[發明專利]數據預測方法、裝置、物流貨量預測方法、介質和設備

在審

• 申請號: 202111100746.6
• 申請日: 2021-09-18
• 公開（公告）號: CN113792931A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 吳盛楠;莊曉天;韓國帥;佟路
• 申請（專利權）人: 北京京東振世信息技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/08;G06F16/2458;G06N3/04
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 王輝;闞梓瑄

本公開涉及計算機技術領域，涉及了一種數據預測方法及裝置、物流貨量預測方法及裝置、存儲介質和電子設備。該方法包括：獲取歷史時間序列數據，對歷史時間序列數據進行時間序列分解，得到趨勢序列數據、周期序列數據和誤差序列數據；對誤差序列數據進行時間序列分解，并對得到的分解子序列進行擬合預測，根據擬合預測結果確定誤差序列數據對應的第一預測結果；采用趨勢序列數據和周期序列數據對應的預測模型，分別對趨勢序列數據和周期序列數據進行擬合預測，得到第二預測結果和第三預測結果；將第一預測結果、第二預測結果和第三預測結果進行融合，得到目標預測結果。本公開一定程度上提高具有周期性、趨勢性數據的預測準確性。

技術領域

本公開涉及計算機技術領域，更具體地，涉及一種數據預測方法、數據預測裝置、物流貨量預測方法、物流貨量預測裝置、計算機存儲介質和電子設備。

背景技術

隨著計算機技術的發展，機器學習的應用領域也越來越廣泛，很多應用場景下需要根據歷史數據的發展規律預測未來數據，例如金融市場行情預測、零售行業的需求預測或者為了物流行業的健康持續發展，避免物流服務質量降低以及物流服務速率的降低，準確預測物流貨量也顯得尤為重要。

相關技術中，模型預測過程忽略了預測數據的周期性、趨勢性特點，采用單一預存模型進行預測，影響整體數據的預測精準度，導致模型預測結果與真實數據存在較大偏差，并且在相關技術中，將產生的隨機誤差直接作為入參輸入至預測模型進行預測擬合，而因誤差項的直接引入降低模型的預測準確率。

需要說明的是，在上述背景技術部分發明的信息僅用于加強對本公開的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

本公開的目的在于提供一種基于時間序列的數據預測方法及裝置、基于時間序列的物流貨量預測方法及裝置、計算機存儲介質和電子設備，進而至少在一定程度上提高具有周期性、趨勢性數據的預測準確性。

本公開的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本公開的實踐而習得。

根據本公開的一個方面，提供一種基于時間序列的數據預測方法，包括：獲取歷史時間序列數據，對所述歷史時間序列數據進行時間序列分解，得到趨勢序列數據、周期序列數據和誤差序列數據；對所述誤差序列數據進行時間序列分解，并對得到的多個分解子序列進行擬合預測，以根據擬合預測結果確定所述誤差序列數據對應的第一預測結果；采用所述趨勢序列數據和周期序列數據對應的預測模型，分別對所述趨勢序列數據和周期序列數據進行擬合預測，得到第二預測結果和第三預測結果；將所述第一預測結果、第二預測結果和第三預測結果進行融合處理，得到目標預測結果。

在本公開的一種示例性實施例中，所述對所述誤差序列數據進行時間序列分解，并對得到的多個分解子序列進行擬合預測，以根據擬合預測結果確定所述誤差序列數據對應的第一預測結果，包括：對所述誤差序列數據進行時間序列分解，得到子趨勢序列數據、子周期序列數據和子隨機誤差序列數據；丟棄所述子隨機誤差序列數據；將所述子趨勢序列數據和子周期序列數據進行融合處理，得到子融合序列數據；采用所述子融合序列數據對應的預測模型，對所述子融合序列數據進行擬合預測，得到所述第一預測結果。

在本公開的一種示例性實施例中，在采用所述子融合序列數據對應的預測模型，對所述子融合序列數據進行擬合預測，得到所述第一預測結果之前，所述方法還包括：對所述子融合序列數據進行標注化和歸一化處理，并根據標準歸一化后的子融合序列數據確定訓練集數據和測試集數據。

在本公開的一種示例性實施例中，所述子融合序列數據對應的預測模型為正弦波序列表征網絡與長短期記憶網絡復合模型；所述采用所述子融合序列數據對應的預測模型，對所述子融合序列數據進行擬合預測，得到所述第一預測結果，包括：將所述訓練集數據輸入至正弦波序列表征網絡進行樣本擴增，并將樣本擴增后的訓練集數據輸入至長短期記憶網絡，以對所述正弦波序列表征網絡與長短期記憶網絡復合模型進行訓練；將所述測試集數據輸入至訓練后的復合模型，得到所述第一預測結果。