[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

本發明公開了一種時序數據預測方法、裝置及設備，其中該方法包括：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。可見，本申請不同于現有技術中通過抽樣方法實現數據集特征的采集，而是通過上述數據預處理、平穩化操作及特征重構等步驟保證了獲取的時序數據特征的有效性，進而使得深度學習模型能夠學習到時序數據的時序特征，保證了深度學習模型的預測準確性。

技術領域

本發明涉及深度學習技術領域，更具體地說，涉及一種時序數據預測方法、裝置及設備。

背景技術

“匯率”簡稱為ExRate，亦稱“外匯牌價”、“外匯行市”或“匯價”等，是一種貨幣兌換另一種貨幣的比率，反應幣中間相對價格的變動；隨著全球浮動匯率制度的合法化和世界經濟一體化趨勢的加強，外匯作為重要的資本元素，成為了眾多資本產品的重要組成，因此對其的預測引起了社會各界投資人士和證券市場的關注。

近年來，隨著啟發式算法的發展，各類機器學習算法被應用于匯率預測，具體來說，現有技術中提出采用廣義自回歸神經網絡(GRNN)模型來模擬匯率的非線性變化，但是此類靜態網絡模型需要通過隨機抽樣的方法學習輸入數據集的特征，這使得模型無法學習到匯率變化的時序特征。

綜上所述，現有技術中用于實現匯率預測的技術方案存在模型無法學習到匯率變化的時序特征的問題。

發明內容

本發明的目的是提供一種時序數據預測方法、裝置及設備，能夠通過時序數據序列特征的確定使得模型能夠有效學習到匯率變化的時序特征。

為了實現上述目的，本發明提供如下技術方案：

一種時序數據預測方法，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。

優選的，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。

優選的，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。