[发明专利]一种基于自演化预训练的多变量时间序列预测方法和设备

说明书

本发明公开了一种基于自演化预训练的多变量时间序列预测方法和设备，所述方法基于预训练策略与卷积网络、长短记忆网络深度序列模型，结合单变量自演化信息与多变量依赖关系信息进行建模，实现了多变量时间序列预测的优化算法，同时兼顾了整体预测精度和局部单变量的预测精度。本发明具有较好的整体预测精度，对于局部单变量的预测精度保障性方面优于现有的多变量时间序列预测方法。

技术领域

本发明涉及时间序列预测，具体涉及一种多变量时间序列预测方法。

背景技术

采用时间序列预测方法、获得未来时刻的预测值，对于辅助决策、优化资源分配、提前采取干预措施等具有基础且重要的意义。在实时运行的信息系统有着广泛的应用。许多系统产生了大量的时间序列数据，主要包括系统性能监测数据，而在这些监测数据的性能预测中产生了许多的应用价值，比如预测网络流量用于资源规划与异常发现，预测数据中心的磁盘故障以提前替换等。因此预测系统性能的未来数据为现代信息系统的日常操作、运维等提供了重要的帮助。最近几年有大量的研究关注实时系统的时间序列预测问题。线性统计类算法(例如AR、ARIMA)对时间序列预测领域产生了影响。然而由于线性模型在很多实际应用中缺乏适用性，非线性时间序列分析和预测被提出并逐渐应用。除了经典的统计方法模型，机器学习模型已经成为时间序列预测领域的重要算法。研究人员将线性回归模型、支持向量机、决策树等机器学习模型应用于时间序列分析。基于机器学习的时间序列预测算法把时间序列预测作为监督学习任务，其中输入属性为历史观测的时间序列数据，输出标签为未来数据。然而，目前关注整体预测目标优化的多变量时间序列预测算法会带来局部变量预测精度损失的问题。例如，在多变量预测的回归任务中，现有算法以所有变量的整体预测误差(加权)和为最小化目标，通过优化这样的最小化目标提高整体预测精度。

发明内容

发明目的：为保障局部变量的预测精度，提出了基于自演化预训练的多变量时间序列预测算法。既可以实现多变量时间序列预测的优化算法，同时还能兼顾整体预测精度和局部单变量的预测精度

技术方案：为了能够预测实时运行的系统的性能，从而针对预测值进行合理的操作和运维，第一方面，本发明提出一种基于自演化预训练的多变量时间序列预测方法，包括以下步骤：

S1、获取表征实时运行系统性能的N维度指标数据，构成N个单变量时间序列，作为历史输入序列，并进行预处理；

S2、将N个单变量时间序列输入到基于差分特征构造的自演化预训练模型SE中，建立单变量时间序列线性回归模型，并将多阶差分信息显式地融入到线性自回归模型中，形成对应预测输出；

S3、将N个单变量时间序列组成的二维张量先进行大小不同的一维卷积操作，提取变量间依赖关系信息得到多个特征图；

S4、将特征图输入到长短记忆网络(LSTM)中对多尺度特征图进行时序建模，来捕捉多变量依赖关系的时序信息，对应的多变量建模的网络组件形成对应输出；

S5、将步骤S2和S4得到的输出进行向量元素的一一对应相加融合，构建多变量预测输出，并训练网络，得到训练完毕的模型；

S6、将需要进行预测的时间序列输入到步骤S5得到的已训练完毕的模型中，从而得到时间序列的预测值。

第二方面，本发明提出一种计算机设备，所述设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现根据本发明的第一方面所述的方法。

有益效果：本发明提出一种基于自演化预训练的多变量时间序列预测方法，基于预训练策略与卷积网络、长短记忆网络深度序列模型，结合单变量自演化信息与多变量依赖关系信息进行建模，实现了多变量时间序列预测的优化算法，同时兼顾了整体预测精度和局部单变量的预测精度。本发明具有较好的整体预测精度，对于局部单变量的预测精度保障性方面优于现有的多变量时间序列预测方法。

附图说明