[发明专利]多变量时间序列预测方法和系统

说明书

本公开提供了一种多变量时间序列预测方法，用于预测产品数量统计信息，所述方法包括：采集至少一组与目标数据相关联的数据，所述目标数据包括数量统计信息；对所述至少一组采集的数据进行处理，得到至少一组特征数据；使用多个模型对所述特征数据进行训练，所述多个模型采用各自不同的方式对所述特征数据进行训练以得到针对所述目标数据的预测结果；以及将训练好的多个模型得到的预测结果进行组合，得到目标数据的预测结果。本公开还提供了一种多变量时间预测系统、以及一种非易失性存储介质。

技术领域

本公开涉及一种多变量时间序列预测方法和一种多变量时间序列预测系统。

背景技术

时间序列模型可以拟合并学习数据随时间变化的规律，例如周期性规律、趋势性规律或者随机性变化等，时间序列模型能够很好地考虑季节性因素、内部因素和外部因素对数据变化的影响。然而，随着工业、销售服务以及物流等各行各业的快速发展，越来越多的数据不断累积，并且随着科技的进步，获取数据的能力也在不断增强，面对对大数据的分析预测，需要可以适应大数据预测的时间序列预测方法。

发明内容

本公开的一个方面提供了一种多变量时间序列预测方法，用于预测产品数量统计信息，该方法包括：采集至少一组与目标数据相关联的数据，其中，目标数据包括数量统计信息。对至少一组采集的数据进行处理，得到至少一组特征数据。使用多个模型对特征数据进行训练，其中，多个模型采用各自不同的方式对特征数据进行训练以得到针对目标数据的预测结果。以及将训练好的多个模型得到的预测结果进行组合，得到目标数据的预测结果。

可选地，与目标数据相关联的数据包括：外部数据，该外部数据表示影响多变量时间序列预测的系统外部数据信息，和/或内部数据，该内部数据表示影响多变量时间序列预测的系统内部数据信息。

可选地，使用多个模型对特征数据进行训练是并行进行的。

可选地，将训练好的多个模型得到的预测结果进行组合，包括：平均组合，对各模型的预测结果取平均值，作为目标数据的预测结果，或者加权组合，对各模型的预测结果取加权平均值，作为目标数据的预测结果。

可选地，对至少一组采集数据进行处理，得到至少一组特征数据，包括，将至少一组采集的数据逐一与目标数据进行相关性和/或相似度计算，选择相关性超过阈值或者相似度超过阈值的数据作为特征数据。

可选地，对至少一组采集数据进行处理，得到特征数据，还包括：对特征数据的所有非空子集进行模型预训练，得到训练结果，以及选择训练结果最优的模型对应的子集中的特征数据作为最优特征数据。相应地，使用多个模型对特征数据进行训练包括，使用多个模型对最优特征数据进行训练。

可选地，对至少一组采集数据进行处理，得到特征数据，还包括：对特征数据进行不同降维比例的降维处理，得到多个降维特征数据，对多个降维特征数据进行模型预训练，得到训练结果，以及选择训练结果最优的模型对应的降维特征数据作为最优降维特征数据。相应地，使用多个模型对特征数据进行训练包括，使用多个模型对最优降维特征数据进行训练。

可选地，对至少一组采集数据进行处理，得到特征数据，还包括：为特征数据中的每一组特征数据配置至少一个前置参数，在各组特征数据的不同前置参数组合下，对特征数据进行模型预训练，以及选择训练结果最优的模型对应的前置参数组合作为各组特征数据对应的最优前置参数。相应地，使用多个模型对特征数据进行训练包括，使用多个模型根据最优前置参数对特征数据进行训练。

本公开的另一个方面提供了一种多变量时间序列预测系统，包括一个或多个存储器，存储有可执行指令，以及一个或多个处理器，运行可执行指令以执行如上所述的方法。

本公开的另一方面提供了一种非易失性存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。