[發明專利]用于自動選擇用于數據流時間序列預測的模型的方法和系統

在審

• 申請號: 201980090455.8
• 申請日: 2019-02-15
• 公開（公告）號: CN113366473A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 克里斯蒂安·阿克塞尼;拉杜·都鐸蘭;斯蒂法諾·波托利;穆罕默德·啊·哈吉·哈桑;戈茲·布蘭切
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06F17/10
• 分類號: G06F17/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用于動態選擇時間序列事件的預測模型的計算機實現方法，其特征在于，所述方法在一個或多個處理器中包括以下步驟：

(a)為窗口中的多個事件生成一個或多個統計度量，其中，所述窗口包括一系列時間序列事件；

(b)為所述窗口中的所述多個事件生成一個或多個時間序列關聯度量；

(c)根據質量測量從多個預測模型中選擇預測模型的子集，所述質量測量表示每個預測模型根據所述一個或多個時間序列關聯度量與所述時間序列之間的匹配程度；

(d)根據所述統計度量，對所述子集中的所述預測模型進行聚類；

(e)根據所述預測模型的聚類和所述統計度量，選擇所述子集中的一個預測模型；

(f)使用所選擇的預測模型從所述窗口中的所述多個事件實時生成預測輸出。

2.根據上述權利要求中任一項所述的方法，其特征在于，還包括對所述時間序列中所述多個事件的后續窗口重復(a)至(f)。

3.根據上述權利要求中任一項所述的方法，其特征在于，所述一個或多個統計度量是從所述時間序列中所述多個事件的前一個窗口的一個或多個統計度量增量生成的。

4.根據上述權利要求中任一項所述的方法，其特征在于，所述一個或多個時間序列關聯度量是從所述時間序列中所述多個事件的所述前一個窗口的一個或多個時間序列關聯度量增量生成的。

5.根據上述權利要求中任一項所述的方法，其特征在于，每個統計度量描述所述窗口中所述多個事件的數學屬性。

6.根據上述權利要求中任一項所述的方法，其特征在于，所述一個或多個統計度量包括所述窗口中所述多個事件的偏度、峰度、標準偏差和均值中的一個或多個。

7.根據上述權利要求中任一項所述的方法，其特征在于，每個時間序列關聯度量根據事件參數描述所述窗口中所述多個事件之間的關系。

8.根據上述權利要求中任一項所述的方法，其特征在于，所述一個或多個時間序列關聯度量包括協方差、自相關函數、部分自相關函數、時空協方差函數、時空自相關函數和時空部分自相關函數中的一個或多個。

9.根據上述權利要求中任一項所述的方法，其特征在于，所述質量測量表示每個預測模型根據所述一個或多個時間序列關聯度量與所述時間序列之間的匹配程度是基于包括對所述預測模型中參數數量的處罰的準則。

10.根據上述權利要求中任一項所述的方法，其特征在于，確定所述質量測量表示預測模型根據所述一個或多個時間序列關聯度量與所述時間序列之間的匹配程度包括：將所述一個或多個時間序列關聯度量的統計屬性相組合，并確定所述預測模型與由此產生的時間序列匹配的統計似然。

11.根據上述權利要求中任一項所述的方法，其特征在于，確定所述質量測量表示每個預測模型根據所述一個或多個時間序列關聯度量與所述時間序列之間的匹配程度是基于貝葉斯信息準則(Bayesian Information Criterion，BIC)。

12.根據上述權利要求中任一項所述的方法，其特征在于，根據所述統計度量對所述子集中的所述預測模型進行聚類包括生成所述一個或多個統計度量與所述子集中的每個預測模型的值之間的映射關系。

13.根據上述權利要求中任一項所述的方法，其特征在于，所述聚類是模糊聚類。

14.根據上述權利要求中任一項所述的方法，其特征在于，選擇所述子集中的一個預測模型是基于模糊干擾系統的。

15.根據權利要求14所述的方法，其特征在于，所述模糊干擾系統使用實現從所述聚類生成的if-then規則的一階邏輯語句。