CN114971057A - 模型选择的方法及装置 - Google Patents

模型选择的方法及装置 Download PDF

Info

Publication number
CN114971057A
CN114971057A CN202210647255.1A CN202210647255A CN114971057A CN 114971057 A CN114971057 A CN 114971057A CN 202210647255 A CN202210647255 A CN 202210647255A CN 114971057 A CN114971057 A CN 114971057A
Authority
CN
China
Prior art keywords
time sequence
model
prediction
evaluation
evaluation result
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
CN202210647255.1A
Other languages
English (en)
Inventor
师晓明
王世宇
胡韵
孙银波
郑洋飞
雷磊
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202210647255.1A priority Critical patent/CN114971057A/zh
Publication of CN114971057A publication Critical patent/CN114971057A/zh
Pending legal-status Critical Current

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种预测时间序列的模型选择方法及装置，在对业务主体的预定业务指标预测相应的时间序列之前，可以从预先训练的多个备选预测模型中选择较优的预测模型。在预测模型选择过程中：一方面利用全局时间序列数据，提取全局时序特征来描述当前业务主体在预定业务指标上的长期业务规律，得到对各个备选预测模型的第一评价结果；另一方面利用短期的局部时间序列数据，提取局部时序特征来描述当前业务主体在预定业务指标上的短期业务状态，得到对各个备选预测模型的第二评价结果。进一步地，将第一评价结果和第二评价结果进行融合，以选出较优的预测模型进行时序预测。这种方式可以提高时间序列预测的准确度。

Description

模型选择的方法及装置
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，尤其涉及用于预测时间序列的模型选择的方法及装置。
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业务情形进行预测。为业务主体预测时间序列可以适用于各种场景，例如为商品超市的客流量预测时间序列，为金融服务的资金预测时间序列，为云计算中所需要的计算资源流量预测时间序列，为物流需求预测时间序列，为智能电网中的电力消耗预测时间序列，等等。预测结果例如可以服务于商业决策。随着人工智能的发展，可以将机器学习模型用于时间序列分析。
对时间序列预测的模型可以将历史时间序列在时间维度上展开，从而对未来时间范围内的业务情形进行预测。在一些业务场景中，各个业务主体的时间序列会存在个体差异，因此，使用一个预测模型预测各个业务主体的时间序列，准确度难以保证。
发明内容
本说明书一个或多个实施例描述了一种预测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，提供一种模型选择方法，用于从多个备选预测模型中选择用于对业务主体的预定业务指标进行时序预测的模型，所述方法包括：根据所述预定业务指标的历史值的长期时间序列，提取所述预定业务指标的全局时序特征，所述全局时序特征用于表征所述预定业务指标的长期业务规律；通过第一评价模型处理所述全局时序特征，得到所述多个备选预测模型的第一评价结果，所述第一评价结果用于表征各个备选预测模型基于所述全局时序特征进行预测的准确度；根据所述预定业务指标的历史值的局部时间序列，提取所述预定业务指标的局部时序特征，所述局部时间序列为距离当前时间最近的预定长度的时间序列，所述局部时序特征用于表征所述预定业务指标的短期业务规律；通过第二评价模型处理所述局部时序特征，得到所述多个备选预测模型的第二评价结果，所述第二评价结果用于表征各个备选预测模型基于所述局部时序特征进行预测的准确度；对所述第一评价结果与所述第二评价结果进行融合，并基于融合结果从所述多个备选预测模型中选择用于对所述预定业务指标进行预测的模型。
在一个实施例中，所述全局时序特征包括周期特征、季节特征、趋势特征、自回归特征中的至少一项。
在一个实施例中，所述局部时序特征包括通过对所述局部时间序列进行编码得到的隐向量描述。
在一个实施例中，所述第一评价结果/第二评价结果为以下中的一项：对各个备选预测模型的打分结果；对各个备选预测模型的排序结果；从所述多个备选预测模型选择若干个预测模型的选择结果。
在一个实施例中，在所述第一评价结果/第二评价结果为对各个备选预测模型的打分结果的情况下，所述对所述第一评价结果与所述第二评价结果进行融合包括：基于所述第一评价结果与所述第二评价结果，对各个备选预测模型各自的两个打分结果进行平均、加权、取中位数、取最小值中的至少一项操作，得到相应的融合结果。
在一个实施例中，所述第一评价模型的单条训练样本包括所述业务主体的历史全局时序特征，以及各个备选预测模型基于所述历史全局时序特征进行预测的各个历史预测准确度；其中，所述第一评价模型是通过将训练样本中的历史全局时序特征作为输入数据，将基于各个历史预测准确度确定的评价结果作为样本标签，以监督学习的方式训练得到的。
在一个实施例中，所述第二评价模型的单条训练样本包括所述业务主体的历史局部时序特征，以及各个备选预测模型基于所述历史局部时序特征进行预测的各个历史预测准确度；其中，所述第二评价模型是通过将训练样本中的历史局部时序特征作为输入数据，将基于各个历史预测准确度确定的评价结果作为样本标签，以监督学习的方式训练得到的。
在一个进一步的实施例中，单个备选预测模型的历史预测准确度通过以下方式确定：使该单个备选预测模型进行多次预测，并计算该多次预测各自的准确度；以及，对该多次预测各自的准确度进行求均值、取最小值、取中位数中的一项处理，并将处理得到的准确度确定为该单个备选预测模型的历史预测准确度。
在一个更进一步的实施例中，所述多次预测中单次预测的准确度通过以下方式确定：获取所述单个备选预测模型的单次预测的单个预测时间序列以及与该单个预测时间序列对应的真实时间序列；基于对所述单个预测时间序列与所述真实时间序列的一致性检测，确定该单次预测的准确度。
在一个可选的实施例中，所述单个预测时间序列与所述真实时间序列的一致性通过向量相似度、方差、杰卡德系数中的一项确定。
根据第二方面，提供一种模型选择装置，用于从多个备选预测模型中选择用于对业务主体的预定业务指标进行时序预测的模型，所述装置包括：
全局特征提取单元，配置为根据所述预定业务指标的历史值的长期时间序列，提取所述预定业务指标的全局时序特征，所述全局时序特征用于表征所述预定业务指标的长期业务规律；
全局评价单元，配置为通过第一评价模型处理所述全局时序特征，得到所述多个备选预测模型的第一评价结果所述第一评价结果用于表征各个备选预测模型基于所述全局时序特征进行预测的准确度；
局部特征提取单元，配置为根据所述预定业务指标的历史值的局部时间序列，提取所述预定业务指标的局部时序特征，所述局部时间序列为距离当前时间最近的预定长度的时间序列，所述局部时序特征用于表征所述预定业务指标的短期业务规律；
局部评价单元，配置为通过第二评价模型处理所述局部时序特征，得到所述多个备选预测模型的第二评价结果，所述第二评价结果用于表征各个备选预测模型基于所述局部时序特征进行预测的准确度；
融合单元，配置为对所述第一评价结果与所述第二评价结果进行融合，并基于融合结果从所述多个备选预测模型中选择用于对所述预定业务指标进行预测的模型。
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，在为当前业务主体预测时间序列的过程中，针对当前业务主体，从多个预测模型中选择其中一个进行相应时序的预测。在选择预测模型过程中，通过长期的全局时序分析和短期的局部时序分析，对各个预测模型针对当前业务主体的历史预测准确度进行评估，并将全局评估结果和局部评估结果融合，从而选择出在当前业务主体表现较优的预测模型，为其预测未来时间序列，提高时序预测准确性。
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具体场景示意图；
图2示出根据一种预测时间序列的模型选择方法流程图；
图3示出根据本说明书的一个具体例子的选择时序预测模型的实施架构示意图；
图4示出根据一个实施例的预测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。
图1示出本说明书技术构思下的一个具体场景示意图。可以理解，业务主体可以是与某种业务相关的实体，例如，一个商户，一个产品类别，一个区域等等。各种业务主体可以通过相应的业务指标进行描述，业务主体对应的业务指标可以通过业务量来评价。根据具体业务场景的不同，业务主体、业务指标以及相应的业务量也不同。举例而言，在购物平台场景下，业务主体可以对应着各个商户，相应的业务指标例如是销量，相应业务量可以是按照时间段(一周、一天、一个月等)统计的业务数量。类似地，在投资理财场景下，业务主体可以对应着各种投资渠道，例如保险公司、基金单位、银行、股票主体类别等，业务指标可以为投资金额、投资比例、投资用户数量等，业务量可以是相应业务指标上的具体数值。在其他业务场景下，业务主体还可以是其他形式，在此不再一一赘述。
单个业务主体在单个时间段内对应着一定的业务量。单个业务主体的单个业务指标在顺次排列的多个预定时间段内分别对应的各个业务量可以构成时间序列，图1中的时序是时间序列的简称。单个预定时间段可以根据业务需求设置，例如为一天、一周、一月等。多个时间段可以在时间上连续，也可以不连续。以单个预定时间段为1天例，假设多个时间段是连续的，如连续在多天采样销量，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)采样到的销量数值作为其时间序列，假设多个时间段是不连续的，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时间序列。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。描述已发生的业务的业务量的时间序列可以称为历史时间序列。
参考图1所示，本说明书的技术构思的一个具体实施场景可以是，向计算平台提供当前业务主体的历史时间序列，计算平台首先通过根据当前业务主体的全局时序和局部时序，在预先训练的N个时序预测模型中选出一个模型t，并利用模型t处理当前业务主体的历史时间序列，得到相应的预测时间序列。其中，N个备选预测模型均为时序预测模型，相互之间可以具有以下至少一个不同项：不同的模型架构、不同的训练样本、不同的收敛方式、不同的训练方法，从而具有不同的模型性能。
如图1所示，本说明书技术构思的关键点在于选择模块对备选预测模型的选择过程。具体而言，一方面，通过选择模块可以从多个预先训练的模型中选择针对当前业务主体具有更好性能的模型进行时序预测，另一方面，在选择模型过程中，从全局时序和局部时序两部分综合考虑。其中，全局时序可以挖掘业务主体在相应业务指标上的长期规律，从而通过其规律评价各个模型针对预定业务指标在一类业务主体中的表现，局部时序可以描述相应业务主体在近期针对预定业务指标的业务状态，从而评价各个模型在当前业务主体近期业务状态下的表现，对两种评价结果进行综合，可以选择对当前业务主体具有更优表现的模型进行时序预测，从而提高预测准确性。
下面参考图2示出的一个具体例子描述本说明书的技术构思。
如图2所示，示出一个实施例的针对预测时间序列的模型选择流程。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。更具体地，例如图1示出的计算平台。在本说明书的技术构思下，可以预先训练有多个预测模型作为备选预测模型，在预测时间序列的流程中为每个业务主体选择对其预测效果较优的预测模型为当前业务主体预测时间序列。
可以理解的是，备选的多个预测模型(以下可以称为备选预测模型)可以预先训练。其中，针对单个备选预测模型，进行训练的单条训练样本可以对应着单个业务主体对应于过去多个时间段的历史时间序列，以及后续时间序列。单个业务主体可以对应不同时期的多条训练样本。对备选预测模型进行训练时，可以将各条训练样本中的历史时间序列作为备选预测模型的输入，后续时间序列作为样本标签，通过备选预测模型的输出结果和相应的样本标签的对比确定模型损失，从而向模型损失减小的方向调整备选预测模型的待定参数。其中，单个备选预测模型例如可以是线性回归模型、曲线回归模型、ARMA(Autoregressive Integrated Moving Average Model，回归积分滑动平均模型)、序列预测神经网络(如BERT等)、VAR(在线价值模型)、TAR(门限模型)、ARCH(自回归条件异方差模型)等等适合时间序列预测的各种模型。
在一个可选的实施例中，各个备选预测模型均和预定业务指标相关，当前流程中使用的多个备选预测模型用于针对相同的业务进行预测，如销量，或者客流量等。值得说明的是，本说明书对备选预测模型和具体业务的关系并不严格限定。在另一个可选的实施例中，一个备选预测模型可以预测多项业务(如销量和客流量)上的时间序列；在再一个可选的实施例中，利用一种业务(如客流量)训练的备选预测模型也可以用于另一相似业务(如销量)的预测；在又一个可选的实施例中，还可以采用多项业务混合(如有的训练样本是销量相关样本，有的训练样本是客流量相关样本)训练同一个备选预测模型，用于其中的各项业务时序预测；在更一个可选的实施例中，备选预测模型的输入序列和输出序列可以为不同业务上的时间序列，例如，输入序列为客流量的时间序列，而输出序列为销量的时间序列；等等。
如图2所示，该为当前业务主体针对预测时间序列的模型的选择流程可以包括以下步骤：步骤201，根据预定业务指标的历史值的长期时间序列，提取该预定业务指标的全局时序特征，全局时序特征用于描述该预定业务指标的长期业务规律；步骤202，通过第一评价模型处理全局时序特征，得到多个备选预测模型的第一评价结果，该第一评价结果用于表征各个备选预测模型基于所述全局时序特征进行预测的准确度；步骤203，根据上述预定业务指标的历史值的局部时间序列，提取该预定业务指标的局部时序特征，局部时间序列为距离当前时间最近的预定长度的时间序列，局部时序特征用于表征预定业务指标的短期业务规律；步骤204，通过第二评价模型处理局部时序特征，得到所述多个备选预测模型的第二评价结果，第二评价结果用于表征各个备选预测模型基于局部时序特征进行预测的准确度；步骤205，对第一评价结果与第二评价结果进行融合，并基于融合结果从多个备选预测模型中选择用于对预定业务指标进行预测的模型。
首先，在步骤201中，根据预定业务指标的历史值的长期时间序列，提取预定业务指标的全局时序特征。这里，全局时序特征可以用于表征当前的预定业务指标的长期业务规律。业务指标可以是对相关业务主体的至少一种业务对应的评价指标。业务主体可以是待预测时间序列进行时序预测的各种业务主体，例如商户、保险品类、银行等等。相应地，长期时间序列可以是一个或多个业务主体在相应业务指标上对应的时间序列，例如某种或某个商户对应的业务指标可以是销售，客流、咨询(相应业务量为销量、客流量、咨询量、订单量、点击量)，等等，保险品类对应的业务指标可以是销售销量、销售额等，银行对应的预定业务指标可以是存款量、理财产品销量、储户数量、开户数量等。预定业务指标的历史值可以是像元业务指标上的真实值。长期时间序列对应的业务指标和待预测的时间序列所对应的预定业务可以一致，也可以不一致。
长期时间序列通常可以是相关业务主体在较长时间内的时间序列。这里的较长时间可以根据实际业务确定，例如为5年、具有统计数据以来的所有时间等。可选地，长期时间序列对应的单个时间单位长度可以和待预测的时间序列长度相关。举例而言，在对预定业务指标销量进行预测时，假设要预测未来一周的销量，长期时间序列可以包括多个周(例如100个周)的工作日销量构成的历史销量数据，而如果针对某个季度预测销量，则长期时间序列可以包括多年(例如10年)的历史销量数据，等等。
通过长期时间序列，可以挖掘预定业务指标在单个或多个业务主体上的长期规律。为了描述这些长期规律，可以通过长期时序特征提取相应的全局时序特征。可以理解，全局时序特征具有一定的统计性，因此，可以通过对原始时间序列进行相关计算得到。全局时序特征例如可以包括但不限于以下至少一项：周期特征、季节特征、自回归特征、趋势特征、地域特征，等等。
其中，周期特征用于反映长期时间序列所表现出的循环性，其可以包括周期长度、循环规律等中的一项或多项。例如，对于商场的客流量业务指标来说，可能呈现周一至周五较少，周六和周日较多的情形，则相应的周期长度可以为一周或7天，循环规律可以用以上情形的数字化表示，如用1位数字表示一天，则循环规律可以为0000011，或者通过字母、数字、符号或其组合(如A7)表示相应周期模式。
季节特征可以描述与季节相关的特征，例如对于一种清热化痰的药物销量指标来说，可能具有春季高、夏季低、秋季高、冬季更高的季节规律，则季节特征可以通过四位数字2213分别表示四季，数字大小与销量高低一致，或者通过字母、数字、符号等或其组合(如A3)表示相应季节性。
自回归特征用于描述某个时间单位的业务量与排列在其之前的最近多少个时间单位的业务量相关。例如，某个商户在某天的销量和其前5天的销量相关，换句话说，其在前五天的销量满足一定条件，则在当前天的销量大致出现某种结果，则自回归特征可以为5。
趋势特征用于描述业务量的长期趋势，其可以包括增长/下降趋势、增长/下降幅度等。例如，某个商场销量的增长/下降趋势为平稳、增长或下降等。在一个商场销量为持续增长的情况下，增长幅度为日增幅0.001、月增幅0.002等等。这些数值可以作为相应趋势特征。
地域特征用于表示业务量与地理位置相关的特征。例如，羽绒服在北方城市销量较高，在南方城市销量极少，大米在中原城市销量极少而在南北方城市销量较高，等等。地域特征例如可以通过城市代码、南北方分类等数据区分，在此不做限定。
在更多实施例中，全局时序特征还可以包括其他合理的特征项，在此不再赘述。
可以理解，自回归特征、趋势特征可以形成周期性或季节性，如每年春季增长秋季下降等，则形成周期的趋势特征可以提取为与趋势相关的周期特征或季节特征。季节特征也可能产生周期性，则形成周期规律的季节性特征也可以对应相应的周期特征。换句话说，在一些可选的实现方式中，以上特征之间可以相互关联。
全局时序特征可以人工提取，也可以按照预先设定的提取方式由计算机自动提取，在此不做限定。
然后，经由步骤202，通过第一评价模型处理全局时序特征，得到多个备选预测模型的第一评价结果。由于全局时序特征对至少一个业务主体的统计性特征，因此，全局时序特征代表了一类时间序列。从而，可以通过第一评价模型对全局时序特征的处理，对各个备选预测模型在相应类时间序列上的处理效果进行检测。
其中，备选预测模型的处理效果可以是各个备选预测模型基于全局时序特征进行预测的预测效果，例如准确度等。第一评价模型可以是打分模型，针对各个备选预测模型在该类时间序列上的模型指标输出打分结果，例如图1中的N个预测模型打分为：模型一0.3分，模型二0.5分，模型N 0.7分等。第一评价模型还可以是排序模型，例如按照相应模型指标由高到低(也可以由低到高)输出排序结果，如图1中的N个预测模型排序为：模型五(90％)、模型三(87％)、模型二(86.5％)、模型N(70％)……，实践中可以仅有排序结果，没有括号内的数值表示。第一评价模型还可以是选择模型，其输出结果对应着从多个备选预测模型中选择的一个或多个预测模型，如模型一、模型五等。在一个可选的实施例中，第一评价模型例如可以通过一个分类器实现。
在可选的实现方式中，第一评价模型可以通过以下方法进行训练。获取多条训练样本。其中，单条训练样本对应着单个业务主体，针对单个业务主体可以抽取至少一条训练样本。单条训练数据包括一个业务主体的历史全局时序特征，以及各个备选预测模型基于该历史全局时序特征进行预测的各个历史预测准确度。从而，可以通过将训练样本中的历史全局时序特征作为输入数据，将基于各个历史预测准确度确定的评价结果作为样本标签，根据第一评价模型的输出结果与样本标签的对比，确定模型损失，从而向模型损失减小的方向调整第一评价模型的待定参数，以监督学习的方式训练得到第一评价模型。
其中，历史预测准确度可以通过历史预测结束后真实发生的业务量与预测结果的差距对比确定。例如，针对每条预测数据，可以将预测的时间序列与相应的真实时间序列进行对比，确定单条数据准确度。这里的预测的时间序列可以是将对应业务主体的历史时间序列以及从该历史时间序列中抽取的历史全局时序特征中的至少一项输入备选预测模型，由备选预测模型进行处理而预测得到的。在历史时间序列和历史全局时序特征同时作为备选预测模型的输入数据的情况下，可以将对应业务主体的历史时间序列和历史全局时序特征合并，作为备选预测模型的输入。这里的合并可以通过拼接、加和等方式实现，在此不做限定。
在一个实施例中，可以将预测的时间序列与相应的真实时间序列分别看作两个向量或数组，则其对比结果可以通过向量相似度、方差、欧几里得距离等等确定。通常，向量相似度越高，相应准确度越高；方差越大，相应准确度越低；欧几里得距离越大，相应准确度越低；等等。例如，可以将与两个时间序列方差的倒数正相关的数值作为准确度。
在另一个实施例中，可以将预测的时间序列与相应的真实时间序列分别看作两个数组或集合，则其对比结果可以通过方差、杰卡德(Jaccard)相似系数等确定。例如，在通过Jaccard系数确定对比结果的情况下，可以将两者中相同的数值个数与时间序列中的总数值个数的比值作为准确度。
在其他实施例中，预测的时间序列与相应的真实时间序列还可以通过其他方式对比得到对比结果，在此不再赘述。
进一步地，基于单个样本主体，或者一类样本主体的预测效果的统计结果，可以确定单个备选预测模型为单个业务主体的预测准确度。例如，对单个样本主体或者一类样本主体的预测效果通过平均、加权、取最小值、取中位数等等中的至少一种方法，得到相应的预测准确度。然后，根据各个备选预测模型的预测准确度，确定第一评价模型的训练样本标签。在按照单个样本主体确定评价结果标签的情况下，可以基于该样本主体对应的多条训练样本确定相应准确度。在按照一类样本主体确定评价结果标签的情况下，还可以按照全局时序特征对样本主体进行分类，再对当前业务主体对应的一类样本主体确定相应准确度。例如可以采集训练样本中各个样本主体对应的全局时序特征，对这些全局时序特征通过聚类、线性回归、逻辑回归等方式进行分类。然后，对于一类样本主体中的各条训练样本确定评价结果标签。
其中，样本标签根据第一评价模型的输出类型确定。例如，在第一评价模型为打分模型的情况下，各个预测模型对应的准确度或与准确度正相关的其他数可以作为分值，得到评价结果标签。再例如：在第一评价模型为排序模型的情况下，各个预测模型按照对应的准确度排序，得到评价结果标签；在第一评价模型为选择模型的情况下，从各个预测模型中选出对应的准确度最大的若干个预测模型，得到评价结果标签。
如此，将当前样本主体的历史全局时序特征输入第一评价模型，可以由第一评价模型输出各个备选预测模型基于预测准确度的第一评价结果。与第一评价模型的作用相对应地，第一评价结果可以是在各个备选预测模型上的打分结果，也可以是针对各个备选预测模型的排序结果，还可以是从各个备选预测模型中选择的一个或多个预测模型的选择结果，在此不再赘述。
接着，在步骤203，根据上述预定业务指标的历史值的局部时间序列，提取该预定业务指标的局部时序特征。这里，局部时间序列是距离当前时间最近的时间序列，其在时间长度上比全局时间序列短，因此这里称为局部时间序列。该名称不对相应的时间序列本身进行实质性限定。
根据一个可选的实现方式，局部时间序列可以从当前业务主体的长期时间序列中获取。例如，通过一个时间窗口从长期时间序列中获取距离当前时间最近的时间序列。该时间窗口可以预先根据业务需求设定，如时间序列中的预定时间单位为一天的情况下，时间窗口例如为10天，时间序列中的预定时间单位为一个月的情况下，时间窗口例如为一年，等等。可选地，这里的时间窗口也可以是预定长度，也就是说包含预定数量(如10个)的业务量值的时间序列。在可选的实施例中，当前业务主体的长期时间序列满足周期性的情况下，局部时间序列可以按照预定周期数选取，例如选择2个周期的事件序列作为局部时间序列。
根据另一个可选的实现方式，局部时间序列与全局时间序列相互独立。例如时间粒度不同、涉及业务不同等。举例而言，时间粒度不同，也就是说局部时间序列与全局时间序列中单个业务量的值对应的预定时间单位是不同的。例如，全局时间序列的粒度为2天，也就是说，2天采集一个业务量数据，如100天对应的时间序列长度为50，而局部时间序列的粒度为1天，100天对应的时间序列长度为100。
局部时序特征可以是通过局部时间序列中提取的特征。可以理解，局部时间序列相当于原始数据，描述当前业务主体在最近一段时间的业务状况。局部时序特征用于描述当前业务主体在最近一段时间的业务状况的实质特点。这种实质特点可以对局部时间序列的表面数据进行挖掘，从而相对于表面数据可以携带更多实质性信息。例如，对时间序列中各个业务量之间的关联关系、业务状况的近期规律等进行挖掘等。
根据一个可能的设计，局部时序特征可以是对局部时间序列进行编码得到的编码特征。编码过程例如可以通过注意力机制、多层全连接神经网络等实现。可选地，编码过程可以采用语义编码器(如BERT等)、自编码器(autoencoder)之类的已有编码器进行。以自编码器为例，其可以简称AE，是一类在半监督学习和非监督学习中使用的人工神经网络(Artificial Neural Networks，ANNs)，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习(representation learning)。自编码器可以包含编码器(encoder)和解码器(decoder)两部分。按学习模式，自编码器可以被分为收缩自编码器(undercompleteautoencoder)、正则自编码器(regularized autoencoder)和变分自编码器(VariationalAutoEncoder,VAE)，其中前两者是判别模型、后者是生成模型。
编码器的输出结果可以看作是用于表征局部时间序列的隐向量。该隐向量的每一维度表示一个隐含特征。单个维度的隐含特征没有明确的定义，而是学习来的。隐含特征例如可以描述时间序列不同业务量之间的关联关系等。该隐向量可以体现当前业务主体的局部时序信息，从而可以作为局部时序特征。
在其他可能的设计中，还可以通过其他方式从局部时间序列中提取局部时序特征，例如注意力机制的神经网络等，在此不做限定。
进一步地，通过步骤204，通过第二评价模型处理局部时序特征，得到多个备选预测模型的第二评价结果。可以理解，第二评价模型用于对各个备选预测模型在当前业务主体基于预定业务指标的近期业务中的准确度。
通常，第二评价模型的输出结果对应的第二评价结果与第一评价结果一致，例如为打分结果、性能排序结果、选择结果等。第二评价模型的单个训练样本可以包括从一条历史预测用的历史局部时间序列提取到的历史局部时序特征作为输入数据，以及基于各个备选预测模型处理该历史局部时间序列所提供的预测序列与实际产生的时间序列进行对比得到的准确度作为样本标签。对应于训练样本的历史局部时间序列可以是从任一业务主体的时间序列中获取，获取方式可以与步骤203中获取局部时间序列的方式一致。在训练第二评价模型时，可以通过将训练样本中的各条历史局部时序特征作为输入数据，并将第二评价模型的输出结果与相应的样本标签进行对比而确定模型损失，从而向模型损失减小的方向调整第二评价模型的待定参数，以监督学习的方式训练得到第二评价模型。
其中，第二评价模型的训练方法、样本标签确定方法等与第一评价模型类似在此不再赘述。如此，训练好的第二评价模型，可以用于接收当前业务主体的局部时序特征，而输出结果对应着针对各个备选模型对当前业务主体基于上述预定业务指标的近期时间序列的预测效果的第二评价结果。
然后，根据步骤205，对第一评价结果与第二评价结果进行融合，并基于融合结果从多个备选预测模型中选择用于对预定业务指标进行预测的模型。
根据前文的描述，第一评价结果评价了各个备选预测模型在当前业务主体对应的一类业务主体上的预测效果，而第二评价结果评价了各个备选预测模型在当前业务主体近期的时间序列预测效果，为了在全局和局部进行平衡，为当前业务主体选择较优的预测模型进行时间序列预测。
第一评价结果和第二评价结果的融合可以通过均值、加权等方式进行。其中，在加权方式下，可以为第一评价结果和第二评价结果预先设定权重α、β。由于对局部时序更能体现各个备选预测模型对于当前业务主体在最近期时序预测中的表现，在可选的实施例中，第二评价结果β的权重可以大于第一评价结果α的权重。例如α＝0.3，β＝0.7等。在不同形式的评价结果下，第一评价结果和第二评价结果的融合也不同。
在一个实施例中，第一评价结果和第二评价结果均为针对各个备选预测模型的打分结果，例如第一评价结果为a＝(a1，a2，a3……)，第二评价结果为b＝(b1，b2，b3……)，其中，ai、bi代表对备选预测模型i的评分，则融合结果可以为平均结果(a+b)/2或加权结果a·α+b·β。
在另一个实施例中，第一评价结果和第二评价结果均为针对各个备选预测模型的排序结果，例如第一评价结果为(5，8，3……)，第二评价结果为(8，3，4……)。其中，各个数字依次代表备选预测模型1、2、3……。则融合结果中，单个备选预测模型的排序可以为在第一评价结果、第二评价结果中的排序的均值、加权值、中位数值、最小值等中的一项。例如，备选预测模型8在第一评价结果中排在第2，而在第二评价结果中排在第一，其融合结果的排位值可以为均值1.5。对于小数，可以保留，而在融合结果中按照排位值由小到大的顺序，对各个备选预测模型排序。
在又一个实施例中，第一评价结果和第二评价结果均为针对各个备选预测模型的排序结果，例如第一评价结果为(1，3，4)，表示选出模型1、模型3、模型4，第二评价结果为(3，7，10)，表示选出模型3、模型7、模型10。则根据一个具体例子，可以选出第一评价结果和第二评价结果共同选出的备选预测模型，如模型3，作为融合结果。在其他具体例子中，第一评价结果和第二评价结果可能不存在共同选出的备选预测模型，或者存在多个共同选出的备选预测模型。可选地，在不存在共同选出的备选预测模型的情况下，可以从第二评价结果中随机选择一个模型，在存在多个共同选出的备选预测模型的情况下，可以从多个共同选出的模型中随机选择一个模型，作为融合结果。
在更多实施例中，还可以有更多种合理的方式对第一评价结果、第二评价结果进行融合，在此不再赘述。根据融合结果可以为当前业务主体确定较优的预测模型，例如，融合结果包括多个备选预测模型的情况下，可以选择排列在第一个或最后一个(和排列规则有关)的性能较优的模型作为为当前业务主体确定的用于预定业务指标预测的模型。这里可以将其称为第一预测模型。
利用第一预测模型，可以处理当前业务主体基于预定业务指标的历史时间序列，从而为当前业务主体预测未来的时间序列。这里的历史时间序列可以与前文的局部时间序列一致，也可以不一致，在此不做限定。未来的时间序列长度可以根据具体业务需求确定。由于时间序列通常是多个时间段内在预定业务上的业务量构成的序列，也可以说这里的预测针对的是当前业务主体的预定业务。
值得说明的是，图2示出的各个步骤中，步骤201、步骤202针对的是当前业务数据的长期时序数据的处理和评估，步骤203、步骤204针对的是当前业务数据的短期时序数据的处理和评估，这两个过程是相互独立的，因此在实践中，以上的步骤201、步骤202和步骤203、步骤204所描述的两个过程可以并行执行，也可以调换顺序执行，本说明书对此不做限定。
作为一个具体例子，图3示出了一个模型选择的实现流程简图。如图3所示，在预测模型选择过程中：一方面利用当前业务主体在预定业务指标上的全局时间序列数据，提取全局时序特征来描述预定业务指标的长期业务规律，得到对各个备选预测模型的第一评价结果；另一方面利用当前业务主体短期的局部时间序列数据，提取局部时序特征来描述当前业务主体在预定业务指标上的短期业务状态，得到对各个备选预测模型的第二评价结果。进一步地，将第一评价结果和第二评价结果进行融合路由，从而根据融合结果选择最优的预测模型，提供最优模型ID。该最优模型ID可以用于针对当前业务主体，预测在预定业务指标上的时间序列。
回顾以上过程，在为当前的目标业务主体预测相应的时间序列之前，可以从预先训练的多个备选预测模型中选择较优的预测模型。该选择过程既考虑预测模型在一类业务主体上的长期时间序列预测效果，又考虑针对当前业务主体的短期时间序列的预测效果，从而可以考虑更多的数据，并可以在短期序列处理和长期序列处理效果上进行平衡，提高时间序列预测的准确度。
根据另一方面的实施例，还提供一种为当前业务主体预测时间序列的装置。该装置用于从多个备选预测模型中出用于预测当前业务主体关于预定业务的时间序列的预测模型，从而为当前业务主体预测预定业务的未来时间序列。该装置可以设于具有一定计算能力的计算机、设备、服务器，例如图1中的计算平台。
图4示出了一个实施例的预测时间序列的装置400。装置400用于从多个备选预测模型中选择用于对业务主体的预定业务指标进行时序预测的模型。如图4所示，装置400包括：全局特征提取单元401，配置为根据预定业务指标的历史值的长期时间序列，提取预定业务指标全局时序特征，全局时序特征用于表征预定业务指标的长期业务规律；全局评价单元402，配置为通过第一评价模型处理全局时序特征，得到多个备选预测模型的第一评价结果，第一评价结果用于表征各个备选预测模型基于全局时序特征进行预测的准确度；局部特征提取单元403，配置为根据预定业务指标的历史值的局部时间序列，提取预定业务指标的局部时序特征，局部时间序列根据距离当前时间最近的预定长度的时间序列，局部时序特征用于表征预定业务指标的短期业务规律；局部评价单元404，配置为通过第二评价模型处理局部时序特征，得到多个备选预测模型的第二评价结果，第二评价结果用于表征各个备选预测模型基于局部时序特征进行预测的准确度；融合单元405，配置为对第一评价结果与第二评价结果进行融合，并基于融合结果从多个备选预测模型中选择用于对预定业务指标进行预测的模型。
在一个实施例中，全局时序特征包括周期特征、季节特征、趋势特征、自回归特征中的至少一项。
在一个实施例中，局部时序特征通过对局部时间序列进行编码得到的隐向量描述。
在一个实施例中，第一评价结果/第二评价结果为以下中的一项：
对各个备选预测模型的打分结果；
对各个备选预测模型的排序结果；
从多个备选预测模型选择若干个预测模型的选择结果。
根据一个可能的设计，在第一评价结果/第二评价结果为对各个备选预测模型的打分结果的情况下，融合单元405进一步配置为：
基于第一评价结果与第二评价结果，对各个备选预测模型各自的两个打分结果进行平均、加权、取中位数、取最小值中的至少一项操作，得到相应的融合结果。
值得说明的是，图4所示的装置400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400，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。
以上所描述的具体实施方式，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，以上描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 (13)

1.一种模型选择方法，用于从多个备选预测模型中选择用于对业务主体的预定业务指标进行时序预测的模型，所述方法包括：
根据所述预定业务指标的历史值的长期时间序列，提取所述预定业务指标的全局时序特征，所述全局时序特征用于表征所述预定业务指标的长期业务规律；
通过第一评价模型处理所述全局时序特征，得到所述多个备选预测模型的第一评价结果，所述第一评价结果用于表征各个备选预测模型基于所述全局时序特征进行预测的准确度；
根据所述预定业务指标的历史值的局部时间序列，提取所述预定业务指标的局部时序特征，所述局部时间序列为距离当前时间最近的预定长度的时间序列，所述局部时序特征用于表征所述预定业务指标的短期业务规律；
通过第二评价模型处理所述局部时序特征，得到所述多个备选预测模型的第二评价结果，所述第二评价结果用于表征各个备选预测模型基于所述局部时序特征进行预测的准确度；
对所述第一评价结果与所述第二评价结果进行融合，并基于融合结果从所述多个备选预测模型中选择用于对所述预定业务指标进行预测的模型。
2.根据权利要求1所述的方法，其中，所述全局时序特征包括周期特征、季节特征、趋势特征、自回归特征中的至少一项。
3.根据权利要求1所述的方法，其中，所述局部时序特征包括通过对所述局部时间序列进行编码得到的隐向量描述。
4.根据权利要求1所述的方法，其中，所述第一评价结果/第二评价结果为以下中的一项：
对各个备选预测模型的打分结果；
对各个备选预测模型的排序结果；
从所述多个备选预测模型选择若干个预测模型的选择结果。
5.根据权利要求4所述的方法，其中，在所述第一评价结果/第二评价结果为对各个备选预测模型的打分结果的情况下，所述对所述第一评价结果与所述第二评价结果进行融合包括：
基于所述第一评价结果与所述第二评价结果，对各个备选预测模型各自的两个打分结果进行平均、加权、取中位数、取最小值中的至少一项操作，得到相应的融合结果。
6.根据权利要求1所述的方法，其中，所述第一评价模型的单条训练样本包括单个业务主体的历史全局时序特征，以及各个备选预测模型基于所述历史全局时序特征进行预测的各个历史预测准确度；
其中，所述第一评价模型是通过将训练样本中的历史全局时序特征作为输入数据，将基于各个历史预测准确度确定的评价结果作为样本标签，以监督学习的方式训练得到的。
7.根据权利要求1所述的方法，其中，所述第二评价模型的单条训练样本包括单个业务主体的历史局部时序特征，以及各个备选预测模型基于所述历史局部时序特征进行预测的各个历史预测准确度；
其中，所述第二评价模型是通过将训练样本中的历史局部时序特征作为输入数据，将基于各个历史预测准确度确定的评价结果作为样本标签，以监督学习的方式训练得到的。
8.根据权利要求6或7所述的方法，其中，单个备选预测模型的历史预测准确度通过以下方式确定：
使该单个备选预测模型进行多次预测，并计算该多次预测各自的准确度；以及
对该多次预测各自的准确度进行求均值、取最小值、取中位数中的一项处理，并将处理得到的准确度确定为该单个备选预测模型的历史预测准确度。
9.根据权利要求8所述的方法，其中，所述多次预测中单次预测的准确度通过以下方式确定：
获取所述单个备选预测模型的单次预测的单个预测时间序列以及与该单个预测时间序列对应的真实时间序列；
基于对所述单个预测时间序列与所述真实时间序列的一致性检测，确定该单次预测的准确度。
10.根据权利要求9所述的方法，其中，所述单个预测时间序列与所述真实时间序列的一致性通过向量相似度、方差、杰卡德系数中的一项确定。
11.一种模型选择装置，用于从多个备选预测模型中选择用于对业务主体的预定业务指标进行时序预测的模型，所述装置包括：
全局特征提取单元，配置为根据所述预定业务指标的历史值的长期时间序列，提取所述预定业务指标的全局时序特征，所述全局时序特征用于表征所述预定业务指标的长期业务规律；
全局评价单元，配置为通过第一评价模型处理所述全局时序特征，得到所述多个备选预测模型的第一评价结果所述第一评价结果用于表征各个备选预测模型基于所述全局时序特征进行预测的准确度；
局部特征提取单元，配置为根据所述预定业务指标的历史值的局部时间序列，提取所述预定业务指标的局部时序特征，所述局部时间序列为距离当前时间最近的预定长度的时间序列，所述局部时序特征用于表征所述预定业务指标的短期业务规律；
局部评价单元，配置为通过第二评价模型处理所述局部时序特征，得到所述多个备选预测模型的第二评价结果，所述第二评价结果用于表征各个备选预测模型基于所述局部时序特征进行预测的准确度；
融合单元，配置为对所述第一评价结果与所述第二评价结果进行融合，并基于融合结果从所述多个备选预测模型中选择用于对所述预定业务指标进行预测的模型。
12.一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1-10中任一项的所述的方法。
13.一种计算设备，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1-10中任一项所述的方法。
CN202210647255.1A 2022-06-09 2022-06-09 模型选择的方法及装置 Pending CN114971057A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210647255.1A CN114971057A (zh) 2022-06-09 2022-06-09 模型选择的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210647255.1A CN114971057A (zh) 2022-06-09 2022-06-09 模型选择的方法及装置

Publications (1)

Publication Number Publication Date
CN114971057A true CN114971057A (zh) 2022-08-30

Family

ID=82960855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210647255.1A Pending CN114971057A (zh) 2022-06-09 2022-06-09 模型选择的方法及装置

Country Status (1)

Country Link
CN (1) CN114971057A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150154619A1 (en) * 2013-12-02 2015-06-04 Caterpillar Inc. Systems and Methods for Forecasting
CN108475537A (zh) * 2016-01-05 2018-08-31 皇家飞利浦有限公司 用于监测对象的方法和装置
CN109784473A (zh) * 2018-12-13 2019-05-21 天津大学 一种基于双时序特征学习的短期风功率预测方法
EP3499433A1 (en) * 2017-12-14 2019-06-19 Business Objects Software Limited Multi-step time series forecasting with residual learning
CN110009384A (zh) * 2019-01-07 2019-07-12 阿里巴巴集团控股有限公司 预测业务指标的方法及装置
WO2020247943A1 (en) * 2019-06-06 2020-12-10 Tibco Software Inc. A multi-method system for optimal predictive model selection
WO2020259421A1 (zh) * 2019-06-28 2020-12-30 深圳前海微众银行股份有限公司 一种业务系统的监控方法及装置
CN113610230A (zh) * 2021-08-16 2021-11-05 中国工商银行股份有限公司 训练方法、预测方法、装置、计算机系统及存储介质
CN113743643A (zh) * 2021-02-05 2021-12-03 北京京东振世信息技术有限公司 一种确定商品数据预测准确率的方法、装置、设备和介质
CN114118636A (zh) * 2022-01-28 2022-03-01 中汽数据(天津)有限公司 一种基于多模型选优的汽车备件需求预测系统
WO2022053064A1 (zh) * 2020-09-14 2022-03-17 胜斗士(上海)科技技术发展有限公司 用于时间序列预测的方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150154619A1 (en) * 2013-12-02 2015-06-04 Caterpillar Inc. Systems and Methods for Forecasting
CN108475537A (zh) * 2016-01-05 2018-08-31 皇家飞利浦有限公司 用于监测对象的方法和装置
EP3499433A1 (en) * 2017-12-14 2019-06-19 Business Objects Software Limited Multi-step time series forecasting with residual learning
CN109784473A (zh) * 2018-12-13 2019-05-21 天津大学 一种基于双时序特征学习的短期风功率预测方法
CN110009384A (zh) * 2019-01-07 2019-07-12 阿里巴巴集团控股有限公司 预测业务指标的方法及装置
WO2020247943A1 (en) * 2019-06-06 2020-12-10 Tibco Software Inc. A multi-method system for optimal predictive model selection
WO2020259421A1 (zh) * 2019-06-28 2020-12-30 深圳前海微众银行股份有限公司 一种业务系统的监控方法及装置
WO2022053064A1 (zh) * 2020-09-14 2022-03-17 胜斗士(上海)科技技术发展有限公司 用于时间序列预测的方法和装置
CN113743643A (zh) * 2021-02-05 2021-12-03 北京京东振世信息技术有限公司 一种确定商品数据预测准确率的方法、装置、设备和介质
CN113610230A (zh) * 2021-08-16 2021-11-05 中国工商银行股份有限公司 训练方法、预测方法、装置、计算机系统及存储介质
CN114118636A (zh) * 2022-01-28 2022-03-01 中汽数据(天津)有限公司 一种基于多模型选优的汽车备件需求预测系统

Similar Documents

Publication Publication Date Title
CN111737546B (zh) 确定实体业务属性的方法及装置
CN110599336B (zh) 一种金融产品购买预测方法及系统
WO2006102381A2 (en) Constrained tree structure method and system
CN111178611A (zh) 一种日电量预测的方法
Hoiles et al. Rationally inattentive inverse reinforcement learning explains youtube commenting behavior
Bajari et al. Hedonic prices and quality adjusted price indices powered by AI
CN111210072A (zh) 预测模型训练和用户资源额度确定方法及装置
CN113570398A (zh) 推广数据处理方法、模型训练方法、系统和存储介质
CN110598126B (zh) 基于行为习惯的跨社交网络用户身份识别方法
Zhang et al. Predicting stock price movement using a DBN-RNN
Evgeniou et al. Uncovering sparsity and heterogeneity in firm-level return predictability using machine learning
CN115730125A (zh) 对象识别方法、装置、计算机设备和存储介质
Keles et al. IBMMS decision support tool for management of bank telemarketing campaigns
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
CN115618079A (zh) 会话推荐方法、装置、电子设备及存储介质
CN114971057A (zh) 模型选择的方法及装置
WO2005064511A1 (ja) キャンペーン動的適正化システム及びその方法又はその方法を記録した記録媒体及びその方法を伝送する伝送媒体
Bezbochina et al. Dynamic Classification of Bank Clients by the Predictability of Their Transactional Behavior
US20240070741A1 (en) Providing visual indications of time sensitive real estate listing information on a graphical user interface (gui)
Gaurav et al. Towards A Deep FLANN For Prediction Of Stock Market Returns
Equihua Linares Representation Learning Methods for Sequential Information in Marketing and Customer Level Transactions
Kuznietsova et al. Data Mining Methods for Evaluation and Forecasting the Mobile Internet Traffic in Roaming.
NV et al. Machine Learning based Prediction of Customer Churning in Banking Sector
Alghamdi A Deep Learning Based Approach for Time-series Modeling
CN118200393A (zh) 一种消息推送方法和装置

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