[發明專利]一種時間序列數據預測方法、系統、介質及設備

在審

• 申請號: 201911333914.9
• 申請日: 2019-12-23
• 公開（公告）號: CN111126694A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 白玉廷;金學波;王小藝;鄭維振;蘇婷立;孔建磊
• 申請（專利權）人: 北京工商大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06
• 代理公司: 北京棘龍知識產權代理有限公司 11740
• 代理人: 戴麗偉

本發明涉及一種時間序列數據預測方法、系統、介質及設備，方法包括：當獲取的原始數據集的數據量小于預設值時，對原始數據集進行數據增廣，獲得多個滿足建立預測模型數據需求的擴充集；建立每個擴充集對應的預測模型，并確定每個預測模型的預測誤差的協方差；利用所有預測模型對被測數據集進行預測，獲得每個預測模型的預測結果；將所有預測模型的預測結果通過協方差交叉的方式進行融合，得到最終預測結果。本發明通過對小尺度時間序列的數據增廣，獲得多個滿足建立預測模型數據需求的擴充集，每個擴充集建立對應的預測模型，進行多模型并行預測，且基于誤差估計進行多模型融合，實現了對小尺度時間序列數據的可靠預測。

技術領域

本發明涉及數據處理技術領域，尤其涉及一種時間序列預測方法、系統、介質及設備。

背景技術

數據已經成為現代信息時代各種人工和自然系統的重要資源，對于各類信息管理系統，一方面需要關注設備和傳感器產生實時數據，以監視受控對象的運行狀態，另一方面，管理者還需要對數據趨勢進行預測感知，以提前決策并采取措施調整系統運行。因此，數據預測在無人系統控制、環境監測、股票市場等領域均得到了關注和研究應用。

互聯網時代大數據成為數據挖掘分析的基礎，但在實際的應用中，時間序列的數據集經常不能達到期望規模。調研發現，許多領域的數據仍按照傳統管理方式通過人工采集。例如，城市水環境監測中部分指標需由工作人員采集并在實驗室進行化驗，采集頻率最高為每天一次；食品安全檢查中同樣以人工抽查方式為主，監測頻率為每天一次，每天的檢測對象還存在不連續的情況；在人口統計中，我國人口普查每10年一次，近幾次人口普查分別在1990年、2000年和2010年，人口統計中部分頻率較高的指標也僅為一年一次。上述情況及其他信息系統中緩慢的數據收集使數據集規模很小，同時，時間序列具有非平穩、非線性、含有復雜噪聲等特征。

對于目前常用的深度學習網絡等，小規模數據無法滿足模型訓練的要求，具體體現在：由于現有數據中的信息量有限，ARIMA、ARCH等統計方法所擬合的模型無法跟蹤到新的模式；數據量直接影響網絡訓練效果，數據量過小會導致無法使用機器學習方法建立模型。

發明內容

本發明所要解決的技術問題是針對現有技術存在的問題，提供一種時間序列預測方法、系統、介質及設備。

為解決上述技術問題，本發明實施例提供一種時間序列數據預測方法，包括：當獲取的原始數據集的數據量小于預設值時，對所述原始數據集進行數據增廣，獲得多個滿足建立預測模型數據需求的擴充集；建立每個擴充集對應的預測模型，并確定每個預測模型的預測誤差的協方差；利用所有所述預測模型對被測數據集進行預測，獲得每個預測模型的預測結果；將所有預測模型的預測結果通過協方差交叉的方式進行融合，得到最終預測結果。

為解決上述技術問題，本發明實施例還提供一種時間序列數據預測系統，包括：數據擴充模塊，用于當獲取的原始數據集的數據量小于預設值時，對所述原始數據集進行數據增廣，獲得多個滿足建立預測模型數據需求的擴充集；模型建立模塊，用于建立每個擴充集對應的預測模型，并確定每個預測模型的預測誤差的協方差；數據預測模塊，用于利用所有所述預測模型對被測數據集進行預測，獲得每個預測模型的預測結果；結果融合模塊，用于將所有預測模型的預測結果通過協方差交叉的方式進行融合，得到最終預測結果。

為解決上述技術問題，本發明實施例還提供一種計算機可讀存儲介質，包括指令，當所述指令在計算機上運行時，使所述計算機執行上述技術方案所述的時間序列數據預測方法。

為解決上述技術問題，本發明實施例還提供一種計算機設備，包括存儲器、處理器及存儲在所述存儲器上的并可在所述處理器上運行的計算機程序，所述處理器執行所述程序時實現上述技術方案所述的時間序列數據預測方法。