yi-1和yi分别是观察特征时间序列Yi-1和Yi的取值,wk代表fk的权重,Wi表示时间点i对应的权重参数;tk是转移特征,依赖于当前位置和前一个位置,k代表转移特征的数量;sl是状态特征,依赖于当前位置,l代表状态特征的数量;w代表权重。
在本实施方式中,TMS-CRF的条件概率计算问题,即为计算上述条件概率及其期望的问题。TMS-CRF的条件概率计算问题可以采用前向后向联合算法(Forward-BackwardAlgorithm)进行计算。在原有状态链前后各加入一个状态y0=start和yn+1=stop分别作为起始状态和终止状态,对于每一个指标,定义前向过程向量和后向过程向量,对于和时刻,存在:
其中T表示转置;
进一步简化得到:
其中(x)代表在位置i时状态为yi且从位置1到位置i的状态序列的非规范化概率,因为yi的取值有m个所以(x)为m维列向量;后向向量(x)表示在位置i时状态为yi且从位置i+1到位置n的状态序列的非规范化概率;
由此可以开展TMS-CRF的条件概率计算问题和期望计算的问题。
由前向向量和后向向量的定义,可得出在给定观察值x的条件下,在位置i对应状态yi在位置i-1对应状态为yi-1的条件概率:
其可用于学习过程的似然函数对数表示为:
学习任务可以描述为,求得某一矩阵使得。我们可以采用改进的迭代尺度法(Improved Iterative Scaling,IIS)、梯度下降法(Gradient descent,GD)以及拟牛顿L-BFGS(Quasi-Newton Limited Memory BFGS Methods)算法进行学习训练。在采用L-BFGS方法下问题可以转换为期望值损失最低的问题,其损失函数为:
根据本发明的一种实施方式,在数据趋势预测模型构建模块中,构建的联合时序数据趋势预测模型包括:数据预处理层、卷积层、长短时记忆层和条件随机场算法层。在本实施方式中,构建联合时序数据趋势预测模型(即PSV-CNN-CRF联合模型),以实现对目标时序数据趋势的预测判断任务。实验数据集是商品价格数据集,分析任务为对目标时间点的物价变化趋势进行判定,变化趋势包括上涨、下跌和平稳三个状态。联合模型在对数据集进行补全之后,通过PSV转换方法对数据进行预处理,之后利用卷积层进行卷积特征提取,利用长短时记忆层进行长程关联性关系提取,最后通过条件随机场算法层来进行目标时间数据状态的概率判定。
在本实施方式中,整体模型主要分为上述四层。接下来结合具体的参数表达对各层的任务进行介绍。
记物价数据集中某一类商品A的价格数据为:
在相同时间戳条件下,引入更多观测变量序列,该商品的销量数据和销售价值数据:
上述序列波动率归一化序列分别简记为:
在相同时间戳条件下,下一时间点的趋势变化状态序列为:
状态序列简记为:
模型的第一层为数据的预处理,即将数据通过PSV转换为结构友好且可分析的矩阵数据。对于商品A,构建其PSV矩阵:
第二层为数据的卷积层,用来捕捉感受野范围内的特征数据。卷积层中有两个输出,一个是按照时间序列排列卷积形成的特征数据,另一个是对目标序列的分类结果。卷积神经网络共设置两层,每层设置两个的卷积器,每两个卷积器之后设置一个池化器。其中第一个卷积器产生的数据为模型采样提取的特征数据。
将卷积的分类过程记为,卷积提取特征值过程记为。其中分类过程会根据商品价格的波动性进行商品分类。是对PSV矩阵的进一步卷积处理,卷积得到的特征矩阵记为。在模型中,未解决矩阵边缘感受野范围与矩阵内部感受野不用的问题,需要在PSV矩阵边缘增加补充变量,将的数据矩阵规模转换为矩阵规模,以保证卷积特征提取的序列长度与原输入保持一致。分类器和独立进行训练。
第三层为数据的长短时记忆层,数据的输入除原始序列之外,还补充了卷积形成的特征数据序列和分类数据集的平均波动数据序列,通过长短时记忆网络的训练和计算,可以得到包含局部信息、全局信息和卷积特征信息的长短时特征信息。构建联合信息矩阵的表示如下:
第四层为CRF层。在序列趋势预测中,相邻的数据具有很强的依赖性,因此联合解码比做独立判断模型更为有效。CRF层的数据是状态概率矩阵和长短时记忆层输出的状态概率矩阵,计算输出给定时间点的,其中,r是CRF层输出数据。
根据本发明的一种实施方式,在数据趋势预测结果输出模块中,PSV-CNN-CRF联合模型选择连续200个交易日45类商品6000个物价时序数据序列进行实验,数据规模约480万条。其中的实验效果评价机制采用二分类法评价方法,选择KNN、SVM、CNN和CRF四种方法作为基线对比方法,对比情况如上表1所示。
整体来看,PSV-CNN-CRF相较于基线对比模型效果较好,趋势判断的准确率提高了四个百分点,应用效果也取得了较好的提升。
根据本发明的上述方案,本发明结合趋势判别任务和商品价格等时序数据特点,提出了PSV-CNN-CRF趋势预测系统(即基于时间序列的数据趋势预测系统),该系统按照时序数据结构特征对时序数据进行了图像化数据转换,通过卷积采样学习提取数据趋势特征,并结合时序规律信息对数据趋势进行了预测。该方法的主要创新点有三项,一是PSV-CNN-CRF方法结合经济类数据的自身数据结构和分布特点,进行了PSV序列数据转换,有效的解决了深度学习过程中时序数据预处理的问题;二是PSV-CNN-CRF方法有效的按照时序数据结构特点提取卷积采样数据特征进行分类判别,效果较已有的分类和判别方法有明显提升;三是PSV-CNN-CRF方法结合矩阵数据卷积特征和序列状态传播特征对数据趋势判别任务进行增强。PSV-CNN-CRF在实验和工程实践中进行了验证并取得了较好的效果。
为实现本发明的目的,本发明还提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述基于时间序列的数据趋势预测方法。
为实现本发明的目的,本发明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计算机程序,计算机程序被处理器执行时实现上述基于时间序列的数据趋势预测方法。
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模块及算法步骤,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发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
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发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块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取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对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,而不应对本发明实施例的实施过程构成任何限定。
Claims (10)
1.基于时间序列的数据趋势预测方法,其特征在于,包括:
将历史时间序列数据转换为可视化的时间序列图像数据;
将所述时间序列图像数据转换为矩阵数据;
采用支持输入多变量数据的卷积神经网络模型提取所述矩阵数据的数据趋势特征;
根据所述数据趋势特征构建基于条件随机场的联合时序数据趋势预测模型;
向所述联合时序数据趋势预测模型中输入待预测时间序列数据,输出时间序列数据趋势预测结果。
4.根据权利要求1所述的基于时间序列的数据趋势预测方法,其特征在于,所述条件随机场中的状态特征时间序列是隐性状态时间序列,其构成一个无向图,其中V表示结点的集合,E表示边的集合,对任意结点V成立的条件概率分布条件随机场,表达为式一:,式中 表示在无向图中与所有状态点和所有状态点的连接关系,为所有状态点和所有状态点的非连接关系,是在给定的条件下的条件概率分布,为输入向量,表示观察特征时间序列数据,;为是输出变量,表示状态特征时间序列数据,;
基于构建时间序列数据的隐马尔可夫链和三项马尔科夫性质,对所述式一进一步推导为:
矩阵元素为:
将转移特征和状态特征及其权值用统一的符号表示,设K1个转移特征,K2个状态特征,K=K1+K2,记:
然后,对转移特征与状态特征在各个位置i求和,记作:
其中,f是特征函数,yi-1和yi分别是观察特征时间序列Yi-1和Yi的取值,wk代表fk的权重,Wi表示时间点i对应的权重参数;tk是转移特征,依赖于当前位置和前一个位置,k代表转移特征的数量;sl是状态特征,依赖于当前位置,l代表状态特征的数量;w代表权重。
5.根据权利要求4所述的基于时间序列的数据趋势预测方法,其特征在于,所述条件随机场采用前向后向联合算法计算条件概率,包括:
其中T表示转置;
进一步简化得到:
其中(x)代表在位置i时状态为yi且从位置1到位置i的状态序列的非规范化概率,因为yi的取值有m个所以(x)为m维列向量;后向向量(x)表示在位置i时状态为yi且从位置i+1到位置n的状态序列的非规范化概率;
根据前向后向过程,概率计算符合规律Z(x):
由此开展所述条件随机场的条件概率计算和期望计算为:
由前向向量和后向向量的定义,得出在给定观察值x的条件下,在位置i对应状态yi在位置i-1对应状态为yi-1的条件概率:
7.根据权利要求6所述的基于时间序列的数据趋势预测方法,其特征在于,所述联合时序数据趋势预测模型包括:数据预处理层、卷积层、长短时记忆层和条件随机场算法层;
所述数据预处理层先将时间序列数据转换为时间序列图像数据,再将时间序列图像数据转换为矩阵数据;
所述卷积层用来捕捉感受野范围内的特征数据,所述卷积层中有两个输出,一个是按照时间序列排列卷积形成的特征数据,另一个是对目标序列的分类结果;卷积神经网络共设置两层,每层设置两个的卷积器,每两个卷积器之后设置一个池化器,其中第一个卷积器产生的数据为模型采样提取的特征数据;
所述长短时记忆层对数据进行训练和计算,得到包含局部信息、全局信息和卷积特征信息的长短时特征信息;
8.基于时间序列的数据趋势预测系统,其特征在于,包括:
图像数据转换模块,将历史时间序列数据转换为可视化的时间序列图像数据;
矩阵数据转换模块,将所述时间序列图像数据转换为矩阵数据;
数据趋势特征提取模块,采用支持输入多变量数据的卷积神经网络模型提取所述矩阵数据的数据趋势特征;
数据趋势预测模型构建模块,根据所述数据趋势特征构建基于条件随机场的联合时序数据趋势预测模型;
数据趋势预测结果输出模块,向所述联合时序数据趋势预测模型中输入待预测时间序列数据,输出时间序列数据趋势预测结果。
9.电子设备,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7中任一项所述的基于时间序列的数据趋势预测方法。
10.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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于时间序列的数据趋势预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492350.0A CN114118622A (zh) | 2021-12-08 | 2021-12-08 | 基于时间序列的数据趋势预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492350.0A CN114118622A (zh) | 2021-12-08 | 2021-12-08 | 基于时间序列的数据趋势预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118622A true CN114118622A (zh) | 2022-03-01 |
Family
ID=80363335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111492350.0A Pending CN114118622A (zh) | 2021-12-08 | 2021-12-08 | 基于时间序列的数据趋势预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118622A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116471307A (zh) * | 2023-06-20 | 2023-07-21 | 北京中科朗易科技有限责任公司 | 物联网异构数据级联传输方法、装置、设备及介质 |
WO2023165145A1 (zh) * | 2022-03-02 | 2023-09-07 | 北京沃东天骏信息技术有限公司 | 时序流量预测方法及装置、存储介质及电子设备 |
CN117113262A (zh) * | 2023-10-23 | 2023-11-24 | 北京中科网芯科技有限公司 | 网络流量识别方法及其系统 |
CN117391125A (zh) * | 2023-12-08 | 2024-01-12 | 成都星幔长庚科技有限公司 | 一种基于神经网络的数据处理方法及系统 |
CN117557299A (zh) * | 2024-01-11 | 2024-02-13 | 天津慧聪科技有限公司 | 基于计算机辅助的营销策划方法及系统 |
-
2021
- 2021-12-08 CN CN202111492350.0A patent/CN114118622A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023165145A1 (zh) * | 2022-03-02 | 2023-09-07 | 北京沃东天骏信息技术有限公司 | 时序流量预测方法及装置、存储介质及电子设备 |
CN116471307A (zh) * | 2023-06-20 | 2023-07-21 | 北京中科朗易科技有限责任公司 | 物联网异构数据级联传输方法、装置、设备及介质 |
CN116471307B (zh) * | 2023-06-20 | 2023-08-22 | 北京中科朗易科技有限责任公司 | 物联网异构数据级联传输方法、装置、设备及介质 |
CN117113262A (zh) * | 2023-10-23 | 2023-11-24 | 北京中科网芯科技有限公司 | 网络流量识别方法及其系统 |
CN117113262B (zh) * | 2023-10-23 | 2024-02-02 | 北京中科网芯科技有限公司 | 网络流量识别方法及其系统 |
CN117391125A (zh) * | 2023-12-08 | 2024-01-12 | 成都星幔长庚科技有限公司 | 一种基于神经网络的数据处理方法及系统 |
CN117391125B (zh) * | 2023-12-08 | 2024-03-01 | 成都星幔长庚科技有限公司 | 一种基于神经网络的数据处理方法及系统 |
CN117557299A (zh) * | 2024-01-11 | 2024-02-13 | 天津慧聪科技有限公司 | 基于计算机辅助的营销策划方法及系统 |
CN117557299B (zh) * | 2024-01-11 | 2024-03-22 | 天津慧聪科技有限公司 | 基于计算机辅助的营销策划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghaderizadeh et al. | Hyperspectral image classification using a hybrid 3D-2D convolutional neural networks | |
CN114118622A (zh) | 基于时间序列的数据趋势预测方法和系统 | |
Kumar et al. | Performance evaluation of classifiers for the recognition of offline handwritten Gurmukhi characters and numerals: a study | |
Yang et al. | A dynamic subspace method for hyperspectral image classification | |
Richman | AI in actuarial science | |
Wang et al. | Adaptive feature fusion for time series classification | |
Zhou et al. | Data preprocessing strategy in constructing convolutional neural network classifier based on constrained particle swarm optimization with fuzzy penalty function | |
CN111339978A (zh) | 利用卷积神经网络模型识别交通指数时间序列模式的方法 | |
Li et al. | Multivariate financial time-series prediction with certified robustness | |
Ma et al. | Echo memory-augmented network for time series classification | |
He et al. | CECAV-DNN: Collective ensemble comparison and visualization using deep neural networks | |
Goumiri et al. | A new hybrid model of convolutional neural networks and hidden Markov chains for image classification | |
Koskela | Neural network methods in analysing and modelling time varying processes | |
Bharambe et al. | Used car price prediction using different machine learning algorithms | |
Pal | Factors influencing the accuracy of remote sensing classifications: a comparative study | |
Sarang | Thinking Data Science: A Data Science Practitioner’s Guide | |
Jeyalakshmi et al. | Accurate liver disease prediction system using convolutional neural network | |
US20230097940A1 (en) | System and method for extracting and using groups of features for interpretability analysis | |
Wu | Predictions of cryptocurrency prices based on inherent interrelationships | |
Nsimba et al. | An information-theoretic wavelet-based texture descriptor using Gaussian Markov random field models | |
Sbrana et al. | N-BEATS perceiver: a novel approach for robust cryptocurrency portfolio forecasting | |
Zhao et al. | Financial time series data prediction by combination model Adaboost-KNN-LSTM | |
Shah et al. | Study of various dimensionality reduction and classification algorithms on high dimensional dataset | |
Hasan et al. | A Comparative Study of Hybrid Dimension Reduction Techniques to Enhance the Classification of High-Dimensional Microarray Data | |
Rychlewski | Hyperspectral image classification of satellite images using compressed neural networks |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |