CN114943383A - 基于时间序列的预测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能领域，公开了基于时间序列的预测方法、装置、计算机设备及存储介质，方法包括：在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量，并确定预设时间点是否为预先标定的目标时间节点；若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重，再根据预设时间点的权重对预测工作量进行调整，得到目标工作量；本发明中，通过目标配置文件调整特殊时间节点对预测工作量的影响，在一定程度上改善了传统时间序列预测的局限性，提高了预测结果的准确性，从而有效解决预测值偏离实际较大而使决策失误的问题。

Description

基于时间序列的预测方法、装置、计算机设备及存储介质

技术领域

本发明涉及数据预测技术领域，尤其涉及一种基于时间序列的预测方法、装置、计算机设备及存储介质。

背景技术

时间序列预测法是根据过去的变化趋势预测未来的发展,它根据客观事物发展的连续规律性,通过统计分析目标指标的历史数据推测未来的发展趋势。在时间序列预测方式中，要求目标指标不会发生突然的跳跃变化,是以相对小的步伐前进，且过去和当前的现象可能表明当前和将来活动的发展变化趋向。

时间序列预测法由于其简单易行、便于掌握的特点，常应用于温度、GDP、人口数量，以及保险行业的新业务内含价值(New Business Embedded Value，NBEV)、核保工作量等指标的预测中，但在某些指标(如员工的工作量)的预测中，预测结果还容易收到其他因素的影响，采用时间序列预测法预测到的预测结果准确性不高，导致预测值偏离实际较大而使决策失误。

发明内容

本发明提供一种基于时间序列的预测方法、装置、计算机设备及存储介质，以解决传统采用时间序列预测法预测到的预测结果准确性不高，导致预测值偏离实际较大而使决策失误的技术问题。

提供一种基于时间序列的预测方法，包括：

在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量；

确定预设时间点是否为预先标定的目标时间节点；

若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重；

根据预设时间点的权重对预测工作量进行调整，得到目标工作量。

进一步地，确定预设时间点是否为目标时间节点，包括：

当预设时间点为用户的调休日时，确定预设时间点为目标时间节点；

当预设时间点为节假日时，确定预设时间点为目标时间节点；

当预设时间点为预设日期时，确定预设时间点为目标时间节点。

进一步地，根据预设时间点的权重对预测工作量进行调整，得到目标工作量，包括：

确定预设时间点的权重是否存在多个；

若预设时间点的权重存在多个，则将数值最小的权重与预测工作量的乘积，作为目标工作量。

进一步地，接收到预测指令之前，方法还包括：

按时间顺序对用户的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将模型输入指标值按时间排序为指标值序列；

将指标值序列输入时间序列模型，以使时间序列模型根据指标值序列对用户的工作量进行预测，得到预测指标值；

对验证指标值和预测指标值进行统计分析，得到验证指标值和预测指标值存在差异的多个目标时间节点；

根据验证指标值确定各目标时间节点对应的权重，并根据多个目标时间节点与对应的权重生成目标配置文件。

进一步地，按时间先后顺序对用户在不同时间点的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将模型输入指标值按时间顺序生成指标值序列，包括：

获取用户在不同时间点的实际工作量；

将任一时间点的实际工作量作为验证指标值，并将任一时间点之前的实际工作量，作为模型输入指标值；

将模型输入指标值按照时间排序，得到指标值序列。

进一步地，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量，包括：

获取用户在预设时间点之前预设时长内的历史工作量；

将预设时长内的历史工作量按照时间排序，生成工作量序列；

将工作量序列输入时间序列模型，以使时间序列模型根据工作量序列度进行工作量预测，得到预设时间点的预测工作量。

进一步地，将工作量序列输入时间序列模型之前，方法还包括：

对工作量序列进行时间序列平稳性检验，以确定工作量序列是否平稳；

若工作量序列平稳，则将工作量序列输入时间序列模型；

若工作量序列不平稳，则对工作量序列进行差分处理，得到新的工作量序列，并将新的工作量序列输入时间序列模型。

提供一种基于时间序列的预测装置，包括：

预测模块，用于在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量；

确定模块，用于确定预设时间点是否为预先标定的目标时间节点；

读取模块，用于若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重；

调整模块，用于根据预设时间点的权重对预测工作量进行调整，得到目标工作量。

提供一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于时间序列的预测方法的步骤。

提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于时间序列的预测方法的步骤。

上述基于时间序列的预测方法、装置、计算机设备及存储介质所提供的一个方案中，通过在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量，并确定预设时间点是否为预先标定的目标时间节点；若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重，再根据预设时间点的权重对预测工作量进行调整，得到目标工作量；本发明中，通过目标配置文件调整特殊时间节点对预测工作量的影响，在一定程度上改善了传统时间序列预测的局限性，提高了预测结果的准确性，从而有效解决预测值偏离实际较大而使决策失误的问题。

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的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得其他的附图。

图1是本发明一实施例中基于时间序列的预测方法的一应用环境示意图；

图2是本发明一实施例中基于时间序列的预测方法的一流程示意图；

图3是图2中步骤S10的一实现流程示意图；

图4是图2中步骤S10的另一实现流程示意图；

图5是图2中步骤S20的一实现流程示意图；

图6是图2中步骤S40的一实现流程示意图；

图7是本发明一实施例中基于时间序列的预测方法的另一流程示意图；

图8是图7中步骤S01的一实现流程示意图；

图9是本发明一实施例中基于时间序列的预测装置的一结构示意图；

图10是本发明一实施例中计算机设备的一结构示意图。

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。

本发明实施例提供的基于时间序列的预测方法，可应用在如图1的应用环境中，其中，终端设备通过网络与服务器进行通信。相关人员在需要预测用户的工作量时，通过终端设备向服务器发送预测指令，服务器在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量，并确定预设时间点是否为预先标定的目标时间节点；若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重，再根据预设时间点的权重对预测工作量进行调整，得到目标工作量；本实施例中，通过目标配置文件调整特殊时间节点对预测工作量的影响，在一定程度上改善了传统时间序列预测的局限性，提高了预测结果的准确性，从而有效解决预测值偏离实际较大而使决策失误的问题，且工作量预测方式简单且灵活可调整，相比其他需要进行海量数据分析及计算的复杂模型，本实施例中基于时间序列的预测方法无需提前大量影响因子，预测过程简单但预测准确性可媲美复杂模型，大大减少了人工介入，从而提高预测过程的由人工智能化，并在保证准确性的基础上，可以有效减少服务器的数据处理量，减少了服务器负载。

此外，可以将本实施例中的时间序列模型和配置文件部署至数据仓库工具hive中，然后通过函数调用hive中的时间序列模型和配置文件进行预测，使得整个预测方法能够美兼容调试程序gbd平台以及通用调度平台linkdo，具有一定扩展性和通用性，适用与不同的场景。

本实施例中，时间序列模型、目标配置文件等数据，均存储在服务器的数据库中，以便后续执行预测任务时，直接获取时间序列模型进行预测，并读取目标配置文件对预测结果进行调整，能够有效减少数据处理步骤，从而预测效率。

本实施例中的数据库存储于区块链网络中，用于基于hive的数据预测方法中用到、生成的数据，如测模型、预测模型需要调用的目标数据、目标调用函数等数据和预测结果等相关数据。本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。将数据库部署于区块链可提高数据存储的安全性。

其中，终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种基于时间序列的预测方法，以该方法应用在图 1中的服务器为例进行说明，包括如下步骤：

S10：在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量。

在相关人员需要对某一用户的工作量进行预测时，通过终端设备向服务器发送预测指令，服务器在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量。

其中，本实施例中的工作量可以是保险行业的理赔工作量，也可以是其他场景内的工作量，本实施例以理赔工作量为例进行说明。

S20：确定预设时间点是否为预先标定的目标时间节点。

在得到预设时间点的预测工作量之后，需要确定该预设时间点是否为预先标定的目标时间节点，若确定预设时间点不为预先标定的目标时间节点，则直接将得到的该预设时间点的预测工作量，作为该用户在该预设时间点的目标工作量，以便后续根据该目标工作量进行相关决策。

S30：若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重。

在确定预设时间点是否为预先标定的目标时间节点之后，若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重。其中，目标配置文件为预先标定的包括多个目标时间节点及各目标时间节点对应的权重的json配置文件。

其中，目标时间节点的类型包括节假日(即公共节日)、特殊工作日(如调休日)和预设日期。其中，预设日期一般包括以周为周期的特定日期和以月为周期的特定日期。

本实施例中，目标时间节点是对比用户的实际工作量与时间序列模型预测得到的预测工作量之间的差距统计得到的特定日期，在这些特定日期中，用户的实际工作量和预测工作量普遍存在较大差距。

例如，对所有用户的实际理赔工作量和时间序列模型进行预测的预测理赔工作量进行对比分析统计，发现在节假日、特殊工作日等时间节点上，用户的实际理赔工作量与预测理赔工作量的差距较大；同时，经对多个用户统计分析可得到，在周一、周六、周日、月初前天以及月末最后3天的这些时间节点上，用户的实际理赔工作量与预测理赔工作量的差距也大，则将周一、周六、周日、月初前3天以及月末最后3天作为预设日期。

在统计分析得到节假日、特殊工作日和预设日期等目标时间节点之后，根为不同类型的目标时间节点赋予不同的权重，以使得在目标时间节点的预测工作量与该目标时间节点对应的权重之间的乘积，趋近用户的实际工作量或与用户的实际工作量一致；然后将各目标时间节点和目标时间节点对应的权重汇集为配置文件，并将该配置文件保存为json文件格式，得到目标配置文件。

S40：根据预设时间点的权重对预测工作量进行调整，得到目标工作量。

在读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重之后，根据预设时间点的权重对预测工作量进行调整，得到目标工作量。通常是将预设时间点的权重与预测工作量的乘积，作为该预设时间节点的目标工作量。

本实施例中，在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量，并确定预设时间点是否为预先标定的目标时间节点；若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重，再根据预设时间点的权重对预测工作量进行调整，得到目标工作量；通过目标配置文件调整特殊时间节点对预测工作量的影响，在一定程度上改善了传统时间序列预测的局限性，提高了预测结果的准确性，从而有效解决预测值偏离实际较大而使决策失误的问题，且工作量预测方式简单且灵活可调整，相比其他需要进行海量数据分析及计算的复杂模型，本实施例中基于时间序列的预测方法无需提前大量影响因子，预测过程简单但预测准确性可媲美复杂模型，大大减少了人工介入，从而提高预测过程的由人工智能化，并在保证准确性的基础上，可以有效减少服务器的数据处理量，减少了服务器负载。

本实施例中，时间序列模型、时间序列模型用需要的输入数据(用户历史工作量)和目标配置文件等数据，可以预先存储在数据仓库工具hive中的，以便在接收到预测指令时，通过引用import statsmodels.api as sm的方式，直接调用sm.tsa.statespace.SARIMAX函数，以调用hive中时间序列模型和间序列模型用需要的输入数据，并将输入数据输入时间序列模型以实现对用户在预设时间点的工作量进行预测，从而得到预设时间点的预测工作量，并直接读取目标配置文件以通过目标配置文件对预测工作量件调整，得到更加准确的目标工作量。

其中，在将用户的历史工作量(输入数据)存储在hive时，需要记录该历史工作量在hive的存储字段；在将时间序列模型加载存储至hive时，需先将时间序列模型加载至jar包中，并转换为java jar文件包，进而加载在hive的指定位置，即时间序列模型的调用信息；然后生成包括历史工作量在hive的存储字段和调用信息的调用函数，以便后续根据该调用函数直接调用时间序列模型及其输入数据进行预测；其中，需要将目标配置文件的数据转换为json格式，并存储在hive，以便后续直接读取。

需要理解的是，hive是基于海杜普分布式系统(Hadoop)的一个数据仓库工具，是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制，可以用来进行数据提取、转化和加载等工作。hive能将结构化的数据文件映射为一张数据库表，并提供SQL查询功能，一般的大数据处理可以通过hive，hive具有高容错性。因此将间序列模型、输入数据和目标配置文件可以预先存储在数据仓库工具hive中，以便后续直接进行调用，可以有效减少数据交互过程，并可以兼容模型预测上下游，兼容性强且具备hive的高容错性，同时，数据获取和预测均在hive中完成，减少了数据交互过程，大大减少了人工介入，从而提高预测过程的由人工智能化。

在一实施例中，如图3所示，步骤S20中，即根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量，具体包括如下步骤：

S11：获取用户在预设时间点之前预设时长内的历史工作量。

S12：将预设时长内的历史工作量按照时间排序，生成工作量序列。

S13：将工作量序列输入时间序列模型，以使时间序列模型根据工作量序列度进行工作量预测，得到预设时间点的预测工作量。

在接收到相关人员通过终端设备发送预测指令后，需要根据预测指令确定预测目标 (即用户在预测时间点的工作量)和对预测目标京城预测时需要用到的数据，进而根据该需要用到的数据对预测目标进行预测。

因此，在接收到预测指令后，根据预测指令获取用户在预设时间点之前预设时长内的历史工作量，即对用户在预测时间点的工作量进行预测时需要用到的数据，然后将预设时长内的历史工作量按照时间排序，生成基于时间序列的工作量序列，并将工作量序列输入时间序列模型，以使时间序列模型根据工作量序列度进行工作量预测，得到预设时间点的预测工作量。

本实施例中，通过获取用户在预设时间点之前预设时长内的历史工作量，然后将预设时长内的历史工作量按照时间排序，生成工作量序列，再将工作量序列输入时间序列模型，以使时间序列模型根据工作量序列度进行工作量预测，得到预设时间点的预测工作量，明确了根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量的具体步骤，将用户在预设时间点之前预设时长内的历史工作量作为预测基础数据，为后续根据目标配置文件对预测工作量进行调整提供了准确基础。

在一实施例中，如图4所示，步骤S13之前，即将工作量序列输入时间序列模型之前，该方法具体还包括如下步骤：

S121：对工作量序列进行时间序列平稳性检验，以确定工作量序列是否平稳；

S122：若工作量序列平稳，则将工作量序列输入时间序列模型；

S123：若工作量序列不平稳，则对工作量序列进行差分处理，得到新的工作量序列，并将新的工作量序列输入时间序列模型。

在将预设时长内的历史工作量按照时间排序，生成工作量序列之后，将工作量序列输入时间序列模型之前，需要对工作量序列进行时间序列平稳性检验(adf检验)，以确定工作量序列是否平稳，若工作量序列平稳，则将工作量序列输入时间序列模型；若工作量序列不平稳，则对工作量序列进行差分处理，得到新的工作量序列，并将新的工作量序列输入时间序列模型，从而预测得到预测工作量。根据时间序列模型的特性，在将工作量序列输入时间序列模型之前先进行平稳性判断，将平稳的工作量序列输入时间序列模型进行预测，确保得到准确的预测结果。

本实施例中，在将工作量序列输入时间序列模型之前，需要对工作量序列进行时间序列平稳性检验，以确定工作量序列是否平稳，若工作量序列平稳，则将工作量序列输入时间序列模型；若工作量序列不平稳，则对工作量序列进行差分处理，得到新的工作量序列，并将新的工作量序列输入时间序列模型，确保了时间序列模型的输入序列的平稳性，为后续的时间序列模型的正常准确预测提供了基础。

在一实施例中，如图5所示，步骤S20中，即确定预设时间点是否为目标时间节点，具体包括如下步骤：

S21：确定预设时间点是否为调休日、节假日和预设日期；

S22：当预设时间点为用户的调休日时，则确定预设时间点为目标时间节点；

S23：当预设时间点为节假日时，确定预设时间点为目标时间节点；

S24：当预设时间点为预设日期时，确定预设时间点为目标时间节点。

在根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量之后，需要确定预设时间点是否为调休日、节假日和预设日期的任一一种，若预设时间点为调休日、节假日和预设日期的任一一种，则确定预设时间点为目标时间节点。即，当确定预设时间点为用户的调休日时，确定预设时间点为目标时间节点；当预设时间点为节假日时，确定预设时间点为目标时间节点；当预设时间点为预设日期时，确定预设时间点为目标时间节点。

本实施例中，通过确定预设时间点是否为调休日、节假日和预设日期，若预设时间点为用户的调休日，则确定预设时间点为目标时间节点；若预设时间点为节假日，则确定预设时间点为目标时间节点；若预设时间点为预设日期，则确定预设时间点为目标时间节点，明确了确定预设时间点是否为目标时间节点的具体步骤，在确定预设时间点为调休日、节假日和预设日期的任一种时直接确定为目标时间节点，简单快速，且将调休日、节假日和预设日期等容易影响到工作量的时间点考虑在内，在一定程度上改善了传统时间序列预测的局限性，提高了预测结果的准确性。

在一实施例中，如图6所示，步骤S40中，即根据预设时间点的权重对预测工作量进行调整，得到目标工作量，具体包括如下步骤：

S41：确定预设时间点的权重是否存在多个；

S42：若预设时间点的权重存在多个，则将数值最小的权重与预测工作量的乘积，作为目标工作量。

在确定读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重之后，由于目标配置文件中包括节假日、特殊工作日和预设日期等多类目标时间节点，可能存在预设时间点即是预设日期，又是节假日或者特殊工作日的情况，此时在目标配置文件中即可查询到多类目标时间节点对应的权重，即预设时间点的权重存在多个。本实施例中，为避免预设时间点的权重存在多个，导致的后续无法准确计算目标工作量的情况，需要确定预设时间点的权重是否存在多个，若预设时间点的权重存在多个，则将数值最小的权重与预测工作量的乘积，作为该预设时间点的目标工作量；若预设时间点的权重仅存在一个，则将该预设时间点的权重与预测工作量的乘积，作为该预设时间点的目标工作量，简单快速。

例如，预设日期包括周一、周六、周日、月初前3天以及月末最后3天，预设时间点为2022年5月1日，则该2022年5月1日既是节假日，也是周日，同时还是月初第1天，则预设时间点是节假日的同时，还是预设日期，则在目标配置文件中能够查询到节假日对应的权重，以及预设日期对应的权重，均为预设时间点的权重，预设时间点的权重至少包括两个。当预设时间点的权重存在多个时，确定数值最小的权重，并将数值最小的权重与预测工作量的乘积，作为该预设时间点的目标工作量，能进一步提高目标工作量的准确性。

本实施例中，通过确定预设时间点的权重是否存在多个，若预设时间点的权重存在多个，则将数值最小的权重与预测工作量的乘积，作为目标工作量，明确了根据预设时间点的权重对预测工作量进行调整，得到目标工作量的具体过程，在预设时间点存在多个权重时，将数值最小的权重与预测工作量的乘积，作为该预设时间点的目标工作量，能够避免因存在多个权重而无法计算目标工作量的情况，且进一步提高了目标工作量的准确性。

在一实施例中，为确保能够正常对用户的工作量进行预测，在接收到预测指令之前，需要预先生成目标配置文件。如图7所示，步骤S10之前，即接收到预测指令之前，目标配置文件通过如下方式生成：

S01：按时间顺序对用户的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将模型输入指标值按时间排序为指标值序列。

先获取各用户在不同时间点的历史工作量作为用户的实际工作量，然后按时间顺序对用户的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将模型输入指标值按时间排序为指标值序列。其中，验证指标值为时间点在型输入指标值之后的用户的实际工作量。

例如，用户的实际工作量包括周一至周五的实际工作量，则将周一和周四的实际工作量作为模型输入指标值，并将周五的实际工作量作为验证指标值，然后将周一和周四的实际工作量按照周一至周五的顺序排列，形成指标值序列，即指标值序列为周一的实际工作量、周二的实际工作量、周三的实际工作量、周四的实际工作量。

S02：将指标值序列输入时间序列模型，以使时间序列模型根据指标值序列对用户的工作量进行预测，得到预测指标值。

在将模型输入指标值按时间排序为指标值序列之后，将指标值序列输入时间序列模型，以使时间序列模型根据指标值序列对用户的工作量进行预测，得到预测指标值。

其中，在将指标值序列输入时间序列模型之前，为保证时间序列模型输出的准确性，需要对指标值序列进行时间序列平稳性检验，以确定指标值序列是否平稳；若指标值序列平稳，则将指标值序列输入时间序列模型；若指标值序列不平稳，则对指标值序列进行差分处理，得到新的指标值序列，并将新的指标值序列输入时间序列模型对用户的工作量进行预测，从而得到准确稳定的预测指标值。

S03：对验证指标值和预测指标值进行统计分析，得到验证指标值和预测指标值存在差异的多个目标时间节点。

在将指标值序列输入时间序列模型，以使时间序列模型根据指标值序列对用户的工作量进行预测，得到预测指标值之后，需要对验证指标值和预测指标值进行统计分析，得到验证指标值和预测指标值存在差异的多个目标时间节点。

经过对不同用户的验证指标值和预测指标值进行统计分析可知，验证指标值和预测指标值差距较大的时间节点包括：节假日、特殊工作日(如调休日、请假日)、月末最后一天、月末最后第二天、月末最后第三天、月初第一天、月初第二天、月初第三天、周日、周六、周一。

S04：根据验证指标值确定各目标时间节点对应的权重，并根据多个目标时间节点与对应的权重生成目标配置文件。

在到验证指标值和预测指标值存在差异的多个目标时间节点之后，根据验证指标值确定各目标时间节点对应的权重，并根据多个目标时间节点与对应的权重生成目标配置文件。将多个目标时间节点与对应的权重保持为配置文件，然后将配置文件转换为json文件格式，得到配置文件。

其中，目标时间节点对应的权重需要满足，用户在目标时间节点的预测指标值与该目标时间节点对应的权重之间的乘积，趋近或者等于用户在该目标时间节点的实际工作量 (验证指标值)，即预测指标值与权重的乘积，与用户的实际工作量之间的差值，小于等于预设差值。

本实施例中，不同目标时间节点可以对应有一个权重，也可以将目标时间节点进行分类，同一类型内的所有目标时间节点均具有同一权重，或者某些类型的目标时间节点具有同一权重，但其他类型内每一目标时间节点均具有各自的权重。

例如，将目标时间节点分类为节假日、特殊工作日和预定日期三种，预定日期包括月末最后一天、月末最后第二天、月末最后第三天、月初第一天、月初第二天、月初第三天、周日、周六、周一。若同一类型内的所有目标时间节点均具有同一权重，则节假日、特殊工作日和预定日期三类对应的权重分别是第一权重、第二权重和第三权重，其中，第一权重、第二权重和第三权重的数值依次增大。若某些类型的目标时间节点具有同一权重，但其他类型内每一目标时间节点均具有各自的权重，则节假日、特殊工作日对应的权重分别是第一权重、第二权重，第一权重小于第二权重；而预定日期中各目标时间节点均对应有一个权重；其中，月末最后三天的权重大于月初前三天的权重，且月末最后三天的权重依次减小，月初前三天的权重依次增大，如月末最后一天、月末最后第二天、月末最后第三天、月初第一天、月初第二天、月初第三天的权重分别为：1.3、1.2、1.1、0.75、0.8、 0.9；而周六、周日、周一的权重依次增大，如周六、周日、周一的权重分别为0.59、0.75、 1.3。

本实施例中，各目标时间节点的权重仅为示例性说明，在其他实施例中，各目标时间节点的权重还可以是其他数值，在此不再赘述。

本实施例中，在接收到预测指令之前，通过按时间顺序对用户的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将模型输入指标值按时间排序为指标值序列，然后将指标值序列输入时间序列模型，以使时间序列模型根据指标值序列对用户的工作量进行预测，得到预测指标值，再对验证指标值和预测指标值进行统计分析，得到验证指标值和预测指标值存在差异的多个目标时间节点，最后根据验证指标值确定各目标时间节点对应的权重，并根据多个目标时间节点与对应的权重生成目标配置文件，明确了目标配置文件的生成过程，通过对用户的预测工作量与实际工作量之间的差距进行统计分析，得到对工作量存在较大影响的目标时间节点，从而为各目标时间节点赋予权重并生成目标配置文件，为后续根据目标配置文件对预测工作量进行调整提供了基础，通过目标配置文件形式调整特殊日期对预测值的影响，有效改善了时间序列预测的局限性，且目标配置文件可以根据具体情况灵活调整，具有一定扩展性和通用性。

在一实施例中，如图8所示，步骤S01中，即按时间先后顺序对用户在不同时间点的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将模型输入指标值按时间顺序生成指标值序列，具体包括如下步骤：

S011：获取用户在不同时间点的实际工作量；

S012：将任一时间点的实际工作量作为验证指标值，并将任一时间点之前的实际工作量，作为模型输入指标值；

S013：将模型输入指标值按照时间排序，得到指标值序列。

先获取各用户在不同时间点的历史工作量，作为用户在不同时间点的实际工作量，然后将任一时间点的实际工作量作为验证指标值，并将该任一时间点之前的实际工作量，作为模型输入指标值，最后将模型输入指标值按照时间排序，得到指标值序列。

例如，用户的实际工作量包括周一至周日的实际工作量，若任一时间点为周日，则将周日的实际工作量作为验证指标值，然后将周一至周六的实际工作量作为模型输入指标值，然后将周一和周六的实际工作量按照周一至周六的顺序排列，形成指标值序列；若任一时间点为周六，则将周六的实际工作量作为验证指标值，然后将周一至周五的实际工作量作为模型输入指标值，然后将周一和周五的实际工作量按照周一至周五的顺序排列，形成指标值序列；若任一时间点为周五，则将周五的实际工作量作为验证指标值，然后将周一至周四的实际工作量作为模型输入指标值，然后将周一和周五的实际工作量按照周一至周四的顺序排列，形成指标值序列。

本实施例中，通过获取用户在不同时间点的实际工作量，并将任一时间点的实际工作量作为验证指标值，并将任一时间点之前的实际工作量，作为模型输入指标值，然后将模型输入指标值按照时间排序，得到指标值序列，明确了按时间先后顺序对用户在不同时间点的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将模型输入指标值按时间顺序生成指标值序列的具体步骤，为后续得到预测指标值提供了预测基础，进而为后续目标配置文件的生成提供了基础。

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，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种基于时间序列的预测装置，该基于时间序列的预测装置与上述实施例中基于时间序列的预测方法一一对应。如图9所示，该基于时间序列的预测装置包括预测模块901、确定模块902、读取模块903和调整模块904。各功能模块详细说明如下：

预测模块901，用于在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量；

确定模块902，用于确定预设时间点是否为预先标定的目标时间节点；

读取模块903，用于若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重；

调整模块904，用于根据预设时间点的权重对预测工作量进行调整，得到目标工作量。

进一步地，确定模块902具体用于：

当预设时间点为用户的调休日时，确定预设时间点为目标时间节点；

当预设时间点为节假日时，确定预设时间点为目标时间节点；

当预设时间点为预设日期时，确定预设时间点为目标时间节点。

进一步地，调整模块904具体用于：

确定预设时间点的权重是否存在多个；

若预设时间点的权重存在多个，则将数值最小的权重与预测工作量的乘积，作为目标工作量。

进一步地，预测模块901具体用于：

获取用户在预设时间点之前预设时长内的历史工作量；

将预设时长内的历史工作量按照时间排序，生成工作量序列；

将工作量序列输入时间序列模型，以使时间序列模型根据工作量序列度进行工作量预测，得到预设时间点的预测工作量。

进一步地，将工作量序列输入时间序列模型之前，预测模块901具体还用于：

对工作量序列进行时间序列平稳性检验，以确定工作量序列是否平稳；

若工作量序列平稳，则将工作量序列输入时间序列模型；

若工作量序列不平稳，则对工作量序列进行差分处理，得到新的工作量序列，并将新的工作量序列输入时间序列模型。

进一步地，基于时间序列的预测装置还包括生成模块905，接收到预测指令之前，生成模块905用于：

按时间顺序对用户的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将模型输入指标值按时间排序为指标值序列；

将指标值序列输入时间序列模型，以使时间序列模型根据指标值序列对用户的工作量进行预测，得到预测指标值；

对验证指标值和预测指标值进行统计分析，得到验证指标值和预测指标值存在差异的多个目标时间节点；

根据验证指标值确定各目标时间节点对应的权重，并根据多个目标时间节点与对应的权重生成目标配置文件。

进一步地，生成模块905具体用于：

获取用户在不同时间点的实际工作量；

将任一时间点的实际工作量作为验证指标值，并将任一时间点之前的实际工作量，作为模型输入指标值；

将模型输入指标值按照时间排序，得到指标值序列。

关于基于时间序列的预测装置的具体限定可以参见上文中对于基于时间序列的预测方法的限定，在此不再赘述。上述基于时间序列的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存储器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于时间序列的预测方法所用到和生成的数据，如时间序列模型、目标配置文件和目标工作量等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于时间序列的预测方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量；

确定预设时间点是否为预先标定的目标时间节点；

若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重；

根据预设时间点的权重对预测工作量进行调整，得到目标工作量。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到预设时间点的预测工作量；

确定预设时间点是否为预先标定的目标时间节点；

若预设时间点为目标时间节点，则读取目标配置文件中目标时间节点对应的权重，作为预设时间点的权重；

根据预设时间点的权重对预测工作量进行调整，得到目标工作量。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM) 等。

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，即将所述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。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于时间序列的预测方法，其特征在于，包括：

在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到所述预设时间点的预测工作量；

确定所述预设时间点是否为预先标定的目标时间节点；

若所述预设时间点为所述目标时间节点，则读取所述目标配置文件中所述目标时间节点对应的权重，作为所述预设时间点的权重；

根据所述预设时间点的权重对所述预测工作量进行调整，得到目标工作量。

2.如权利要求1所述的基于时间序列的预测方法，其特征在于，所述确定所述预设时间点是否为目标时间节点，包括：

当所述预设时间点为所述用户的调休日时，确定所述预设时间点为所述目标时间节点；

当所述预设时间点为节假日时，确定所述预设时间点为所述目标时间节点；

当所述预设时间点为预设日期时，确定所述预设时间点为所述目标时间节点。

3.如权利要求1所述的基于时间序列的预测方法，其特征在于，所述根据所述预设时间点的权重对所述预测工作量进行调整，得到目标工作量，包括：

确定所述预设时间点的权重是否存在多个；

若所述预设时间点的权重存在多个，则将数值最小的所述权重与所述预测工作量的乘积，作为所述目标工作量。

4.如权利要求1所述的基于时间序列的预测方法，其特征在于，所述接收到预测指令之前，所述方法还包括：

按时间顺序对所述用户的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将所述模型输入指标值按时间排序为指标值序列；

将所述指标值序列输入所述时间序列模型，以使所述时间序列模型根据所述指标值序列对所述用户的工作量进行预测，得到预测指标值；

对所述验证指标值和所述预测指标值进行统计分析，得到所述验证指标值和所述预测指标值存在差异的多个所述目标时间节点；

根据所述验证指标值确定各所述目标时间节点对应的权重，并根据所述多个所述目标时间节点与所述对应的权重生成目标配置文件。

5.如权利要求4所述的基于时间序列的预测方法，其特征在于，所述按时间先后顺序对所述用户在不同时间点的实际工作量进行拆分，得到模型输入指标值和验证指标值，并将所述模型输入指标值按时间顺序生成指标值序列，包括：

获取所述用户在不同时间点的实际工作量；

将任一时间点的所述实际工作量作为所述验证指标值，并将所述任一时间点之前的所述实际工作量，作为所述模型输入指标值；

将所述模型输入指标值按照时间排序，得到所述指标值序列。

6.如权利要求1-5任一项所述的基于时间序列的预测方法，其特征在于，所述根据时间序列模型对用户在预设时间点的工作量进行预测，得到所述预设时间点的预测工作量，包括：

获取所述用户在所述预设时间点之前预设时长内的历史工作量；

将所述预设时长内的历史工作量按照时间排序，生成工作量序列；

将所述工作量序列输入所述时间序列模型，以使所述时间序列模型根据所述工作量序列度进行工作量预测，得到所述预设时间点的预测工作量。

7.如权利要求6所述的基于时间序列的预测方法，其特征在于，所述将所述工作量序列输入所述时间序列模型之前，所述方法还包括：

对所述工作量序列进行时间序列平稳性检验，以确定所述工作量序列是否平稳；

若所述工作量序列平稳，则将所述工作量序列输入所述时间序列模型；

若所述工作量序列不平稳，则对所述工作量序列进行差分处理，得到新的所述工作量序列，并将新的所述工作量序列输入所述时间序列模型。

8.一种基于时间序列的预测装置，其特征在于，包括：

预测模块，用于在接收到预测指令时，根据时间序列模型对用户在预设时间点的工作量进行预测，得到所述预设时间点的预测工作量；

确定模块，用于确定所述预设时间点是否为预先标定的目标时间节点；

读取模块，用于若所述预设时间点为所述目标时间节点，则读取所述目标配置文件中所述目标时间节点对应的权重；

调整模块，用于根据所述预设时间点的权重对所述预测工作量进行调整，得到目标工作量。

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可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7任一项所述基于时间序列的预测方法的步骤。

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7任一项所述基于时间序列的预测方法的步骤。

Images