[發明專利]一種時序數據預測方法、裝置及設備

在審

• 申請號: 201810174986.2
• 申請日: 2018-03-02
• 公開（公告）號: CN108399248A
• 公開（公告）日: 2018-08-14
• 發明（設計）人: 李峰
• 申請（專利權）人: 鄭州云海信息技術有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N3/04;G06N3/12;G06F17/18
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

1.一種時序數據預測方法，其特征在于，包括：

獲取歷史時序數據，并對所述歷史時序數據進行數據清洗及數據切片，得到對應的時序數據序列；

對所述時序數據序列進行平穩化操作，并采用免疫遺傳特征重構算法對進行平穩化操作后的時序數據序列進行特征重構，得到對應的特征序列；

獲取基于所述特征序列訓練得到的深度學習模型，并利用所述深度學習模型進行時序數據預測。

2.根據權利要求1所述的方法，其特征在于，利用所述深度學習模型進行時序數據預測之前，還包括：

基于所述特征序列計算所述深度學習模型的預測精度，如果所述預測精度符合預設要求，則確定所述深度學習模型能夠用于進行時序數據預測，否則，則確定所述深度學習模型無法用于進行時序數據預測。

3.根據權利要求2所述的方法，其特征在于，利用所述特征序列計算所述深度學習模型的預測精度，包括：

獲取訓練集及測試集，所述訓練集及所述測試集為將所述特征序列劃分為多個子序列后將所述多個子序列分組得到的，其中所述深度學習模型為基于所述訓練集訓練得到的；

將所述訓練集中包含的每個子序列分別輸入所述深度學習模型，并利用所述深度學習模型輸出的每個時序數據與對應實際時序數據之間的殘差組成訓練殘差序列；將所述測試集中包含的每個子序列分別輸入所述深度學習模型，并利用所述深度學習模型輸出的每個時序數據與對應實際時序數據之間的殘差組成測試殘差序列；

利用LB檢驗技術分別計算所述訓練殘差序列的LB值及所述測試殘差序列的LB值；

對應的，判斷所述預測精度是否達到預設要求，包括：

將所述訓練集及所述測試集對應的LB值分別與預設要求進行比對，如果所述訓練集及所述測試集對應的LB值均符合預設要求，則確定所述深度學習模型能夠用于進行時序數據預測，否則，則確定所述深度學習模型無法用于進行時序數據預測。

4.根據權利要求3所述的方法，其特征在于，將所述訓練集及所述測試集對應的LB值分別與預設要求進行比對之后，還包括：

如果所述測試集對應LB值不符合所述預設要求且所述訓練集對應LB值符合所述預設要求，則返回執行所述采用免疫遺傳特征重構算法對進行平穩化操作后的時序數據序列進行特征重構的步驟，直至所述訓練集及所述測試集對應LB值均符合預設要求為止。

5.根據權利要求1所述的方法，其特征在于，采用免疫遺傳特征重構算法對進行平穩化操作后的時序數據序列進行特征重構得到對應特征序列，包括：

按照下列公式得到進行平穩化操作后的時序數據序列x的時序數據殘差的導數向量X：

X＝[x,x',x⁽²⁾,...,x⁽ⁿ⁾]^T；

獲取下列基于導數向量X得到對應特征序列的公式：

獲取下列親和度評價函數：

其中，A為n×n的方陣，B為n×1的列向量，n為特征變換的階數，m為輸入基于每個訓練集得到的深度學習模型的序列的長度，為將所述訓練集中子序列輸入對應深度學習模型后該深度學習模型輸出的時序數據，Y表示與所述深度學習模型輸出的時序數據對應的實際時序數據，N為所述訓練集中子序列的數量，所述深度學習模型、所述訓練集及所述親和度評價函數的值一一對應；其中所述訓練集的獲取過程包括：確定與生成的每組A和B的值對應的特征序列，將每個所述特征序列劃分為多個子序列，并將所述多個子序列分組得到與每個所述特征序列對應的訓練集及測試集；

采用免疫遺傳特征重構算法確定出使得所述親和度評價函數的值最低的A和B的值，并確定該A和B的值對應特征序列為最終確定出的特征重構得到的特征序列。