[发明专利]预测方法、装置、电子设备以及计算机可读存储介质

权利要求书

1.一种预测方法，其特征在于，应用于计算设备，所述方法包括：

根据时间序列预测模型对平稳化的历史时间序列进行处理，得到拟合时间序列和初级预测值，其中所述拟合时间序列为所述历史时间序列的至少一部分数值所在的时刻的拟合值组成的时间序列；

计算所述历史时间序列与所述拟合时间序列的差，得到第一残差序列；

利用记忆网络模型对所述第一残差序列进行处理，得到次级预测值；

根据所述初级预测值以及所述次级预测值确定最终预测值。

2.根据权利要求1所述的方法，其特征在于，所述方法包括：

所述根据时间序列预测模型对平稳化的历史时间序列进行处理，得到拟合时间序列和初级预测值，包括：

根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理，获得所述历史时间序列对应的拟合时间序列以及初级预测值，其中，所述ARIMA模型根据训练时间序列训练得到；

所述利用记忆网络模型对所述第一残差序列进行处理，得到次级预测值，包括：

根据门控循环单元GRU模型对所述第一残差序列进行处理，获得次级预测值，其中，所述GRU模型根据预设残差序列训练得到，所述预设残差序列与所述ARIMA模型对所述训练时间序列处理后得到的拟合序列相对应。

3.根据权利要求2所述的方法，其特征在于，在根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理，获得所述历史时间序列对应的拟合时间序列以及初级预测值之前，所述方法还包括：

对原始时间序列进行d次差分运算处理，得到平稳化的历史时间序列，d为所述ARIMA模型中的参数，取值为使训练时间序列平稳而进行的差分运算的次数，d取正整数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述初级预测值以及所述次级预测值确定最终预测值，包括：

对所述初级预测值以及所述次级预测值进行求和运算，得到加和预测值；

对所述加和预测值进行反差分运算，得到所述最终预测值。

5.根据权利要求2所述的方法，其特征在于，所述ARIMA模型的训练过程包括：

根据作为训练样本的训练时间序列确定ARIMA模型的参数d、p、q，其中，p为自回归项数，q为滑动平均项数；

对所述训练时间序列进行d次差分运算，获得训练平稳序列；

将所述训练平稳序列代入所述ARIMA模型，获得第一预测时间序列的表达式；

去除所述第一预测时间序列的表达式中的干扰项，得到带有欲估计参数的数据量组成的函数；

确定所述训练平稳序列与所述函数的差值的表达式；

确定在所述差值的表达式满足预设的第一约束条件时，所述函数中的所述欲估计参数的求解，根据所述求解获得所述ARIMA模型。

6.根据权利要求2至5任一项所述的方法，其特征在于，所述GRU模型的训练过程包括：

计算所述训练时间序列经d次差分运算后的训练平稳序列与所述训练时间序列经所述ARIMA模型处理后的预测时间序列的差，获得第二残差序列，d为所述ARIMA模型中的参数，取值为使训练时间序列平稳而进行的差分运算的次数，d取正整数；

根据初始GRU模型对所述第二残差序列进行处理，获得第二预测序列；

计算所述第二预测序列与所述第二残差序列之间的损失值；

若所述损失值不符合预设的第二约束条件，则调整所述初始GRU模型的权重参数和偏置参数，直至调整后的GRU模型对应的损失值符合所述第二约束条件，获得所述GRU模型。

7.根据权利要求6所述的方法，其特征在于，计算所述第二预测序列与所述第二残差序列之间的损失值，包括：

根据所述第二预测序列中的多个训练预测值以及所述第二残差序列中的多个残差值计算误差平均值，所述误差平均值为所述损失值。