CN114881354A - 预测多元时间序列的方法及装置 - Google Patents
预测多元时间序列的方法及装置 Download PDFInfo
- Publication number
- CN114881354A CN114881354A CN202210605502.1A CN202210605502A CN114881354A CN 114881354 A CN114881354 A CN 114881354A CN 202210605502 A CN202210605502 A CN 202210605502A CN 114881354 A CN114881354 A CN 114881354A
- Authority
- CN
- China
- Prior art keywords
- time
- tensor
- time sequence
- dimensional
- coding
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
Abstract
本说明书实施例提供一种预测多元时间序列的方法及装置,针对各个业务主体的历史时间序列,一方面进行时序编码,另一方面进行周期编码,从而从时序和周期两方面挖掘数据之间的关联性。在时序预测过程中,将时序编码、周期编码两方面的数据融合解码,得到相应的解码张量,并将解码张量与时序特征张量一起用于预测多元时间序列。该方式能够自适应地挖掘时序、周期之间的关联关系,更灵活地提供更准确的时序预测结果。
Description
技术领域
本说明书一个或多个实施例涉及计算机技术领域,尤其涉及预测多元时间序列的方法及装置。
背景技术
时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。时间序列预测可以适用于各种场景,例如商品超市的客流量的时间序列预测,金融服务的资金时间序列预测,云计算中所需要的计算资源流量的预测,物流需求、智能电网中的电力消耗预测,等等。预测结果例如可以服务于商业决策。
多元时间序列是指将多组长度一致的时间段内关于同一统计指标的数值按其发生的时间先后顺序排列而成的数列。多元序列预测在多种场景中都有需求,例如:多种商品的销量的时间序列预测;金融中的多个渠道资金时间序列预测;云计算中所需要的多种计算资源流量预测;等等。经典预测方法例如有基于计量经济学中协整概念的VAR向量自回归模型等实现的方法。这些方法通常基于较强的统计学假设。然而,现实世界中的数据分布更加复杂,例如在金融场景中,不同金融数据之间的数据分布错综复杂,而且不同时序之间往往具有不同的周期特性。因此,如何挖掘多元时序之间的复杂关系,是多元时间序列预测过程中的重要问题。
发明内容
本说明书一个或多个实施例描述了一种预测多元时间序列的方法及装置,用以解决背景技术提到的一个或多个问题。
根据第一方面,提供一种预测多元时间序列的方法,用于预测多个业务主体的时间序列,所述方法包括:从采样于所述多个业务主体的各条历史业务数据分别对应的各个历史多元时间序列中提取时序特征张量,所述时序特征张量对应有业务数据记录、时间、特征值三个维度;按照时间维度的周期性对所述时序特征张量进行时序周期处理,得到在所述三个维度上的周期编码张量;通过所述时序编码模块对各条历史业务数据进行时序编码,得到所述三个维度上的时序编码张量;基于所述时序解码模块对所述时序编码张量和周期编码张量进行的融合、解码处理,得到对应于所述三个维度的解码张量;根据所述时序特征张量和所述解码张量,经由所述预测模块预测多个业务主体对应的多元时间序列。
在一个实施例中,在所述时序特征张量的特征值维度上,包括针对时间信息进行嵌入得到的多维时间嵌入特征,以及历史多元时间序列中的业务特征。
在一个实施例中,所述时间信息对应有多个时间层次。
在一个实施例中,所述按照时间维度的周期性对所述时序特征张量进行时序周期处理,得到在所述三个维度上的周期编码张量包括:根据预定周期窗口沿时间维度分割所述时序特征张量,以将所述时序特征张量重组为周期特征张量;通过第一循环神经网络依次处理所述周期特征张量中各个周期单位一一对应的各个二维周期特征张量,得到的各个编码张量按次序排列为所述周期编码张量。
在一个进一步的实施例中,所述周期特征张量与所述时序特征张量相比,在时间维度上对应有第一数量的周期单位,且在历史业务数据记录维度上的单位数增加为第二数量,所述第一数量为所述时序特征张量在时间维度上的时间单位数除以所述预定周期窗口的商,所述第二数量为业务主体数量与所述预定周期窗口的乘积。
在一个实施例中,单个历史时间序列由多个时间单位的业务数据构成;所述对各条历史业务数据进行时序编码,得到所述三个维度上的时序编码张量包括:通过第二循环神经网络依次处理在各个时间单位上所述多个业务主体的业务数据构成的二维业务张量,得到各个二维时序编码张量;基于各个二维时序编码张量沿时间维度的依次排列,得到所述时序编码张量。
在一个实施例中,所述对所述时序编码张量和周期编码张量进行的融合、解码处理,得到对应于所述三个维度的解码张量包括:将所述时序编码张量和所述周期编码张量沿时间维度,按照各个时间单位进行融合,得到对应于所述三个维度的融合张量;利用第三循环神经网络按照时间维度依次处理融合张量中的各个时间单位分别对应的二维张量,得到所述解码张量。
在一个进一步的实施例中,所述时序编码张量和所述周期编码张量单个时间单位上的融合通过拼接方式实现。
在另一个进一步的实施例中,所述时序编码张量和所述周期编码张量在单个时间单位上的融合通过以下方式实现:基于自注意力机制处理所述单个时间单位上的二维时序编码张量,得到单个二维注意力张量;将所述单个二维注意力张量与所述周期编码张量在所述单个时间单位上的二维周期编码张量进行融合,得到单个二维的融合张量。
在一个更进一步的实施例中,单个二维注意力张量与单个二维周期编码通过以下之一的方式进行融合:将单个二维周期编码张量与单个二维注意力向量进行拼接;将单个二维注意力向量与单个二维周期编码张量中的元素一一对应相乘。
在一个实施例中,所述根据所述时序特征张量和所述解码张量,预测所述多个业务主体对应的多元时间序列包括:将所述时序特征张量和所述解码张量拼接为预测张量;基于注意力机制处理所述预测张量,得到对应于时间和特征二个维度的二维多元时间序列。
根据第二方面,提供一种预测多元时间序列的装置,用于通过预测模型同时预测多个业务主体的时间序列,其中,所述预测模型包括时序编码模块、时序周期处理模块、时序解码模块和预测模块;所述装置包括:
特征提取单元,配置为从采样于所述多个业务主体的各条历史业务数据分别对应的各个历史多元时间序列中提取时序特征张量,所述时序特征张量对应有业务数据记录、时间、特征值三个维度;
周期编码单元,配置为按照时间维度的周期性对所述时序特征张量进行时序周期处理,得到在所述三个维度上的周期编码张量;
时序编码单元,配置为对各条历史业务数据进行时序编码,得到所述三个维度上的时序编码张量;
解码单元,配置为对所述时序编码张量和周期编码张量进行融合、解码处理,得到对应于所述三个维度的解码张量;
预测单元,配置为根据所述时序特征张量和所述解码张量,预测多个业务主体对应的多元时间序列。
根据第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面的方法。
根据第四方面,提供了一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面的方法。
通过本说明书实施例提供的方法和装置,在预测多元时间序列的过程中,在从采样于各个业务主体的各条历史业务数据分别对应的各个历史时间序列中提取相应的时序特征后,一方面基于时序特征确定与时序周期相关的三维编码张量,另一方面基于时序特征确定时序的三维编码张量,再将周期相关的三维编码张量和时序的三维编码张量融合,并对融合结果进行解码处理,得到三维的解码张量。然后,将该解码张量与所提取的初始的时序特征通过注意力机制融合,得到针对多个业务主体预测的多元时间序列。这种技术构思充分挖掘时间序列的周期性,以及各个时间序列之间的关联关系,避免通过强假设的标准化流程,从而可以适应现实中各种复杂的时序分布情形,提高多元时序预测的准确性和灵活性。
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的前提下,还可以根据这些附图获得其它的附图。
图1示出本说明书的一个实施架构示意图;
图2示出根据一种改进的预测多元时间序列的方法流程图;
图3示出三维张量的一个具体例子示意图;
图4示出根据一个具体例子的解码处理架构示意图;
图5示出根据一个实施例的预测多元时间序列的装置的示意性框图。
具体实施方式
下面结合附图,对本说明书提供的技术方案进行描述。
可以理解,业务主体可以是一个能够独立区分和统计相应业务的实体,例如一个店铺、一类商品、以区域为单位的商品或店铺,等等。单个业务主体在单个时间段内可以对应着预定业务指标上的业务量(或其他业务数据)。多个时间段的业务量可以构成时间序列,也可以简称“时序”。其中,采样时间序列的各个时间段可以是连续的,也可以断续的,本说明书对此不做限定。例如,在一个实施例中,单个时间段为一周,连续多周的数据构成时间序列,在另一个实施例中,单个时间段为周一一天,多个周一的数据构成时间序列,但相邻两个周一之间是断续的。在某个时间点之前已经产生的时间序列,相对于该时间点及其后的时间点可以称为历史时间序列。
多个业务主体在相同的多个时间段内关于同一业务指标的各个时间序列称为多元时间序列。已经产生的多元时间序列称为历史的多元时间序列。多元时间序列也可以看作张量。对历史的多元时间序列进行处理,预测未来的多元时间序列的过程为预测多元时间序列的过程。其中,根据具体业务场景的不同,预测多元时间序列过程中的业务主体也不同。举例而言,在购物平台场景下,多个业务主体可以是各个商品,相应的业务指标例如是销量,相应时间段可以是一周、一天、一个月等,则多个时间段内的具体销量(即业务量)可以构成时间序列。类似地,在投资理财场景下,多个业务主体可以是各种投资渠道或者各种理财产品,如保险、基金、定存、股票等,或者保险的险种、基金种类、银行定存产品种类、股票主体等,时间序列所描述的业务指标可以为投资金额、投资比例、投资用户数量等。单个业务指标对应的具体数值(业务量)构成时间序列。在其他业务场景下,时间序列还可以描述其他业务主体在其他业务指标上的业务量,例如可以针对同一类商品(如刷子、牙膏等),通过点击量、销量、浏览量等业务指标上的业务量构成时间序列,在此不再一一赘述。
常规技术在多元时间序列预测场景中,可以通过基于计量统计学的向量自回归模型(VAR模型)等,估计联合内生变量的动态关系,而不带事先约束条件。以VAR模型为例,是基于数据的统计性质建立模型,把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型,从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。但是VAR模型依赖于多元时序之间需要满足“协整”关系——如果所考虑的时间序列具有相同的单整阶数,且某种线性组合(协整向量)使得组合时间序列的单整阶数降低,则称这些时间序列之间存在显著的协整关系。因此,VAR模型需要较强的统计学假设。然而现实世界中的数据分布更加复杂,而且一些时序数据往往满足一些周期特性。
有鉴于此,本说明书提供一种预测多元时间序列的技术构思,基于神经网络、注意力机制等构建新的预测模型架构,既分析时序本身的特征,又挖掘时序中包含的周期特征。可选地,可以利用注意力机制将数据按照重要程度进行融合。这种技术构思可以自适应地挖掘多元时序数据中的各种关联关系,从而更加适应现实中错综复杂的数据分布,提供更好的时序预测效果。
图1示本说明书技术构思下的一个实施架构示意图。如图1所示,该实施架构下,假设可以为多个业务主体预测相应的时间序列,即预测多元时间序列。首先,这多个业务主体可以各自对应有历史时间序列。根据图1可以看出,对历史时间序列的处理分为两方面。一方面,对各条历史时间序列进行编码(如通过RNN网络之类的时序编码模块实现),得到时序编码张量。时序编码张量包含了各条历史时间序列各自的时序特点。另一方面,通过单个历史时间序列可以通过嵌入(embedding)得到二维的时序特征张量,多个业务主体各自对应的二维时序特征张量可以构成三维的时序特征张量。进一步地,将时序特征序列经由时序周期处理模块(如为RNN网络)进行处理,得到周期编码张量。周期编码张量充分挖掘各条历史时间序列的周期性特征。
可以理解,时序编码张量和周期编码张量都具有历史业务数据记录维度、时间维度、特征值维度(相应神经元的输出维度)三个维度,即均为三维张量。其中,时序编码张量在时间维度上可以对应着时间序列对应的时间点或时间段(如记为time-steps)作为时间单位。
然后,可以对时序编码张量和周期编码张量进行解码处理,得到解码张量。在一个可能的设计中,对时序编码张量和周期编码张量的解码处理过程中,基于注意力机制对各个数据元素进行不同偏重的关注。如图1所示,在一个实施例中,可以对时序编码张量以自注意力机制进行处理,挖掘其中的相互关联关系,得到注意力张量。该注意力张量用于对周期编码张量进行解码。例如,可以将周期编码张量在时间维度上展开,并循环解码,如通过循环神经网络,一次解码一个时间单位对应的二维周期编码张量。在解码时,可以将注意力向量与相应的二维度张量进行融合(如拼接concat等),并利用解码网络(如RNN网络)处理拼接后的张量,得到解码的二维张量。将各个解码结果按照时间步维度拼接在一起,则形成三维的解码张量。
更进一步地,解码张量可以和时序特征张量一起进行更加深度的融合,从而输出针对多个业务主体预测得到的多元时间序列,即预测时序。
这种处理方式充分挖掘时序中的周期特征,从而和历史时间序列的时序特征张量一起得到多元时间序列的预测结果,挖掘时序中体现出的更多数据关联性,进而提高多元预测在各种复杂分布中的适应性和预测准确度。可选地,还可以引入注意力机制,挖掘特征相互贡献的重要度,对各种特征进行更加细致的考量,进一步提高预测结果的准确性。
下面参考图2示出的一个具体例子,详细描述本说明书的技术构思。
图2示出的一个实施例的预测多元时间序列的流程。该流程的执行主体可以是具有一定计算能力的计算机、设备或服务器。该流程可以用于预测多个业务主体各自针对预定业务的时间序列。
如图2所示,该预测多元时间序列的流程可以包括以下步骤:步骤201,从采样于多个业务主体的各条历史业务数据分别对应的各个历史多元时间序列中提取时序特征张量,时序特征张量对应有业务数据记录、时间、特征值三个维度;步骤202,利用时序周期处理模块处理按照时间维度的周期性对时序特征张量进行时序周期处理,得到在三个维度上的周期编码张量;步骤203,通过时序编码模块对各条历史业务数据进行时序编码,得到三个维度上的时序编码张量;步骤204,基于时序解码模块对时序编码张量和周期编码张量进行的融合、解码处理,得到对应于三个维度的解码张量;步骤205,根据时序特征张量和解码张量,预测多个业务主体对应的多元时间序列。首先,在步骤201中,从采样于多个业务主体的各条业务数据分别对应的各个历史多元时间序列中提取时序特征张量。可以理解,在多元时间序列预测过程中,可以针对多个业务主体同时预测相应的时间序列。预测的初始数据(即输入数据)为各个业务主体分别对应的各个历史时间序列。
单个业务主体在顺次排列的历史多个预定时间单位(如时间点、时间段等)上分别对应的各条业务数据可以构成单个历史时间序列。单个预定时间单位可以根据业务需求设置,例如为一天、一周、一月等。多个时间单位可以是连续的,也可以是不连续的。以单个预定时间单位为1天为例,如采样连续多天销量,则对于单个商户作为业务主体的情况,可以将在连续多天(如60天)采样到的销量作为其历史时间序列,则多个时间单位是连续的;如仅采样周末的销量,则对于单个商户作为业务主体的情况,可以将在多个周末(如52个周末)采样到的销量作为其历史时间序列,则多个时间单位是不连续的。历史时间序列可以通过多维的向量、数组表示,也可以通过集合等表示,在此不做限定。
一条历史多元时间序列可以对应着多个业务主体在某个时间点采集的历史时间序列的组合。例如,多个业务主体为商品1、商品2、商品3,各自在时间点1对应着时间序列(a11,a12,a13)、(b11,b12,b13)、(c11,c12,c13),则相应的多元时间序列可以为特闷的拼接结果(a11,a12,a13,b11,b12,b13,c11,c12,c13)。
单条业务数据可以是对以上多个业务主体多次采样历史多元时间序列构成的数据。换句话说,单条业务数据可以包括多个时间点对应的多条历史多元时间序列。各条多元时间序列可以对应不同的采集时间,从而,在时间维度上排列,可以构成二维的业务数据。如表1所示,是单条业务数据的示意。
表1多元时间序列的业务数据示意
在表1中,每一行可以对应一个数据采集的时间点,在列的方向上(如竖向)形成时间维度。每一列可以作为一个特征,从而沿行的方向(横向)形成时序维度。值得说明的是,在时序维度上,还包括两列(时间中也可以是1列或两列以上)时间信息。这里的时间信息用于描述相应行的多元时间序列采集的时间(如前述的时间点1等)。例如,在列上对应两个时间信息,一个是一天中的时间(如time of day),另一个是一周中的时间(如day of week),业务数据中的第一行(如对应时间点1)可以包括时间信息(9点、周一)和多元时间序列。同理,第二行、第三行业务数据也可以包括时间信息和相应的多元时间序列。如此,一行数据可以称为一个时间单元(time-steps),但实际上行与行之间没有必然的时间排序关系。
根据表1可知,单条业务数据可以具有2个维度(分别对应行和列)。那么,多条业务数据排列在一起,可以形成三维数据(对应3个维度)。进一步地,通过历史时间序列可以提取相应的时序特征,时序特征如通过张量表示,称为时序特征张量。
由于单条业务数据中既包含时间信息又包含多元时序特征,因此,相应的时序特征可以包括时间相关特征和时序相关特征。为了更好地描述业务数据中的时间特征,可以将时间信息进行嵌入(embedding),得到预定维数的时间嵌入特征作为时间相关特征。例如表1中,对于第一行中的时间信息“9点”和“周一”进行嵌入,得到多维(如6维)时间特征,如为(t11,t12,t13,t14,t15,t16),等等。时序相关特征可以是多元时间序列本身,也可以是由多元时间序列进行嵌入得到的嵌入特征,这里统称为历史多元时间序列的业务特征。时间嵌入特征和业务特征一起构成时序特征张量中的特征维度,如一条业务数据的一行在时序特征张量中对应(t11,t12,t13,t14,t15,t16,a11,a12,a13,b11,b12,b13,c11,c12,c13)。
这样,一条业务数据的各行构成时间和特征2个维度上的张量,多条业务数据被提取特征后,构成业务数据记录、时间、特征3个维度上的时序特征张量。例如记为:(batch-size,time-steps,feat-dim),其中,batch-size、time-steps、feat-dim分别对应业务数据记录维度、时间维度、特征维度。图3示出了一个三维张量的示意图。如图3所示,三维张量可以包括三个维度上的数据。沿着时间维度的一个二维张量对应着一个时间单位(time-step),沿着业务数据记录的一个二维张量对应着一条业务数据。
接着,通过步骤202,按照时间维度的周期性对时序特征张量进行处理,得到三个维度上的周期编码张量。容易理解,事物在运动、变化过程中,通常会呈现一定的周期性。周期性是一种自然规律,例如时间具有昼夜、四季交替等周期性,地球转动具有周期性,人的生活习性、消费习惯等也可以具有周期性。进一步地,用于描述业务的时间序列也可以具有周期性。为了挖掘这种周期性,可以对时序特征张量进行编码,从而得到周期编码张量。
为了挖掘时序特征张量的周期性,可以将时序特征张量在时间维度上进行切分。例如可以将若干时间单位(以下可以称为周期窗口)划分为一个周期。也就是说,在时间维度上按照预定的周期窗口进行数据重组,一个周期窗口可以包含多个时间单位。其中,一个周期窗口包含多少个时间单位(即周期窗口)可以由用户根据经验确定,假设记为period-window-size,如对应表1中的多行。历史多元时间序列对应的时序特征张量例如共可以被划分为n个周期,如记为n-period,为了描述方便,可以称之为第一数量。第一数量根据初始的时间单位数和预定的周期窗口确定,如为time-steps除以period-window-size的商。
如此,时序特征张量经过周期划分处理后,原始的时间维度由周期单位代替时间单位,从而成为周期特征张量。由于时序特征张量的总维数不变,时间维度的维数减少,张量形状发生改变。如可以令业务数据记录维度的单元数增多,换句话说,相当于将时间维度的数据沿业务数据记录维度展平。例如三维张量可以从(batch-size,time-steps,feat-dim)变为(batch-size*period-window-size,n-period,feat-dim)。其中,业务数据记录维度的单元数由batch-size变为batch-size*period-window-size,如记为第二数量。该第二数量可以是业务主体数量与预定周期窗口的乘积。如此,周期特征张量与时序特征张量相比,总的元素数不变,而是通过在时间维度上取值变少(三维张量变薄)、业务数据记录维度上取值变多(三维张量变厚),从而在维持总体维数不变的情况下进行变形。
这样,时间维度上的一个周期单位对应着一个或多个时间周期的数据。一方面,一个周期单位的数据可以描述出数据在周期内的变化规律,例如某种商品的销量在三餐附近的时间点较高,其余时间点较低等。另一方面,多个周期单位的连续数据可能描述业务的长期变化特征,且靠前的周期对靠后周期的数据产生影响。因此,可以按照时间维度的周期性对周期特征张量进行处理,从中提取与周期相关的深层特征。这里,可以将这种深层特征成为编码特征。
在一个实施例中,按照时间维度的周期性对周期特征张量的处理例如可以通过循环神经网络(RNN)实现,这里称为第一循环神经网络。第一循环神经网络的神经元单次可以处理一个周期单位对应的数据。可以理解,周期维度的一个单位包括(batch-size*period-window-size,feat-dim)的二维矩阵张量,因此,第一循环神经网络的神经元单次可以处理一个二维周期特征张量。
第一循环神经网络对周期特征张量编码得到的周期编码张量仍然可以是一个三维张量,例如为业务数据、时间、特征三个维度上的三维张量,如记为(batch-size,time-steps,num-cells1)。其中,num-cells表示循环神经网络的输出维度,即编码特征维度,上标1代表第一循环神经网络,以与其他循环神经网络形成区分。这里经过编码时间维度重新恢复时间单位time-steps,可以理解为将周期编码张量的形状复原到与时序特征张量一致。
另一方面,经由步骤203,对各条历史业务数据进行时序编码,得到三个维度上的时序编码张量。由于历史多元时间序列描述了各个业务主体的时序变化,因此,也可以对其进行时序编码处理,来挖掘时序之间的前后关联特征。该步骤203例如通过第二循环神经网络实现。
根据一个实施例,各条业务数据中的历史多元时间序列构成三维数据阵列,第二循环网络可以沿时间维度对这些数据进行处理。例如可以将各个时间单位对应的数据依次通过第二循环神经网络进行处理,得到在业务数据、特征两个维度的二维编码张量。这样,N个时间单位可以得到相应的N个二维编码张量。N个二维编码张量依次排列在一起,可以构成形如(batch-size,time-steps,num-cells2)的三维编码张量,对应业务数据、时间、编码特征三个维度,作为时序编码张量。
根据另一个实施例,可以将各条业务数据排列为三维时序张量,并通过展开的循环神经网络(Unrolling-RNN)处理该三维时序张量。其中,展开循环神经网络的一个循环单元可以对应一个时间单位,用于处理相应时间单位对应的二维数据。这样,可以直接得到形如(batch-size,time-steps,num-cells2)的在业务数据记录、时间、编码特征三个维度上的三维编码张量,作为时序编码张量。
其中,以上的num-cells表示循环神经网络的输出维度,即编码特征维度,上标2可以表示是用于历史时间序列编码的循环神经网络,或称为第二循环神经网络,以与其他循环神经网络形成区分。在其他实施例中,还可以通过诸如卷积神经网络之类的其他网络编码时序特征,在此不再赘述。
在以上步骤201、步骤202、步骤203中,通过对各条业务数据按照周期进行编码或者按照其本身进行编码,挖掘历史时间序列中的数据前后关联性、时序特征的周期性、时序的周期关联性等,得到相应的周期编码张量和时序编码张量。值得说明的是,步骤201、步骤202是针对历史多元时间序列数据的周期编码步骤,步骤203是针对历史多元时间序列数据的时序编码步骤,针对多条业务数据中的历史多元时间序列,周期编码步骤和序列编码步骤可以并行进行、调换顺序执行,在此不做限定。
接着,在步骤204,对时序编码张量和周期编码张量进行融合、解码处理,得到对应于三个维度的解码张量。可以理解,编码是对历史多元时间序列的抽象,以提取历史多元时间序列中的隐藏特征,为了对多元时间序列进行预测,还需要对编码张量进行解码,得到相应的解码张量。时序编码张量和周期编码张量从不同角度反映历史多元时间序列中的业务数据的变化规律,因此,在解码过程中,可以将两者融合处理。
时序编码张量和周期编码张量的融合可以在时间维度上进行。例如,对应与同一个时间单位(如都是第一个)的二维张量融合在一起。再通过预先训练的解码器或解码网络处理该融合张量,从而得到解码张量。
根据一个可能的设计,时序编码张量和周期编码张量的融合例如通过拼接、对应加权求和等进行。其中,在拼接的方式下,例如可以在特征维度上拼接,也就是说,在单个时间单位上,时序编码张量中的二维张量和周期编码张量中的二维张量,在特征维度上扩展,使得特征维数增多。例如得到的融合张量为(batch-size,time-steps,num-cells1+num-cells2)。在对应加权求和的方式下,通常两者的特征维数一致。则可以在单个时间单位上,时序编码张量中的二维张量和周期编码张量中的二维张量对应进行加权求和,相当于融合张量中的各个特征均由时序编码张量中的相应特征与周期编码张量中的相应特征加权求和。
可以理解的是,融合张量是三维张量,因此,在一个可选的实现方式中,可以通过卷积神经网络等构造解码器或解码神经网络,处理融合张量,得到解码张量。另外,沿着时间步维度,可以看作多个二维张量构成的一系列数据,因此,在另一个可选的实现方式中,还可以通过循环神经网络沿着时间维度依次处理各个二维张量,从而得到解码张量。为了与前文的循环神经网络进行区别,这里的循环神经网络可以称为第三循环神经网络。
在另一个可能的设计中,在解码过程中,为了进一步挖掘时序数据中的重要性特征,还可以针对时序编码张量,基于自注意力机制处理各个时间单位上分别对应的各个二维时序编码张量,得到各个二维注意力张量。然后用第三循环神经网络依次处理各个二维注意力张量。在处理过程中,对于单个二维注意力张量,还融入周期编码张量在相应时间单位上的二维周期编码张量,以融合时序数据的周期特征。单个二维注意力张量和相应的单个二维周期编码张量可以通过以下之一的方式融合:将单个二维周期编码张量与单个二维注意力张量进行拼接;基于单个二维周期编码张量解码确定单个二维注意力张量中各个元素的权重参数,从而对单个二维注意力张量中各个元素按照相应权重参数进行修正。例如,将单个二维周期编码张量与单个二维注意力张量中各个元素一一对应相乘。
图4示出一种解码架构示意图。如图4所示,解码操作可以通过循环神经网络实现。该解码架构下,对时序编码张量沿时间维度拆分为各个二维时序编码张量。然后对拆分的各个二维周期编码张量各自通过注意力机制进行处理,得到相应的注意力张量。注意力机制是一种可以快速捕捉数据中包含的信息的处理机制。这里的注意力张量相当于提取了时序编码张量中的重要信息。可选地,这里可以采用自注意力机制(self attention),自注意力机制是注意力机制的改进,其减少了对外部信息的依赖,更擅长捕捉数据或特征的内部相关性。通过自注意力机制确定的注意力向量可以描述相应的二维张量内部各个元素之间的关联关系。
之后,通过循环神经网络(如第三循环神经网络)依次处理各个注意力张量,以进行时序解码。其中,在处理单个注意力张量的过程中,融合相应时间单位上的二维周期编码张量。注意力张量可以与相应的二维周期编码张量融合,融合后作为一个整体的张量进行解码,得到与相应时间单位对应的二维解码张量。各个时间单位分别对应的各个二维解码张量排列在一起,可以构成针对时序编码张量的解码张量。
该解码张量包含了各个业务主体的时间周期特征及时间顺序上的相互关联关系。解码张量的形式如为(batch-size,time-steps,num-cells3)。其中,num-cells3表示解码张量中的特征维度。
进一步地,通过步骤205,根据时序特征张量和解码张量,预测各个业务主体对应的多元时间序列。在本说明书技术构思下,在利用时序特征张量预测多元时间序列过程中,加入由步骤204确定的解码张量,通过时序特征张量和解码张量一起预测多元时间序列。
可以理解,时序特征张量的形式如为(batch-size,time-steps,feat-dim),对应业务数据记录、时间、特征值三个维度,解码张量的形式如为(batch-size,time-steps,num-cells3)对应业务数据记录、时间、特征值三个维度,而预测的多元时间序列可以对应各个业务主体沿时间在预定业务上的业务量,对应着特征维度上的数据。与时序特征张量相比而言,预测的一条多元时间序列对应着单个时间点单条业务数据上的特征数据。举例而言,如表1中的一行数据。可选地,预测的多元时间序列可以对应着表1中除时间信息外的其他业务特征数据。因此,对于多个业务主体而言,各个预测的多元时间序列构成业务主体、时间两个维度的预测张量。
根据一个实施例,可以将时序特征张量和解码张量拼接在一起,预测多元时间序列。例如,将时序特征张量和解码张量在特征或时间维度上进行拼接,然后通过全连接神经网络、激活函数等的处理,输出对应的多元时间序列张量。
预测的多元时间序列张量可以为一个维度的张量,此时,其形式如(ax1,ax2,ax3,bx1,bx2,bx3,cx1,cx2,cx3)。预测的多元时间序列张量也可以拆开为两个维度的张量,此时,其形式如3×3的[(ax1,ax2,ax3),(bx1,bx2,bx3),(cx1,cx2,cx3)]T等。
在一个具体示例中,针对时序特征张量和解码张量,可以通过注意力机制进行处理,从而得到相应的预测张量。例如,可以将时序特征张量和解码张量在特征维度上进行拼接,并将拼接后的张量作为注意力机制的输入数据进行同步处理,得到预测张量。根据另一个具体示例,可以将时序特征张量和解码张量中其中一项数据通过注意力机制进行处理,得到权重数据,然后利用权重数据融合另一项的张量,得到预测张量。根据再一个具体示例,还可以将时序特征张量和解码张量中的其中一方面张量通过注意力机制进行处理,得到注意力张量拼接到另一方面的张量中,将拼接后的张量进行处理,得到预测张量。在其他具体示例中,还可以有其他针对时序特征张量和解码张量的融合方式,在此不再赘述。
根据以上描述可知,对多元时间序列的预测操作可以通过注意力网络、全连接神经网络、卷积神经网络等中的一种或多种实现。
值得说明的是,在以上各个步骤中,在对数据处理过程中,业务数据记录、时间、特征值三个维度可能产生一些变化,如取值数变多或变少、单个取值单元的含义发生变化,如时间单位变大或变小、特征值的含义发生变化等,但总体上还是在三个维度上发生变化。尽管以上描述过程统称三个维度,但可以根据以上描述理解这种变化。
在可能的设计中,图2示出的流程可以通过机器学习模型的辅助实现,相应的机器学习模型称为预测模型。这里的预测模型按照机器学习模型的功能命名,名称对模型的本质不构成限定。在本说明书的技术构思下,该预测模型至少可以包括时序编码模块、时序周期处理模块、时序解码模块,以及预测模块,分别对应执行步骤202至步骤205的操作。步骤201的操作可以通过特征提取模块实现,也可以通过其他计算机辅助处理实现,在此不做限定。
根据以上描述可知,预测模型中的参数可以包括时序编码模块、时序周期处理模块、时序解码模块和预测模块中的各个参数。在预测模型训练阶段,这些参数作为待定参数,可以通过梯度下降法、牛顿法之类的参数调整方法进行调整。其中,在预测模型训练时,单条训练样本可以对应针对多个业务主体,在多个时间点采集的多条历史多元时间序列构成的时序数据作为输入数据,这些业务主体在后续产生的一个多元时间序列作为标签(label)数据,将预测模型处理输入数据得到的预测张量与标签数据对比,确定模型损失。其中,模型损失可以通过平均绝对值误差MAE、平均平方误差MSE、分位数损失误差等中的至少一项确定。
以上预测多元时间序列的流程可以是用于多种预测分析场景,例如:购物平台多品类之间的销量预测,不同商品之间的销量通过以上流程可以实现对多种商品销量的联合建模和同时预测;在云计算平台针对技术风险的应用系统多指标容量预估场景中,可以提前预测未来时间的应用系统的多种容量指标变化,服务于对指标容量扩容、缩容的决策;针对计算未来客户资金的多个渠道的流动性资金量的预测,可以提前预测未来所需要的多个资金渠道和/或所需要的资金数量,服务于流动性管控决策系统;在消费金融场景中针对同业资金消耗量的预测,可以提前预测消费信贷用户多种场景需要消耗的资金数量,服务于消费信贷的同业资金管理系统;等等。
回顾以上过程,本说明书提供的技术构思,针对各个业务主体的历史多元时间序列,一方面进行时序编码,另一方面进行周期编码,从而从时序和周期两方面挖掘数据之间的关联性。在时序预测过程中,将时序编码、周期编码两方面的数据融合解码,得到相应的解码张量,并将解码张量与时序特征张量一起用于预测多元时间序列。该方式利用时序编码、时序周期处理和时序解码等设计,避免对统计学强假设的依赖,而能够自适应地挖掘时序、周期之间的关联关系,更灵活地提供更准确的时序预测结果。
根据另一方面的实施例,还提供一种预测多元时间序列的装置。该装置可以用于针对多个业务主体在预定业务上预测多元时间序列。
图5示出了根据一个实施例的预测多元时间序列的装置的框架示意图。如图5所示,装置500包括:
特征提取单元501,配置为从采样于所述多个业务主体的各条历史业务数据分别对应的各个历史多元时间序列中提取时序特征张量,时序特征张量对应有业务数据记录、时间、特征值三个维度;
周期编码单元502,配置为按照时间维度的周期性对时序特征张量进行时序周期处理,得到在三个维度上的周期编码张量;
时序编码单元503,配置为对各条历史业务数据进行时序编码,得到三个维度上的时序编码张量;
解码单元504,配置为对时序编码张量和周期编码张量进行融合、解码处理,得到对应于三个维度的解码张量;
预测单元505,配置为根据时序特征张量和解码张量,预测多个业务主体对应的多元时间序列。
在一个实施例中,在时序特征张量的特征值维度上,包括针对时间信息进行嵌入得到的多维时间嵌入特征,以及历史多元时间序列中的业务特征。
在一个进一步的实施例中,各个时间单位对应多个层次的时间信息。
在一个实施例中,周期编码单元502进一步配置为:根据预定周期窗口沿时间维度分割时序特征张量,以将时序特征张量重组为周期特征张量;通过第一循环神经网络依次处理周期特征张量中各个周期单位一一对应的各个二维周期特征张量,得到的各个编码张量按次序排列为周期编码张量。
在一个进一步的实施例中,周期特征张量与时序特征张量相比,在时间维度上对应有第一数量的周期单位,且在业务数据记录维度上的单位数增加为第二数量,第一数量为时序特征张量在时间维度上的时间单位数除以预定周期窗口的商。
在一个实施例中,单个历史时间序列由多个时间点/时间段的业务数据构成;时序编码单元503还配置为:通过第二循环神经网络依次处理在各个时间单位上多个业务主体的业务数据构成的二维业务张量,得到各个二维时序编码张量;基于各个二维时序编码张量沿时间维度的依次排列,得到时序编码张量。
在一个实施例中,解码单元504进一步配置为:
将时序编码张量和周期编码张量沿时间维度,按照各个时间单位进行融合,得到对应于三个维度的融合张量;
利用第三循环神经网络按照时间维度依次处理融合张量中的各个时间单位分别对应的二维张量,得到解码张量。
在一个实施例中,时序编码张量和周期编码张量单个时间单位上的融合通过拼接方式实现。。
在一个进一步的实施例中,
时序编码张量和周期编码张量单个时间单位上的融合通过以下方式实现:
基于自注意力机制处理单个时间单位上的二维时序编码张量,得到单个二维注意力张量;将单个二维注意力张量与周期编码张量在单个时间单位上的二维周期编码张量进行融合,得到单个二维的融合张量。
在另一个进一步的实施例中,单个二维注意力张量与单个二维周期编码通过以下之一的方式进行融合:将单个二维周期编码张量与单个二维注意力向量进行拼接;将单个二维注意力向量与单个二维周期编码张量中的元素一一对应相乘。
在又一个进一步的实施例中,预测单元505进一步配置为:将时序特征张量和解码张量拼接为预测张量;基于注意力机制处理预测张量,得到对应于时间和特征二个维度的二维多元时间序列。
值得说明的是,图5所示的装置500与图2描述的方法相对应,图2的方法实施例中的相应描述同样适用于装置500,在此不再赘述。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行结合图2等所描述的方法。
根据再一方面的实施例,还提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现结合图2等所描述的方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本说明书实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本说明书的技术构思的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本说明书的技术构思的具体实施方式而已,并不用于限定本说明书的技术构思的保护范围,凡在本说明书实施例的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本说明书的技术构思的保护范围之内。
Claims (14)
1.一种预测多元时间序列的方法,用于预测多个业务主体的时间序列,所述方法包括:
从采样于所述多个业务主体的各条历史业务数据分别对应的各个历史多元时间序列中提取时序特征张量,所述时序特征张量对应有业务数据记录、时间、特征值三个维度;
按照时间维度的周期性对所述时序特征张量进行时序周期处理,得到在所述三个维度上的周期编码张量;
对各条历史业务数据进行时序编码,得到所述三个维度上的时序编码张量;
对所述时序编码张量和周期编码张量进行融合、解码处理,得到对应于所述三个维度的解码张量;
根据所述时序特征张量和所述解码张量,预测多个业务主体对应的多元时间序列。
2.根据权利要求1所述的方法,其中,在所述时序特征张量的特征值维度上,包括针对时间信息进行嵌入得到的多维时间嵌入特征,以及历史多元时间序列中的业务特征。
3.根据权利要求2所述的方法,所述时间信息对应有多个时间层次。
4.根据权利要求1所述的方法,其中,所述按照时间维度的周期性对所述时序特征张量进行时序周期处理,得到在所述三个维度上的周期编码张量包括:
根据预定周期窗口沿时间维度分割所述时序特征张量,以将所述时序特征张量重组为周期特征张量;
通过第一循环神经网络依次处理所述周期特征张量中各个周期单位一一对应的各个二维周期特征张量,得到的各个编码张量按次序排列为所述周期编码张量。
5.根据权利要求4所述的方法,其中,所述周期特征张量与所述时序特征张量相比,在时间维度上对应有第一数量的周期单位,且在业务数据记录维度上的单位数增加为第二数量,所述第一数量为所述时序特征张量在时间维度上的时间单位数除以所述预定周期窗口的商,所述第二数量为业务主体数量与所述预定周期窗口的乘积。
6.根据权利要求1所述的方法,其中,单个历史时间序列由多个时间单位的业务数据构成;所述对各条历史业务数据进行时序编码,得到所述三个维度上的时序编码张量包括:
通过第二循环神经网络依次处理在各个时间单位上所述多个业务主体的业务数据构成的二维业务张量,得到各个二维时序编码张量;
基于各个二维时序编码张量沿时间维度的依次排列,得到所述时序编码张量。
7.根据权利要求1所述的方法,其中,所述对所述时序编码张量和周期编码张量进行的融合、解码处理,得到对应于所述三个维度的解码张量包括:
将所述时序编码张量和所述周期编码张量沿时间维度,按照各个时间单位进行融合,得到对应于所述三个维度的融合张量;
利用第三循环神经网络按照时间维度依次处理融合张量中的各个时间单位分别对应的二维张量,得到所述解码张量。
8.根据权利要求7所述的方法,其中,所述时序编码张量和所述周期编码张量在单个时间单位上的融合通过拼接方式实现。
9.根据权利要求7所述的方法,其中,所述时序编码张量和所述周期编码张量在单个时间单位上的融合通过以下方式实现:
基于自注意力机制处理所述单个时间单位上的二维时序编码张量,得到单个二维注意力张量;
将所述单个二维注意力张量与所述周期编码张量在所述单个时间单位上的二维周期编码张量进行融合,得到单个二维的融合张量。
10.根据权利要求9所述的方法,其中,单个二维注意力张量与单个二维周期编码通过以下之一的方式进行融合:
将单个二维周期编码张量与单个二维注意力向量进行拼接;
将单个二维注意力向量与单个二维周期编码张量中的元素一一对应相乘。
11.根据权利要求1所述的方法,其中,所述根据所述时序特征张量和所述解码张量,预测所述多个业务主体对应的多元时间序列包括:
将所述时序特征张量和所述解码张量拼接为预测张量;
基于注意力机制处理所述预测张量,得到对应于时间和特征值二个维度的二维多元时间序列,作为针对所述多个业务主体预测的多元时间序列。
12.一种预测多元时间序列的装置,用于同时预测多个业务主体的时间序列,所述装置包括:
特征提取单元,配置为从采样于所述多个业务主体的各条历史业务数据分别对应的各个历史多元时间序列中提取时序特征张量,所述时序特征张量对应有业务数据记录、时间、特征值三个维度;
周期编码单元,配置为按照时间维度的周期性对所述时序特征张量进行时序周期处理,得到在所述三个维度上的周期编码张量;
时序编码单元,配置为对各条历史业务数据进行时序编码,得到所述三个维度上的时序编码张量;
解码单元,配置为对所述时序编码张量和周期编码张量进行融合、解码处理,得到对应于所述三个维度的解码张量;
预测单元,配置为根据所述时序特征张量和所述解码张量,预测多个业务主体对应的多元时间序列。
13.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-11中任一项的所述的方法。
14.一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605502.1A CN114881354A (zh) | 2022-05-31 | 2022-05-31 | 预测多元时间序列的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605502.1A CN114881354A (zh) | 2022-05-31 | 2022-05-31 | 预测多元时间序列的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881354A true CN114881354A (zh) | 2022-08-09 |
Family
ID=82679574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210605502.1A Pending CN114881354A (zh) | 2022-05-31 | 2022-05-31 | 预测多元时间序列的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881354A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204535A (zh) * | 2022-09-16 | 2022-10-18 | 湖北信通通信有限公司 | 基于动态多元时间序列的采购业务量预测方法及电子设备 |
WO2024075129A1 (en) * | 2022-10-07 | 2024-04-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling sequential agents in a cognitive framework |
-
2022
- 2022-05-31 CN CN202210605502.1A patent/CN114881354A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204535A (zh) * | 2022-09-16 | 2022-10-18 | 湖北信通通信有限公司 | 基于动态多元时间序列的采购业务量预测方法及电子设备 |
WO2024075129A1 (en) * | 2022-10-07 | 2024-04-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling sequential agents in a cognitive framework |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sen et al. | Think globally, act locally: A deep neural network approach to high-dimensional time series forecasting | |
He et al. | InSituNet: Deep image synthesis for parameter space exploration of ensemble simulations | |
CN111247532B (zh) | 利用多任务学习进行特征提取 | |
CN114881354A (zh) | 预测多元时间序列的方法及装置 | |
CN115885289A (zh) | 利用全局自注意力神经网络对依赖性建模 | |
CN110929622A (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
US10936950B1 (en) | Processing sequential interaction data | |
US20210125073A1 (en) | Method and system for individual demand forecasting | |
CN112800053A (zh) | 数据模型的生成方法、调用方法、装置、设备及存储介质 | |
US11803793B2 (en) | Automated data forecasting using machine learning | |
CN113255908B (zh) | 基于事件序列进行业务预测的方法、神经网络模型和装置 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN112041880A (zh) | 用于评估信用风险的深度学习方法 | |
CN116543351A (zh) | 一种基于时空串并联关系编码的自监督群体行为识别方法 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
Chen et al. | Nonstationary temporal matrix factorization for multivariate time series forecasting | |
US11568177B2 (en) | Sequential data analysis apparatus and program | |
Ay et al. | Bayesian analysis of doubly stochastic Markov processes in reliability | |
CA3059932A1 (en) | Method and system for individual demand forecasting | |
CN110543973A (zh) | 数据预测、数据预测结果的调整方法、装置及设备 | |
Simon et al. | Forecasting the CATS benchmark with the Double Vector Quantization method | |
Fang et al. | An attention-based deep learning model for multi-horizon time series forecasting by considering periodic characteristic | |
CN113255891B (zh) | 对事件特征进行处理的方法、神经网络模型和装置 | |
Ching et al. | A new multivariate Markov chain model with applications to sales demand forecasting | |
CN116777452B (zh) | 智能电表的预付费系统及其方法 |
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 |