CN114981825A - 基于自动学习预测及控制时间序列数据的方法及装置 - Google Patents
基于自动学习预测及控制时间序列数据的方法及装置 Download PDFInfo
- Publication number
- CN114981825A CN114981825A CN202180007224.3A CN202180007224A CN114981825A CN 114981825 A CN114981825 A CN 114981825A CN 202180007224 A CN202180007224 A CN 202180007224A CN 114981825 A CN114981825 A CN 114981825A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- series data
- predicting
- learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000013473 artificial intelligence Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 239000000470 constituent Substances 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于自动学习预测及控制时间序列数据的方法及装置。根据一实施例的基于自动学习预测及控制时间序列数据的方法,包括以下步骤:根据各个模型的条件学习多个时间序列数据预测模型;在经过学习的时间序列数据预测模型中,确定满足预定条件的一个以上的最优模型;以及通过组合一个以上的最优模型来生成最终模型,其中,多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。
Description
技术领域
以下实施例涉及一种用于基于自动学习预测及控制时间序列数据的方法及设备,更具体地,涉及一种基于自动学习的人工智能学习及验证技术,其仅使用适当量的学习时间序列数据就可以精确预测未来。
背景技术
在金融和制造业等领域,人们通常必须识别时间序列和顺序数据的变化,并做出适当的判断。例如,证券公司的专业投资者监控汇率和利率等市场价值的变化,并预测投资的时间和金额;工厂设备的操作员检查温度、压力及流量信息,并预测设施的条件,以执行最优控制。然而,由于对股票和汇率等时间序列数据的分析涉及复杂的因素,因此很难确定哪些因素会产生影响。
与传统的统计分析相比,人工智能技术的最新进展在预测方面显示出了优越的预测性能。然而,现有的人工智能模型存在一个问题,即基于数据学习的模型缺乏随时间推移的再学习,因此其一致性随时间推移而降低。此外,现有的人工智能模型只关注异常数据的诊断,因此不适合自动学习并提供最优的设施控制和投资技术。
发明内容
要解决的技术问题
实施例不仅基于机器学习模型执行学习和预测,还通过自动学习深度学习模型来选择最优模型。
实施例旨在提供用于优化控制目标变量的自动学习功能。
实施例旨在提供学习深度学习模型及对时间序列深度学习模型的描述的功能。
本发明中要解决的技术问题并不限于上述问题,本领域技术人员可以从下面的描述中清楚地理解本文未提及的其他技术问题。
解决问题的技术方法
根据一实施例的基于自动学习预测及控制时间序列数据的方法,包括以下步骤:根据各个模型的条件学习多个时间序列数据预测模型;在所述经过学习的时间序列数据预测模型中,确定满足预定条件的一个以上的最优模型;以及通过组合所述一个以上的最优模型来生成最终模型,其中,所述多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。
根据一实施例的基于自动学习预测及控制时间序列数据的方法,还可以包括以下步骤:接收用于预测时间序列数据的目标变量数据;以及将所述目标变量数据输入到所述最终模型,并输出与所述目标变量数据对应的目标变量预测数据。
根据一实施例的基于自动学习预测及控制时间序列数据的方法,还可以包括以下步骤:接收用于确定所述目标变量预测数据中的变化方向的控制变量数据;以及将所述控制变量数据输入到所述最终模型,并输出与所述控制变量数据对应的控制变量预测数据。
根据一实施例的基于自动学习预测及控制时间序列数据的方法,还可以包括以下步骤:基于所述目标变量预测数据及所述控制变量预测数据来提供所述时间序列数据的预测结果及控制方法。
根据一实施例的基于自动学习预测及控制时间序列数据的方法,还包括以下步骤:基于所述目标变量预测数据与所述控制变量预测数据之间的相关关系来调整所述控制变量数据。
调整所述控制变量数据的步骤,可以包括以下步骤:根据基于所述目标变量预测数据及所述控制变量预测数据确定的奖励函数来学习强化学习模型。
输出所述控制变量预测数据的步骤,可以包括以下步骤:确定所述控制变量数据的移动方向;以及确定所述控制变量数据的最优搜索时间。
输出所述目标变量预测数据的步骤,可以包括以下步骤:基于所述控制变量数据的所述移动方向及所述最优搜索时间来输出所述目标变量预测数据。
所述学习的步骤,可以包括以下步骤:根据所述各个模型的条件,以预定次数学习所述多个时间序列数据预测模型。
根据一实施例的基于自动学习预测及控制时间序列数据的方法,还可以包括以下步骤:评估所述最终模型的预测性能;以及当所述最终模型的预测性能降低到预定阈值以下时,更新所述最终模型。
根据一实施例的基于自动学习预测及控制时间序列数据的方法,还可以包括以下步骤:根据预定周期更新所述最终模型。
根据一实施例的基于自动学习预测及控制时间序列数据的装置包括:处理器,其被配置成根据各个模型的条件学习多个时间序列数据预测模型,在所述经过学习的时间序列数据预测模型中确定满足预定条件的一个以上的最优模型,并通过组合所述一个以上的最优模型来生成最终模型,其中,所述多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。
所述处理器可以被配置成:接收用于预测时间序列数据的目标变量数据,并将所述目标变量数据输入到所述最终模型,输出与所述目标变量数据对应的目标变量预测数据。
所述处理器可以被配置成:接收用于确定所述目标变量预测数据中的变化方向的控制变量数据,并将所述控制变量数据输入到所述最终模型,输出与所述控制变量数据对应的控制变量预测数据。
所述处理器可以基于所述目标变量预测数据及所述控制变量预测数据来提供所述时间序列数据的预测结果及控制方法。
所述处理器可以基于所述目标变量预测数据与所述控制变量预测数据之间的相关关系来调整所述控制变量数据。
所述处理器可以根据基于所述目标变量预测数据及所述控制变量预测数据确定的奖励函数来学习强化学习模型。
所述处理器可以根据所述各个模型的条件,以预定次数学习所述多个时间序列数据预测模型。
所处处理器可以评估所述最终模型的预测性能,并且当所述最终模型的预测性能降低到预定阈值以下时更新所述最终模型。
所述处理器可以根据预定周期更新所述最终模型。
发明的效果
实施例不仅可以基于机器学习模型执行学习和预测,还可以通过自动学习深度学习模型来选择最优模型。
实施例可以提供用于优化控制目标变量的自动学习功能。
实施例可以提供学习深度学习模型及对时间序列深度学习模型的描述的功能。
本发明的效果并不限于上述问题,本领域技术人员可以从权利范围的描述中清楚地理解本文未提及的其他效果。
附图说明
图1为说明根据一实施例的基于自动学习预测及控制时间序列数据的方法的附图。
图2为说明根据一实施例的学习装置与预测装置之间的关系的附图
图3为说明根据一实施例的基于自动学习预测及控制时间序列数据的方法的附图。
图4为说明根据一实施例的学习方法的附图。
图5a至图5b为说明根据一实施例的预测及控制时间序列数据的方法的附图。
图6为示出根据一实施例的人工智能装置的框图。
具体实施方式
本发明所公开的对于特定结构或者功能的说明仅用于对按照本发明的概念的实施例进行说明,由此,实施例能够以多种形态进行实施,并非限定于本发明说明的实施例。
第一或第二等术语能够用于说明多种构成要素,然而,这些术语仅用于将一个构成要素区别于其他构成要素。例如,第一构成要素能够命名为第二构成要素,类似地,第二构成要素同样能够命名为第一构成要素。
当说明一个构成要素“连接”或者“接触”另一个构成要素时,能够是直接连接或接触其他构成要素,然而,也能够理解为在它们之间存在其他构成要素。相反,当说明一个构成要素“直接连接”或“直接接触”另一构成要素时,应理解为在它们中间不存在其他构成要素。说明构成要素间关系的表达,例如“在~之间”及“直接在~之间”或者“邻近于~”及“直接邻近于~”等也应以相同方式进行解释。
在内容中没有特别说明的情况下,单数表达包括复数含义。在本说明书中,“包括”或者“具有”等术语用于表达存在说明书中所记载的特征、数字、步骤、操作、构成要素、配件或其组合,并不排除还具有一个或以上的其他特征、数字、步骤、操作、构成要素、配件或其组合,或者附加功能。
在没有其他定义的情况下,包括技术或者科学术语在内的在此使用的全部术语,都具有本领域普通技术人员所理解的通常的含义。通常使用的与词典定义相同的术语,应理解为与相关技术的通常的内容相一致的含义,在本申请中没有明确言及的情况下,不能过度理想化或解释为形式上的含义。
实施例可以实现为各种类型的产品,如个人计算机(PC)、膝上型计算机、平板计算机、智能手机、电视、智能家用电器、智能车辆、自助服务终端及可穿戴设备等。以下,将参照附图对实施例进行详细说明。在各附图中,相同的构成要素赋予相同的附图标记。
图1为说明根据一实施例的基于自动学习预测及控制时间序列数据的方法的附图。
由于股票和汇率等时间序列数据的分析涉及复杂因素,因此很难确定哪些因素对分析有影响。与传统的统计分析相比,人工智能技术的最新进展在预测方面显示出了优越的预测性能。具体地,深度学习技术可以与人类相当地准确识别图像及大数据中出现的用户的各种行为模式。基于深度学习技术的人工智能模型可以以人类相当的认知功能识别个性化用户的模式,从而做出比人类更准确的预测。然而,为了实现准确的学习,有必要将准确度与许多人工智能(如,机器学习和深度学习)模型进行比较。
根据一实施例的用于基于自动学习预测及控制时序数据的装置(以下称为控制及预测装置)100可以提供基于联邦学习(Federated Learning)的预测、自动控制及描述服务,其中所述联邦学习是各种人工智能技术的优点的组合。
参照图1,根据一实施例的控制及预测装置250可以接收输入时间序列数据110,并输出对应于输入时间序列数据110的预测时间序列数据120。此外,控制及预测装置250可以输出预测描述130及预测时间序列数据120,其中所述预测描述130包括时间序列预测结果、该预测原因及最优控制建议中的至少一个。
例如,控制及预测装置250可以输出预测描述130及预测时间序列数据120,其中所述预测描述130包括表示“从现在起,数据可能会线性减少”的时间序列预测结果、以及表示“为了将数据调整到适当的水平,建议将输入A降低X%”的最优控制建议。
图2为说明根据一实施例的学习装置与预测装置之间的关系的附图。
参照图2,根据一实施例的学习装置200对应于具有各种处理功能的计算设备,例如生成神经网络、训练(train)(或学习(learn))神经网络或重新训练(retrain)神经网络的功能。例如,学习装置200可以实现为各种类型的设备,例如个人计算机(PC)、服务器设备或移动设备。
学习装置200可以通过重复训练(或学习)给定的初始神经网络来生成经过训练的神经网络210。训练后的神经网络210的生成可以意味着确定神经网络参数。在此,参数可以包括用于输入神经网络/从神经网络输出各种类型的数据,例如,神经网络的输入/输出激活、权重及偏差等。当重复训练神经网络时,可以调整(tuned)神经网络的参数,以计算给定输入的更精确输出。
学习装置250可以将训练后的神经网络210发送到预测装置250。预测装置250可以包括在移动设备或嵌入(embedded)式设备中。预测装置250可以是用于操作神经网络的专用硬件。
预测装置250可以在不改变的情况下操作经过训练的神经网络210,或者可以操作通过处理(例如,量化)经过训练的神经网络210而获得的神经网络260。用于操作经处理的神经网络160的预测装置250可以在独立于生成模型训练装置200的单独装置中实现。然而,实施例并不限于此,并且预测装置250和学习装置200也可以在同一设备中实现。以下,将包括预测装置250及学习装置200两者的设备称为人工智能装置。
图3为说明根据一实施例的基于自动学习预测及控制时间序列数据的方法的附图。
参照图3,步骤310至步骤330可以由上文参考图2所述的学习装置执行。根据一实施例的学习装置可以由一个以上的硬件模块、一个以上的软件模块或其各种组合来实现。此外,可以以所示的顺序和方式执行图3的操作,然而,在不脱离图3所示的实施例的精神和范围的情况下,可以改变一些操作的顺序,或省略一些操作。图3中的操作可以并行或同时执行。
在步骤310中,学习装置根据各个模型的条件学习多个时间序列数据预测模型。学习装置可以在不同的条件下为各个模型学习预定次数(例如,三次)。
在步骤320中,学习装置在经过学习的时间序列数据预测模型中,确定满足预定条件的一个以上的最优模型。例如,学习装置可以在多个时间序列数据预测模型中,将预测性能良好且不会根据模型变化而显著变化的前三个模型确定为最优模型。
在步骤330中,学习装置通过组合一个以上的最优模型来生成最终模型。
当给定的预测性能降低或学习后经过特定周期时,可以自动重复步骤310至步骤330。例如,学习装置可以评估最终模型的预测性能,并且当最终模型的预测性能降低到预定阈值以下时,可以重复步骤310至步骤330以更新最终模型。或者,学习装置可以根据预定周期更新最终模型。
图4为说明根据一实施例的学习方法的附图。
参照图4,根据一实施例的学习装置可以根据各个模型的条件来学习多个时间序列数据预测模型。
根据一实施例的多个时间序列数据预测模型可以包括基于统计的预测模型和基于深度学习的预测模型中的至少一个。例如,基于统计的预测模型可以包括LASSO、ARIMA、XGBoost等,基于深度学习的预测模型可以包括FCN/CNN、LSTM、LSTM-CNN、STGCN、DARNN、DSANet等。然而,上述多个时间序列数据预测模型为示例性,仅根据技术概念描述实施例,并且,多个时间序列数据预测模型可以包括各种不同的模型,并且其并不限于本说明书中描述的示例。
学习装置可以对多个时间序列数据预测模型中的每一个进行三次训练,并从中确定最优模型。例如,学习装置可以将M2XGB(XGBoost模型中的第二学习模型)确定为第一最优模型、将M3LSTM-CNN(LSTM-CNN模型中的第三学习模型)确定为第二最优模型、将M1DARNN(DARNN模型中的第一学习模型)确定为第三最优模型。
此外,学习装置可以通过组合M2XGB、M3LSTM-CNN及M1DARNN来生成最终模型(例如,ModelMIX)。当生成最终模型时,预测装置可以使用经过最佳学习并存储的最终模型来实时提供输入数据的预测值,而无需重新训练。下面将参照图5a至5b描述预测及控制时间序列数据的详细方法。
图5a为说明根据一实施例的预测及控制时间序列数据的方法的附图。
参考图5a,根据一实施例的预测装置可以从学习装置接收最终模型。然而,如上所述,预测装置和学习装置可以在同一设备中实现。
预测装置可以接收用于预测时间序列数据的目标变量数据。此外,预测装置可以将目标变量数据输入到最终模型,并输出与目标变量数据相对应的目标变量预测数据。目标变量数据可以是待预测的输入时间序列数据,并且预测目标变量数据可以是对应于目标变量数据的预测数据。例如,目标变量数据可以是随时间变化的过程收益率数据或投资回报率数据。
预测装置可以接收确定目标变量预测数据的变化方向的控制变量数据。此外,预测装置可以将控制变量数据输入到最终模型,并输出与控制变量数据相对应的控制变量预测数据。控制变量数据可以是确定目标变量预测数据中的变化方向的数据,例如,如果目标数据是投资回报率数据,则控制变量数据可以是有可能影响投资回报率数据的国际油价数据或汇率数据等。
预测装置可以基于目标变量预测数据和控制变量预测数据来提供时间序列数据的预测结果及控制方法。预测装置可以基于目标变量预测数据与控制变量预测数据之间的相关关系来调整控制变量数据。例如,预测装置可以根据基于目标变量预测数据及控制变量预测数据确定的奖励函数来学习强化学习模型。
例如,预测装置可以基于最优预测模型调整控制变量,以确定目标变量数据的变化方向(例如,过程产量及生产改进、投资回报增加、稳定性增加),并可以通过强化学习对其进行优化的控制变量数据进行学习。此外,预测装置可以向用户提供最优控制变量的调整方向。下面,参照图5b对根据一实施例的引导方法进行更详细的说明。
参照图5b,根据一实施例的预测装置可以向用户引导控制变量(例如,过程参数或过程自变量)的最优值搜索方向和最优值搜索时间。即,最优函数的变量可以是最优目标参数Y、过程参数(x1、x2、…、xn)及最优值搜索时间(或搜索次数)。
根据一实施例的预测装置还可以包括黑盒模型以及最终模型。根据一实施例的黑盒模型可以是输出与自变量对应的结果值的模型。根据一实施例的最终模型可以用于预测结果值,根据一实施例的黑盒模型可以用于基于最终模型预测的最优值搜索结果确定最优搜索时间和最优值。
更具体地,根据一实施例的预测装置可能必须从过程自变量的原点(例如,初始x)选择移动方向(例如,增加或减少),以搜索过程最优值。例如,根据一实施例的预测装置可以根据最终模型(例如,可解释模型)学习到的自变量和因变量y之间的相关关系(例如,梯度)来确定移动方向。例如,当可解释模型的响应(yt=f(xt))得到改善(yt>yt-1)时,根据一实施例的预测装置可以从原点沿任意方向搜索一次过程自变量(xt=xt-1+dx),然后存储相应的搜索值并执行下一个最优值搜索,或者,当响应没有改善时,可以取消相应的搜索值,并将自变量返回到以前的位置(xt-1)。
当达到预定的搜索结束时间时,根据一实施例的预测装置可以将存储的最优值搜索结果(xt)输入到黑盒模型。根据一实施例的预测装置可以找到黑盒模型的响应为最优(argmax f(x))的搜索时间(搜索次数),以确定相应的时间作为最优搜索时间,并确定最优搜索时间的最优值搜索结果作为指导(最优x)。因此,该系统能够提供准确的过程指南及其描述。
图6为示出根据一实施例的人工智能装置的框图。
参照图6,根据一实施例的人工智能装置包括处理器610。人工智能装潢之还可以包括通信接口630及存储器620。处理器610、存储器620及通信接口可以经由通信总线彼此通信。
处理器610可以根据各个模型的条件学习多个时间序列数据预测模型,并在所述经过学习的时间序列数据预测模型中确定满足预定条件的一个以上的最优模型,并通过组合所述一个以上的最优模型来生成最终模型,
存储器620可以存储在上述处理器610执行的处理过程中生成的各种信息。另外,存储器620可以存储其他各种数据和程序等。存储器620可以包括易失性或非易失性存储器。存储器620可以包括大容量存储介质,例如硬盘等,并存储各种数据。
另外,处理器610可以执行以上参考图1至图5所述的至少一种方法,或与至少一种方法对应的算法。处理器610可以是执行程序,并控制人工智能装置600。将由处理器610执行的程序代码可以存储在存储器620中。人工智能装置600可以通过输入/输出装置(未示出)连接到外部装置(例如,PC或网络)以与其交换数据。
以上说明的实施例能够通过硬件构成要素、软件构成要素,和/或硬件构成要素及软件构成要素的组合实现。例如,实施例中说明的装置及构成要素,能够利用例如处理器、控制器、算术逻辑单元(arithmetic logic unit,ALU)、数字信号处理器(digital signalprocessor)、微型计算机、现场可编程阵列(field programmable array,FPA)、可编程逻辑单元(programmable logic unit,PLU)、微处理器、或能够执行与应答指令(instruction)的任何其他装置,能够利用一个以上的通用计算机或特殊目的计算机进行体现。处理装置能够执行操作系统(0S)及在所述操作系统中执行的一个以上的应用软件。并且,处理装置应答软件的执行,从而访问、存储、操作、处理及生成数据。为方便理解,说明为仅具有一个处理装置的方式,但本领域普通技术人员应理解处理装置能够包括多个处理元件(processing element)和/或多个类型的处理要素。例如,处理装置能够包括多个处理器或一个处理器及一个控制器。并且,也能够包括类似于并行处理器(parallel processor)的其他处理配置(processing configuration)。
软件能够包括计算机程序(computer program)、代码(code)、指令(instruction),或其中的一个以上的组合,能够使加工装置按照所期待的方式操作,或者,单独或共同(collectively)命令加工装置。为通过加工装置进行解释或者向加工装置提供命令或数据,软件和/或数据能够永久或临时体现于(embody)任何类型的设备、构成要素(component)、物理装置、虚拟装置(virtual equipment)、计算机存储介质或装置,或者传送的信号波(signal wave)。软件分布于通过网络连接的计算机系统上,能够以分布式存储或执行。软件及数据能够存储于一个以上的计算机读写存储介质中。
根据实施例的方法以能够通过多种计算机手段执行的程序命令的形式体现,并记录在计算机读写介质中。所述计算机读写介质能够以单独或者组合的形式包括程序命令、数据文件、数据结构等。记录在所述介质的程序指令能够是为实现实施例而特别设计与构成的指令,或者是计算机软件领域普通技术人员能够基于公知使用的指令。计算机读写记录介质能够包括硬盘、软盘以及磁带等磁性媒介(magnetic media);与CD-ROM、DVD等类似的光学媒介(optical media);与光磁软盘(floptical disk)类似的磁光媒介(magneto-optical media),以及与只读存储器(ROM)、随机存取存储器(RAM)、闪存等类似的为存储并执行程序命令而特别构成的硬件装置。程序指令的例子不仅包括通过编译器生成的机器语言代码,还包括通过使用解释器等能够由计算机执行的高级语言代码。
综上,通过有限的附图对实施例进行了说明,本领域普通技术人员能够基于所述记载进行多种更改与应变。例如,所说明的技术按照与说明的方法不同的顺序执行,和/或所说明的系统、结构、装置、电路等构成要素按照与说明的方法不同的形态进行结合或组合,或者由其他构成要素或者等同物置换或代替,也能得到适当的结果。
由此,其他体现,其他实施例以及权利要求范围的等同物,均属于本发明的权利要求范围。
Claims (15)
1.一种基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
包括以下步骤:
根据各个模型的条件学习多个时间序列数据预测模型;
在所述经过学习的时间序列数据预测模型中,确定满足预定条件的一个以上的最优模型;以及
通过组合所述一个以上的最优模型来生成最终模型,
其中,所述多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。
2.根据权利要求1所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
还包括以下步骤:
接收用于预测时间序列数据的目标变量数据;以及
将所述目标变量数据输入到所述最终模型,并输出与所述目标变量数据对应的目标变量预测数据。
3.根据权利要求2所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
还包括以下步骤:
接收用于确定所述目标变量预测数据中的变化方向的控制变量数据;以及
将所述控制变量数据输入到所述最终模型,并输出与所述控制变量数据对应的控制变量预测数据。
4.根据权利要求3所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
还包括以下步骤:
基于所述目标变量预测数据及所述控制变量预测数据来提供所述时间序列数据的预测结果及控制方法。
5.根据权利要求3所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
还包括以下步骤:
基于所述目标变量预测数据与所述控制变量预测数据之间的相关关系来调整所述控制变量数据。
6.根据权利要求5所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
调整所述控制变量数据的步骤,包括以下步骤:
根据基于所述目标变量预测数据及所述控制变量预测数据确定的奖励函数来学习强化学习模型。
7.根据权利要求3所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
输出所述控制变量预测数据的步骤,包括以下步骤:
确定所述控制变量数据的移动方向;以及
确定所述控制变量数据的最优搜索时间。
8.根据权利要求7所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
输出所述目标变量预测数据的步骤,包括以下步骤:
基于所述控制变量数据的所述移动方向及所述最优搜索时间来输出所述目标变量预测数据。
9.根据权利要求1所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
所述学习的步骤,包括以下步骤:
根据所述各个模型的条件,以预定次数学习所述多个时间序列数据预测模型。
10.根据权利要求1所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
还包括以下步骤:
评估所述最终模型的预测性能;以及
当所述最终模型的预测性能降低到预定阈值以下时,更新所述最终模型。
11.根据权利要求1所述的基于自动学习预测、控制及描述时间序列数据的方法,其特征在于,
还包括以下步骤:
根据预定周期更新所述最终模型。
12.一种存储在介质中的计算机程序,其用于结合硬件执行权利要求1所述的方法。
13.一种基于自动学习预测、控制及描述时间序列数据的装置,其特征在于,
所述装置,包括:
处理器,其被配置成根据各个模型的条件学习多个时间序列数据预测模型,在所述经过学习的时间序列数据预测模型中确定满足预定条件的一个以上的最优模型,并通过组合所述一个以上的最优模型来生成最终模型,
其中,所述多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。
14.根据权利要求13所述的基于自动学习预测、控制及描述时间序列数据的装置,其特征在于,
所述处理器被配置成:
接收用于预测时间序列数据的目标变量数据,并将所述目标变量数据输入到所述最终模型,输出与所述目标变量数据对应的目标变量预测数据。
15.根据权利要求14所述的基于自动学习预测、控制及描述时间序列数据的装置,其特征在于,
所述处理器被配置成:
接收用于确定所述目标变量预测数据中的变化方向的控制变量数据,并将所述控制变量数据输入到所述最终模型,输出与所述控制变量数据对应的控制变量预测数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20200185683 | 2020-12-29 | ||
KR10-2020-0185683 | 2020-12-29 | ||
PCT/KR2021/020067 WO2022145981A1 (ko) | 2020-12-29 | 2021-12-28 | 자동학습 기반 시계열 데이터 예측 및 제어 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114981825A true CN114981825A (zh) | 2022-08-30 |
Family
ID=82260687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180007224.3A Pending CN114981825A (zh) | 2020-12-29 | 2021-12-28 | 基于自动学习预测及控制时间序列数据的方法及装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230162050A1 (zh) |
EP (1) | EP4075353A4 (zh) |
JP (1) | JP7436652B2 (zh) |
KR (1) | KR102662329B1 (zh) |
CN (1) | CN114981825A (zh) |
WO (1) | WO2022145981A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102591935B1 (ko) * | 2022-11-08 | 2023-10-23 | 김유상 | 기저 시계열의 조합을 통한 시계열 데이터의 단계적 특성 모사 방법 및 이를 수행하는 컴퓨터 장치 |
KR102642421B1 (ko) * | 2022-12-30 | 2024-02-28 | 건국대학교 산학협력단 | 인공지능 기반의 대기질 모델링 장치 및 방법 |
CN116085937B (zh) * | 2023-04-11 | 2023-07-11 | 湖南禾自能源科技有限公司 | 智能中央空调节能控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086896A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
US20150339572A1 (en) * | 2014-05-23 | 2015-11-26 | DataRobot, Inc. | Systems and techniques for predictive data analytics |
CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
JP2019079392A (ja) * | 2017-10-26 | 2019-05-23 | 日本電信電話株式会社 | 学習装置、分析システム、学習方法および学習プログラム |
KR102037279B1 (ko) * | 2019-02-11 | 2019-11-15 | 주식회사 딥노이드 | 딥러닝 시스템 및 그 최적 학습 모델 결정 방법 |
KR20200014510A (ko) * | 2018-08-01 | 2020-02-11 | 삼성에스디에스 주식회사 | 기계 학습 기반의 예측 서비스 제공 방법 및 그 장치 |
KR20200017604A (ko) * | 2018-08-02 | 2020-02-19 | 한국에너지기술연구원 | 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템 |
CN111199343A (zh) * | 2019-12-24 | 2020-05-26 | 上海大学 | 一种多模型融合的烟草市场监管异常数据挖掘方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000122992A (ja) | 1998-08-12 | 2000-04-28 | Sony Corp | 情報処理装置および方法、並びに提供媒体 |
JP5084968B1 (ja) | 2012-06-21 | 2012-11-28 | 株式会社マーケット・リスク・アドバイザリー | 市場リスク予測装置、市場リスク予測方法及び市場リスク予測プログラム |
KR102340258B1 (ko) * | 2015-12-29 | 2021-12-15 | 삼성에스디에스 주식회사 | 시계열의 데이터를 예측 하는 방법 및 그 장치 |
KR101919076B1 (ko) * | 2017-12-20 | 2018-11-19 | (주)지오시스템리서치 | 시계열 데이터 예측 시스템 |
KR102113218B1 (ko) * | 2018-03-16 | 2020-05-20 | 울산과학기술원 | 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템 |
KR20190141581A (ko) | 2018-06-14 | 2019-12-24 | 한국전자통신연구원 | 데이터 예측을 위한 인공신경망을 학습하는 방법 및 장치 |
JP2019219959A (ja) | 2018-06-20 | 2019-12-26 | 東京電力ホールディングス株式会社 | 評価システム、評価方法およびプログラム |
KR102041545B1 (ko) * | 2019-03-13 | 2019-11-06 | 주식회사 위엠비 | 딥러닝 모델을 이용한 이벤트 예측 기반의 이벤트 모니터링 방법, 이벤트 모니터링 시스템 및 컴퓨터 프로그램 |
WO2020246631A1 (ko) * | 2019-06-04 | 2020-12-10 | 엘지전자 주식회사 | 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 |
-
2021
- 2021-12-28 US US17/773,877 patent/US20230162050A1/en active Pending
- 2021-12-28 JP JP2022525599A patent/JP7436652B2/ja active Active
- 2021-12-28 WO PCT/KR2021/020067 patent/WO2022145981A1/ko unknown
- 2021-12-28 CN CN202180007224.3A patent/CN114981825A/zh active Pending
- 2021-12-28 KR KR1020227000578A patent/KR102662329B1/ko active IP Right Grant
- 2021-12-28 EP EP21915779.9A patent/EP4075353A4/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086896A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
US20150339572A1 (en) * | 2014-05-23 | 2015-11-26 | DataRobot, Inc. | Systems and techniques for predictive data analytics |
CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
JP2019079392A (ja) * | 2017-10-26 | 2019-05-23 | 日本電信電話株式会社 | 学習装置、分析システム、学習方法および学習プログラム |
KR20200014510A (ko) * | 2018-08-01 | 2020-02-11 | 삼성에스디에스 주식회사 | 기계 학습 기반의 예측 서비스 제공 방법 및 그 장치 |
KR20200017604A (ko) * | 2018-08-02 | 2020-02-19 | 한국에너지기술연구원 | 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템 |
KR102037279B1 (ko) * | 2019-02-11 | 2019-11-15 | 주식회사 딥노이드 | 딥러닝 시스템 및 그 최적 학습 모델 결정 방법 |
CN111199343A (zh) * | 2019-12-24 | 2020-05-26 | 上海大学 | 一种多模型融合的烟草市场监管异常数据挖掘方法 |
Non-Patent Citations (1)
Title |
---|
罗鑫等: "基于多时间尺度复合深度神经网络的股票价格预测", 《武汉金融》, no. 9, 30 September 2020 (2020-09-30), pages 32 - 40 * |
Also Published As
Publication number | Publication date |
---|---|
JP2023517262A (ja) | 2023-04-25 |
EP4075353A4 (en) | 2024-01-24 |
EP4075353A1 (en) | 2022-10-19 |
JP7436652B2 (ja) | 2024-02-21 |
US20230162050A1 (en) | 2023-05-25 |
KR20220098336A (ko) | 2022-07-12 |
WO2022145981A1 (ko) | 2022-07-07 |
KR102662329B1 (ko) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114981825A (zh) | 基于自动学习预测及控制时间序列数据的方法及装置 | |
CN113574547B (zh) | 通过双演员评论家算法进行强化学习 | |
US11501215B2 (en) | Hierarchical clustered reinforcement machine learning | |
JP7064356B2 (ja) | 将来状態推定装置および将来状態推定方法 | |
Drgoňa et al. | Differentiable predictive control: Deep learning alternative to explicit model predictive control for unknown nonlinear systems | |
CN110471276B (zh) | 用于为物理系统创建模型函数的装置 | |
KR102289256B1 (ko) | 자가진단 기반 건강기능식품 추천 서비스 제공 방법, 장치 및 시스템 | |
KR101828215B1 (ko) | Long Short Term Memory 기반 순환형 상태 전이 모델의 학습 방법 및 장치 | |
US11694165B2 (en) | Key-value memory network for predicting time-series metrics of target entities | |
CN111144580A (zh) | 一种基于模仿学习的层级强化学习训练方法和装置 | |
US20210064983A1 (en) | Machine learning for industrial processes | |
KR102420626B1 (ko) | 인공지능 기반 기업 매칭 서비스 제공 방법, 장치 및 시스템 | |
Zhang et al. | Deep reinforcement learning for stock prediction | |
JP6947029B2 (ja) | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム | |
CN115151916A (zh) | 在实验室环境中训练演员-评论家算法 | |
KR102612058B1 (ko) | 인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법, 장치 및 시스템 | |
Abdolmaleki et al. | Contextual relative entropy policy search with covariance matrix adaptation | |
CN117056595A (zh) | 一种交互式的项目推荐方法、装置及计算机可读存储介质 | |
Marin et al. | Learning cost-efficient control policies with XCSF: Generalization capabilities and further improvement | |
KR102413588B1 (ko) | 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램 | |
KR102479096B1 (ko) | 블록코드 거래 및 라이브러리 등록 방법 | |
KR102429832B1 (ko) | 네트워크 환경 분석 기반 원격 접속 서비스 제공 방법 | |
KR20200115703A (ko) | 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법 | |
Gusmão et al. | Artificial Neural Network Overview | |
KR102669470B1 (ko) | 식자재 유통 처리를 위한 재고 관리 및 수요 예측 방법, 장치 및 시스템 |
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 |