时间序列预测模型的超参数配置方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115081633A(43)申请公布日2022.09.20(21)申请号202110282461.2(22)申请日2021.03.16(71)申请人英业达科技有限公司地址201114上海市闵行区浦星路789号申请人英业达股份有限公司(72)发明人傅大卫吴信福陈佩君(74)专利代理机构上海光华专利事务所(普通合伙)31219专利代理师邬嫡波(51)Int.Cl.G06N20/00(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图5页(54)发明名称时间序列预测模型的超参数配置方法(57)摘要本发明内容揭露一种时间序列预测模型的超参数配置方法，包括：储存N个产品的N个数据集；决定预测模型；以及执行超参数搜索程序。超参数搜索程序包括：产生M组超参数；应用每一组超参数于预测模型；依据二策略分别对预测模型进行训练及验证以产生二误差阵列，其中该二策略分别以二相异的资料维度从N个数据集中选取训练数据集及验证数据集，依据二权重及二误差阵列进行加权运算或排序操作并搜索目标超参数，目标超参数在二误差阵列中所对应的二误差值为相对最小值。CN115081633ACN115081633A权利要求书1/2页1.一种时间序列预测模型的超参数配置方法，包括：以一储存装置储存分别对应于N个产品的N个数据集，其中每一该些数据集为一时间序列；决定一预测模型；以及以一处理器执行一超参数搜索程序，该超参数搜索程序包括：以该处理器产生对应该预测模型的M组超参数；以该处理器应用每一该M组超参数于该预测模型；以该处理器依据一第一策略及一第二策略分别对应用每一该M组超参数的该预测模型进行训练，其中该第一策略及该第二策略分别以二相异的数据维度从该N个数据集中选取一部份作为一训练数据集；以该处理器依据该第一策略及该第二策略分别对应用每一该M组超参数的该预测模型进行验证以产生二误差阵列，其中该第一策略及该第二策略分别以该二相异的数据维度从该N个数据集中选取另一部份作为一验证数据集，且该二误差阵列的每一者具有M个误差值；以该处理器依据一第一权重、一第二权重及该二误差阵列进行一加权运算或一排序操作；以及以该处理器在该二误差阵列中搜索一目标超参数，其中该目标超参数为该M组超参数中的一者，且该目标超参数在该二误差阵列中所对应的该二误差值为该二误差阵列中的相对最小值；当搜索到该目标超参数时，以该处理器输出该目标超参数；且当无法搜索到该目标超参数时，以该处理器增加M值并执行该超参数搜索程序。2.如权利要求1所述的时间序列预测模型的超参数配置方法，其中该预测模型是长短期记忆(LongShort‑TermMemory)模型。3.如权利要求1所述的时间序列预测模型的超参数配置方法，其中该第一策略以时间序列的数据维度进行K折交叉验证，且该第二策略以产品的数据维度进行N折交叉验证。4.如权利要求3所述的时间序列预测模型的超参数配置方法，其中在该第一策略中，从第1折至第K折的该训练数据集的资料量递增，从第1折至第K折的该验证数据集的数据量固定，且该验证数据集在该时间序列中晚于该训练数据集。5.如权利要求1所述的时间序列预测模型的超参数配置方法，其中以该处理器依据该第一权重、该第二权重及该二误差阵列进行该加权运算或该排序操作包括：以该处理器应用该第一权重于对应该第一策略的该误差阵列的每一该M个误差值；以该处理器应用该第二权重于对应该第二策略的该误差阵列的每一该M个误差值；以该处理器计算该二误差阵列中互相对应的该二误差值的多个总和；以该处理器将该些总和由小到大排序；以及以该处理器选取该些总和中的最小值所对应的该组超参数作为该目标。6.如权利要求1所述的时间序列预测模型的超参数配置方法，其中以该处理器依据该第一权重、该第二权重及该二误差阵列进行该加权运算或该排序操作包括：2CN115081633A权利要求书2/2页以该处理器由小到大排序对应该第一策略的该误差阵列的每一该M个误差值；及以该处理器由小到大排序对应该第二策略的该误差阵列的每一该M个误差值；其中以该处理器在该二误差阵列中搜索该目标超参数包括：从该二误差阵列的最小索引值开始遍历，以该处理器检查该二误差阵列对应相同索引值的该二误差值；及当该二误差值皆对应至该M组超参数中的同一者时，以该组超参数作为该目标超参数。3CN115081633A说明书1/6页时间序列预测模型的超参数配置方法技术领域[0001]本发明关于一种基于机器学习的时间序列预测模型的超参数配置方法。背景技术[0002]人工智能(artificialintelligence，AI)已经成为我们日常生活中的一部分。人工智能帮助人类理解、推理、计划、交流和感知。尽管人工智能