[发明专利]一种基于历史数据的预测方法及装置

说明书

技术领域

本申请涉及数据处理领域，尤其涉及一种基于历史数据的预测方法及装置。

背景技术

目前有很多应用场景需要按照一定规律基于历史数据对未来的数据进行预测，例如基于应用程序的历史上线人数预测未来某个时间点或某些时间点的上线人数，以便适应性的增加或减少相应的计算机资源，或者推送某些业务等等。再例如，基于历史网络流量数据预测未来网络流量数据，或基于历史网络延迟数据预测未来的网络延迟数据。

现有的比较流行的预测方法是回归分析法，通过分析找到历史的预测数据与其相关的历史数据的函数表达式，即回归函数。当进行实际预测时，将与实际预测数据相关的数据代入到回归函数中，求出实际预测数据。

然而，回归分析法进行预测的精确度取决于回归函数，当历史数据的规律较为复杂时，可能无法找到拟合度较高的回归函数，这种情况下回归预测结果的精确度就不够理想。

发明内容

为了解决现有技术存在的技术问题，本申请提供了一种基于历史数据的预测方法及装置，有效提高了预测结果的精确度。

本申请实施例提供了一种基于历史数据的预测方法，所述方法包括：

获取预测项的历史数据，并利用神经网络系统对所述历史数据进行训练，得到预测模型，所述历史数据包括所述预测项的自身历史数据和所述预测项的相关历史数据，所述预测模型反映了所述自身历史数据与相关历史数据之间的关系；

获取预测项的相关实际数据，并根据所述相关实际数据以及所述预测模型得到所述预测项的自身实际数据，实现基于所述预测项的历史数据对自身实际数据的预测，所述相关实际数据的时间点在所述自身实际数据的时间点之前。

可选的，所述预测项的相关历史数据包括以下至少一种：

与所述自身历史数据相邻的第一预设个数的时间点的历史数据、所述自身历史数据的时间点与相邻的第一预设个数的时间点的历史数据差值、与所述自身历史数据相邻的第二预设个数的时间点的历史数据之间的差值。

可选的，所述神经网络系统包括输入层、隐藏层和输出层；

所述利用神经网络系统对所述历史数据进行训练，得到预测模型包括：

将所述预测项的相关历史数据输入到所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出中间预测值；

利用所述中间预测值与所述预测项的自身历史数据之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直到所述中间预测值与所述自身历史数据之间的差值在预设范围之内，得到训练完成的各节点的激活函数。

可选的，所述激活函数包括：sigmoid函数、tanh函数、relu函数、leakyrule函数或maxout函数。

可选的，所述优化算法包括：adam算法、SGD算法或Momentum算法。

本申请实施例还提供了一种基于历史数据的预测装置，所述装置包括：

历史数据获取单元、训练单元以及预测单元；

其中，所述历史数据获取单元，用于获取预测项的历史数据；

所述训练单元，用于利用神经网络系统对所述历史数据进行训练，得到预测模型，所述历史数据包括所述预测项的自身历史数据和所述预测项的相关历史数据，所述预测模型反映了所述自身历史数据与相关历史数据之间的关系；

所述预测单元，用于获取预测项的相关实际数据，并根据所述相关实际数据以及所述预测模型得到所述预测项的自身实际数据，实现基于所述预测项的历史数据对自身实际数据的预测，所述相关实际数据的时间点在所述自身实际数据的时间点之前。

可选的，所述预测项的相关历史数据包括以下至少一种：

与所述自身历史数据相邻的第一预设个数的时间点的历史数据、所述自身历史数据的时间点与相邻的第一预设个数的时间点的历史数据差值、与所述自身历史数据相邻的第二预设个数的时间点的历史数据之间的差值。

可选的，所述神经网络系统包括输入层、隐藏层和输出层；

所述训练单元包括：计算单元和修正单元；

所述计算单元，用于将所述预测项的相关历史数据输入到所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出中间预测值；

所述修正单元，用于利用所述中间预测值与所述预测项的自身历史数据之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直到所述中间预测值与所述自身历史数据之间的差值在预设范围之内，得到训练完成的各节点的激活函数。