[發明專利]預測方法、裝置、電子設備以及計算機可讀存儲介質

在審

• 申請號: 201910627110.3
• 申請日: 2019-07-11
• 公開（公告）號: CN110400010A
• 公開（公告）日: 2019-11-01
• 發明（設計）人: 李軍政
• 申請（專利權）人: 新華三大數據技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/04
• 代理公司: 北京超成律師事務所 11646
• 代理人: 鄧超

1.一種預測方法，其特征在于，應用于計算設備，所述方法包括：

根據時間序列預測模型對平穩化的歷史時間序列進行處理，得到擬合時間序列和初級預測值，其中所述擬合時間序列為所述歷史時間序列的至少一部分數值所在的時刻的擬合值組成的時間序列；

計算所述歷史時間序列與所述擬合時間序列的差，得到第一殘差序列；

利用記憶網絡模型對所述第一殘差序列進行處理，得到次級預測值；

根據所述初級預測值以及所述次級預測值確定最終預測值。

2.根據權利要求1所述的方法，其特征在于，所述方法包括：

所述根據時間序列預測模型對平穩化的歷史時間序列進行處理，得到擬合時間序列和初級預測值，包括：

根據自回歸整合移動平均ARIMA模型對平穩化的歷史時間序列進行處理，獲得所述歷史時間序列對應的擬合時間序列以及初級預測值，其中，所述ARIMA模型根據訓練時間序列訓練得到；

所述利用記憶網絡模型對所述第一殘差序列進行處理，得到次級預測值，包括：

根據門控循環單元GRU模型對所述第一殘差序列進行處理，獲得次級預測值，其中，所述GRU模型根據預設殘差序列訓練得到，所述預設殘差序列與所述ARIMA模型對所述訓練時間序列處理后得到的擬合序列相對應。

3.根據權利要求2所述的方法，其特征在于，在根據自回歸整合移動平均ARIMA模型對平穩化的歷史時間序列進行處理，獲得所述歷史時間序列對應的擬合時間序列以及初級預測值之前，所述方法還包括：

對原始時間序列進行d次差分運算處理，得到平穩化的歷史時間序列，d為所述ARIMA模型中的參數，取值為使訓練時間序列平穩而進行的差分運算的次數，d取正整數。

4.根據權利要求3所述的方法，其特征在于，所述根據所述初級預測值以及所述次級預測值確定最終預測值，包括：

對所述初級預測值以及所述次級預測值進行求和運算，得到加和預測值；

對所述加和預測值進行反差分運算，得到所述最終預測值。

5.根據權利要求2所述的方法，其特征在于，所述ARIMA模型的訓練過程包括：

根據作為訓練樣本的訓練時間序列確定ARIMA模型的參數d、p、q，其中，p為自回歸項數，q為滑動平均項數；

對所述訓練時間序列進行d次差分運算，獲得訓練平穩序列；

將所述訓練平穩序列代入所述ARIMA模型，獲得第一預測時間序列的表達式；

去除所述第一預測時間序列的表達式中的干擾項，得到帶有欲估計參數的數據量組成的函數；

確定所述訓練平穩序列與所述函數的差值的表達式；

確定在所述差值的表達式滿足預設的第一約束條件時，所述函數中的所述欲估計參數的求解，根據所述求解獲得所述ARIMA模型。

6.根據權利要求2至5任一項所述的方法，其特征在于，所述GRU模型的訓練過程包括：

計算所述訓練時間序列經d次差分運算后的訓練平穩序列與所述訓練時間序列經所述ARIMA模型處理后的預測時間序列的差，獲得第二殘差序列，d為所述ARIMA模型中的參數，取值為使訓練時間序列平穩而進行的差分運算的次數，d取正整數；

根據初始GRU模型對所述第二殘差序列進行處理，獲得第二預測序列；

計算所述第二預測序列與所述第二殘差序列之間的損失值；

若所述損失值不符合預設的第二約束條件，則調整所述初始GRU模型的權重參數和偏置參數，直至調整后的GRU模型對應的損失值符合所述第二約束條件，獲得所述GRU模型。

7.根據權利要求6所述的方法，其特征在于，計算所述第二預測序列與所述第二殘差序列之間的損失值，包括：

根據所述第二預測序列中的多個訓練預測值以及所述第二殘差序列中的多個殘差值計算誤差平均值，所述誤差平均值為所述損失值。