[發(fā)明專利]提高預(yù)測(cè)系統(tǒng)準(zhǔn)確率的方法、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011394276.4
• 申請(qǐng)日: 2020-12-02
• 公開（公告）號(hào): CN112365094A
• 公開（公告）日: 2021-02-12
• 發(fā)明（設(shè)計(jì)）人: 孫永強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 四川長(zhǎng)虹電器股份有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/06;G06N20/00
• 代理公司: 四川省成都市天策商標(biāo)專利事務(wù)所 51213
• 代理人: 郭會(huì)

本發(fā)明公開了一種提高預(yù)測(cè)系統(tǒng)準(zhǔn)確率的方法，包括預(yù)測(cè)系統(tǒng)預(yù)測(cè)數(shù)據(jù)集獲取以及預(yù)處理；特征選取；算法或模型選擇；算法組合；超參數(shù)配置；誤差計(jì)算，計(jì)算出預(yù)測(cè)值，并給出具體誤差值；根據(jù)預(yù)測(cè)結(jié)果進(jìn)行預(yù)測(cè)控制；反饋校正；滾動(dòng)優(yōu)化。本發(fā)明的方法采用預(yù)測(cè)控制和滾動(dòng)優(yōu)化技術(shù)優(yōu)化方法，并融合短期預(yù)測(cè)結(jié)果數(shù)據(jù)，作為新的預(yù)測(cè)特征，以此來(lái)提高預(yù)測(cè)系統(tǒng)準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及大數(shù)據(jù)預(yù)測(cè)技術(shù)領(lǐng)域，特別涉及一種提高預(yù)測(cè)系統(tǒng)準(zhǔn)確率的方法、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)。

背景技術(shù)

銷售預(yù)測(cè)系統(tǒng)運(yùn)用模型進(jìn)行數(shù)據(jù)預(yù)測(cè)，從而為業(yè)務(wù)提供技術(shù)支持，模型分為機(jī)器學(xué)習(xí)，深度學(xué)習(xí)，時(shí)間序列等，一般模型構(gòu)建流程為，獲取數(shù)據(jù)，數(shù)據(jù)預(yù)處理，特征工程，訓(xùn)練模型、診斷、調(diào)優(yōu)，模型驗(yàn)證、誤差分析、模型融合、部署上線等，其中預(yù)測(cè)準(zhǔn)確率是最核心的問(wèn)題，如何提高預(yù)測(cè)系統(tǒng)的準(zhǔn)確率是需要攻克的問(wèn)題，雖然目前有一些辦法能夠提高，但是效果都不是很明顯，分析其主要缺陷技術(shù)原因?yàn)閿?shù)據(jù)稀疏性，算法或模型所選特征單一，沒(méi)有合理利用特征數(shù)據(jù)，以及沒(méi)有融入短期預(yù)測(cè)結(jié)果導(dǎo)致的。

發(fā)明內(nèi)容

本發(fā)明的目的是克服上述背景技術(shù)中不足，提供一種提高預(yù)測(cè)系統(tǒng)準(zhǔn)確率的方法、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)，采用預(yù)測(cè)控制和滾動(dòng)優(yōu)化技術(shù)優(yōu)化方法，并融合短期預(yù)測(cè)結(jié)果數(shù)據(jù)，作為新的預(yù)測(cè)特征，以此來(lái)提高預(yù)測(cè)系統(tǒng)準(zhǔn)確率。

為了達(dá)到上述的技術(shù)效果，本發(fā)明采取以下技術(shù)方案：

一種提高預(yù)測(cè)系統(tǒng)準(zhǔn)確率的方法、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)，包括：

步驟1.獲取預(yù)測(cè)數(shù)據(jù)集并進(jìn)行數(shù)據(jù)的預(yù)處理，具體的數(shù)據(jù)預(yù)處理方法包括如數(shù)據(jù)清洗、格式調(diào)整等，為現(xiàn)有技術(shù)，此處不再贅述，其中，預(yù)測(cè)數(shù)據(jù)集中的數(shù)據(jù)具體是根據(jù)預(yù)測(cè)系統(tǒng)的實(shí)際應(yīng)用場(chǎng)景進(jìn)行對(duì)應(yīng)需求的數(shù)據(jù)收集，其中，必要的是時(shí)間數(shù)據(jù)信息；

步驟2.獲取特征數(shù)據(jù)對(duì)預(yù)測(cè)數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)充及完善；具體獲取方式為現(xiàn)有技術(shù)，如可通過(guò)網(wǎng)絡(luò)爬蟲技術(shù)獲取數(shù)據(jù)等，其中，特征數(shù)據(jù)具體是用于對(duì)已收集到的預(yù)測(cè)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行進(jìn)一步擴(kuò)充及完善的數(shù)據(jù)，具體數(shù)據(jù)類型根據(jù)具體應(yīng)用場(chǎng)景而定，如若是針對(duì)空調(diào)系統(tǒng)的銷售預(yù)測(cè)，則可將氣溫、宏觀經(jīng)濟(jì)數(shù)據(jù)等作為進(jìn)一步補(bǔ)充的特征數(shù)據(jù)，同時(shí)，也可將預(yù)測(cè)系統(tǒng)自身數(shù)據(jù)作為進(jìn)一步補(bǔ)充的特征數(shù)據(jù)，例如計(jì)劃數(shù)據(jù)，人工預(yù)測(cè)數(shù)據(jù)等；

步驟3.選取算法和/或模型；目前常用的分析模型及算法較多，可根據(jù)具體應(yīng)用需求及場(chǎng)景進(jìn)行對(duì)應(yīng)的選擇，如現(xiàn)有的時(shí)間序列分析模型包括：ARIMA,SARIMA,ETS,STL,HOLT-WINTERS,X11,PROPHET等模型；機(jī)器學(xué)習(xí)算法包括:CATBOOST,GBDT,GBM,LR,SVR,XGBOOST,RF,KNN,CART等算法；深度學(xué)習(xí)算法包括：CNN,LSTM,MLP,NBEATS,SEQ2SEQ,TCN,WAVENET等算法；

步驟4.對(duì)選取算法和/或模型得到組合的算法和/或模型；如可根據(jù)經(jīng)驗(yàn)以及預(yù)測(cè)數(shù)據(jù)需求將深度學(xué)習(xí)，機(jī)器學(xué)習(xí)部分算法與時(shí)間序列分析模型進(jìn)行算法組合，例如可將深度學(xué)習(xí)算法LSTM，機(jī)器學(xué)習(xí)算法CATBOOST以及時(shí)間序列分析模型SARIMAX進(jìn)行組合，充分發(fā)揮各自算法及模型的優(yōu)點(diǎn)；

步驟5.對(duì)步驟3、4中涉及算法和/或模型進(jìn)行參數(shù)配置，完成參數(shù)配置的算法和/或模型即為預(yù)測(cè)模型，即將選取的所有算法和/或模型以及組合后的算法和/或模型的所有參數(shù)包括隱藏的參數(shù)，針對(duì)配置的超參數(shù)進(jìn)行合理的定值；

步驟6.將經(jīng)步驟2補(bǔ)充完善后的預(yù)測(cè)數(shù)據(jù)集輸入預(yù)測(cè)模型中進(jìn)行未來(lái)一定周期預(yù)測(cè)數(shù)據(jù)的預(yù)測(cè)計(jì)算，輸出預(yù)測(cè)值及誤差值；

步驟7.選取誤差值最小的前p個(gè)預(yù)測(cè)模型輸出的預(yù)測(cè)值作為源數(shù)據(jù)，重新輸入各預(yù)測(cè)模型中進(jìn)行未來(lái)約定周期預(yù)測(cè)數(shù)據(jù)的預(yù)測(cè)計(jì)算，輸出預(yù)測(cè)值及誤差值，再根據(jù)輸出的預(yù)測(cè)值及誤差值對(duì)預(yù)測(cè)模型進(jìn)行優(yōu)化，再將所述源數(shù)據(jù)輸入優(yōu)化后的預(yù)測(cè)模型中再次進(jìn)行預(yù)測(cè)計(jì)算，輸出優(yōu)化后的預(yù)測(cè)值及誤差值；