[发明专利]一种时间序列数据预测方法、系统、介质及设备

说明书

本发明涉及一种时间序列数据预测方法、系统、介质及设备，方法包括：当获取的原始数据集的数据量小于预设值时，对原始数据集进行数据增广，获得多个满足建立预测模型数据需求的扩充集；建立每个扩充集对应的预测模型，并确定每个预测模型的预测误差的协方差；利用所有预测模型对被测数据集进行预测，获得每个预测模型的预测结果；将所有预测模型的预测结果通过协方差交叉的方式进行融合，得到最终预测结果。本发明通过对小尺度时间序列的数据增广，获得多个满足建立预测模型数据需求的扩充集，每个扩充集建立对应的预测模型，进行多模型并行预测，且基于误差估计进行多模型融合，实现了对小尺度时间序列数据的可靠预测。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种时间序列预测方法、系统、介质及设备。

背景技术

数据已经成为现代信息时代各种人工和自然系统的重要资源，对于各类信息管理系统，一方面需要关注设备和传感器产生实时数据，以监视受控对象的运行状态，另一方面，管理者还需要对数据趋势进行预测感知，以提前决策并采取措施调整系统运行。因此，数据预测在无人系统控制、环境监测、股票市场等领域均得到了关注和研究应用。

互联网时代大数据成为数据挖掘分析的基础，但在实际的应用中，时间序列的数据集经常不能达到期望规模。调研发现，许多领域的数据仍按照传统管理方式通过人工采集。例如，城市水环境监测中部分指标需由工作人员采集并在实验室进行化验，采集频率最高为每天一次；食品安全检查中同样以人工抽查方式为主，监测频率为每天一次，每天的检测对象还存在不连续的情况；在人口统计中，我国人口普查每10年一次，近几次人口普查分别在1990年、2000年和2010年，人口统计中部分频率较高的指标也仅为一年一次。上述情况及其他信息系统中缓慢的数据收集使数据集规模很小，同时，时间序列具有非平稳、非线性、含有复杂噪声等特征。

对于目前常用的深度学习网络等，小规模数据无法满足模型训练的要求，具体体现在：由于现有数据中的信息量有限，ARIMA、ARCH等统计方法所拟合的模型无法跟踪到新的模式；数据量直接影响网络训练效果，数据量过小会导致无法使用机器学习方法建立模型。

发明内容

本发明所要解决的技术问题是针对现有技术存在的问题，提供一种时间序列预测方法、系统、介质及设备。

为解决上述技术问题，本发明实施例提供一种时间序列数据预测方法，包括：当获取的原始数据集的数据量小于预设值时，对所述原始数据集进行数据增广，获得多个满足建立预测模型数据需求的扩充集；建立每个扩充集对应的预测模型，并确定每个预测模型的预测误差的协方差；利用所有所述预测模型对被测数据集进行预测，获得每个预测模型的预测结果；将所有预测模型的预测结果通过协方差交叉的方式进行融合，得到最终预测结果。

为解决上述技术问题，本发明实施例还提供一种时间序列数据预测系统，包括：数据扩充模块，用于当获取的原始数据集的数据量小于预设值时，对所述原始数据集进行数据增广，获得多个满足建立预测模型数据需求的扩充集；模型建立模块，用于建立每个扩充集对应的预测模型，并确定每个预测模型的预测误差的协方差；数据预测模块，用于利用所有所述预测模型对被测数据集进行预测，获得每个预测模型的预测结果；结果融合模块，用于将所有预测模型的预测结果通过协方差交叉的方式进行融合，得到最终预测结果。

为解决上述技术问题，本发明实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案所述的时间序列数据预测方法。

为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述技术方案所述的时间序列数据预测方法。