建立时间序列预测模型的方法、时间序列预测方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115222093A(43)申请公布日2022.10.21(21)申请号202210651221.X(22)申请日2022.06.10(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人王世宇胡韵周凡孙银波郑洋飞雷磊(74)专利代理机构济南信达专利事务所有限公司37100专利代理师李世喆(51)Int.Cl.G06Q10/04(2012.01)G06N3/08(2006.01)权利要求书4页说明书14页附图5页(54)发明名称建立时间序列预测模型的方法、时间序列预测方法和装置(57)摘要本说明书实施例提供了一种建立时间序列预测模型的方法、时间序列预测方法和装置。根据该实施例的方法，首先从m个被测对象的历史时间序列获取训练数据，训练数据包括m个被测对象在连续n个时间点的指标值；然后利用训练数据训练得到m元时间序列预测模型；其中，依时间顺序将各时间点分别作为第ts个时间点执行：将m个被测对象在第ts个时间点的指标值输入m元时间序列预测模型，由m元时间序列预测模型依据m个被测对象在第ts个时间点及其之前各时间点的指标值预测m个被测对象在第ts个时间点之后τ个时间点的指标值；训练目标包括最小化预测的指标值与训练数据中对应指标值的差异。本说明书实施例能够实现更为准确的时间序列预测。CN115222093ACN115222093A权利要求书1/4页1.建立时间序列预测模型的方法，包括：获取训练数据，所述训练数据包括m个被测对象分别对应的m个历史时间序列；每一个历史时间序列中包括对应的被测对象在连续n个时间点的n个指标值，所述m和n均为大于1的正整数；利用所述训练数据训练得到m元时间序列预测模型；其中，依时间顺序将所述连续n个时间点中的各时间点分别作为第ts个时间点执行：将所述m个被测对象在第ts个时间点的各指标值输入所述m元时间序列预测模型，由所述m元时间序列预测模型依据所述m个被测对象在第ts个时间点及其之前各时间点的各指标值，预测所述m个被测对象在第ts个时间点之后τ个待预测时间点的各指标值，所述τ为预设的正整数；其中，训练目标包括：对于所述m个被测对象中的每一个被测对象，针对在第ts个时间点之后τ个待预测时间点中的每一个待预测时间点，将对应该待预测时间点预测出的该被测对象的指标值与训练数据中对应该待预测时间点的该被测对象的指标值之间的差异最小化。2.根据权利要求1所述的方法，其中，所述训练目标进一步包括：所述m个被测对象在同一待预测时间点预测出的m个指标值之间满足预设的约束要求。3.根据权利要求1至2中任一所述的方法，其中，所述m元时间序列预测模型包括：编码模块、概率分布构建模块和采样模块；所述编码模块，对输入的所述m个被测对象各时间点的特征进行编码，所述特征包括指标值，得到所述m个被测对象各时间点的隐变量；所述概率分布构建模块，将得到的隐变量映射为m元的高斯分布信息；所述采样模块，基于所述m元的高斯分布信息，采样得到所述m个被测对象在待预测时间点的采样指标值；基于采样指标值，得到所述m个被测对象在待预测时间点的各指标值。4.根据权利要求3所述的方法，其中，所述高斯分布信息包括：m元高斯分布的均值向量和协方差矩阵；所述采样模块基于所述m元的高斯分布信息，采样得到所述m个被测对象在待预测时间点的采样指标值包括：所述采样模块利用所述m元高斯分布的均值向量和协方差矩阵，对高斯分布进行重参数采样，得到所述m个被测对象在待预测时间点的采样指标值。5.根据权利要求4所述的方法，其中，所述采样模块利用所述m元高斯分布的均值向量和协方差矩阵，对高斯分布进行重参数采样包括：从标准高斯分布采样所述m个被测对象在待预测时间点t的采样值向量εt；利用确定所述m个被测对象在待预测时间点t的采样指标值向量其中，所述ut和Σt分别为所述m元高斯分布在待预测时间点t的均值向量和协方差矩阵。6.根据权利要求3所述的方法，其中，所述m元时间序列预测模型进一步包括：优化模块，所述优化模块将优化矩阵与所述m个被测对象在待预测时间点的采样指标值相乘，得2CN115222093A权利要求书2/4页到所述m个被测对象在待预测时间点的各指标值；其中所述优化矩阵是依据所述m个被测对象在同一时间点的指标值之间满足的约束要求预先确定的。7.根据权利要求6所述的方法，其中，所述优化矩阵D采用如下计算式确定：TT‑1D＝Im‑R(Im2+RR)R；其中，所述Im为m维单位矩阵，Im2为m2维单位矩阵；矩阵R是Im2和矩阵Isum的拼接；所述矩阵Isum为m2×m1的矩阵，所述m1和m2分别为所述m个被测对象的层次化关系中底层被测对象的数量和非底层被测对象