[发明专利]结合时间序列和外部数据的跨多个范围的预测模型

说明书

一种多范围预测器系统，该系统基于参数的时间序列数据、外部数据和机器学习来针对多个范围预测参数的未来值。针对给定时间范围，时间序列数据分割器将参数的时间序列数据分割成与给定范围之前的训练时间段相对应的训练数据以及与在训练时间段和给定范围之间的验证时间段相对应的验证时间段。模型调整器通过以下来调整给定范围的预测模型：使用训练数据、从而使用机器学习来将初始预测模型拟合至参数。模型调整器还通过调整外部数据对预测的影响来调整初始预测模型，以使用验证数据生成针对给定范围的最终预测模型。多范围预测器使时间序列数据分割器和模型调整器针对多个范围中的每一个进行操作。

背景技术

计算机和网络迎来了所谓的“信息时代”。存在大量可用数据能够协助用户开展各种任务，包括对参数的未来值进行预测。例如，通过对参数的时间序列执行回归分析，可以对该数据未来的时间序列进行预测。执行这种预测可能出于多种原因，包括例如预测数据中心的功率使用情况、预测某个信道上的网络流量、预测处理器使用情况、估计未来地球表面温度，等等。通过精确预测这些参数的未来值，可以做出恰当的准备来应对所预期的未来变化。

然而，预测未来如何影响某些事物，尤其是仅仅依赖于过去的时间序列数据进行预测，是相当困难的技术挑战。因此，传统机制是通过考虑周期性波动知识来提高预测技术水平。还有一些常规机制是考虑与时间序列数据和参数不同的、但可能会对参数产生某些影响的外部因素。

本文要求保护的主题不限于解决任何缺陷的实施例或者仅在诸如上述环境中操作的实施例。更准确的说，仅提供此背景技术部分以说明本文所描述的一些实施例可以被实现在其中的一个示范性技术领域。

发明内容

本文所描述的至少一些实施例涉及一种多范围预测器系统，该系统基于参数的时间序列数据、外部数据和机器学习来针对多个范围预测参数的未来值。针对给定时间范围，时间序列数据分割器将参数的时间序列数据分割成与给定范围之前的训练时间段相对应的训练数据以及与在训练时间段和给定范围之间的验证时间段相对应的验证时间段。模型调整器通过以下来调整给定范围的预测模型：使用训练数据、从而使用机器学习来将初始预测模型拟合至参数。模型调整器还通过调整外部数据对预测的影响来调整初始预测模型，以使用验证数据生成针对给定范围的最终预测模型。多范围预测器使时间序列数据分割器和模型调整器针对多时间范围中的每一范围进行操作。

由此，可以存在不同的调整，并且因此存在用于多个时间范围中的至少一些范围中每一个的不同的最终预测模型。因此，取决于时间范围，外部数据的影响可以不同。例如，外部数据可以是与短期时间范围更相关并且与长期时间范围更不相关的数据。预测器可以频繁地操作，从而随着外部数据变化而不断更新多范围预测。例如，外部数据可以是经处理的定期变化的网络数据。指示网络数据变化的事件能够导致多范围预测系统的重新运行。因此，可以获得针对多个范围的更精确的多范围预测，其中这样的预测随着环境(即，参数值)的改变而调节。

本发明内容是为了以简化的形式介绍将在以下详细描述中进一步描述的一些概念。本发明内容无意确定所要求保护的主题的关键特征或基本特征，也无意用作确定所要求保护的主题的范围的辅助手段。

附图说明

为了描述本发明可以获得的上述以及其他优势和特征的方式，通过参考由附图示出的特定实施例，对上述已简要描述的本发明内容进行更具体的描述。应当理解，这些附图仅描绘了本发明的典型实施例，但并不因此被视为限定本发明的范围，将通过下述附图的使用，以额外的特征和细节来描述和解释本发明，其中：

图1示出了可以在其中应用本文所描述的原理的示例计算系统；

图2示出了自动基于参数的时间序列数据、外部数据和机器学习来针对多个范围自动预测参数未来值的计算系统；

图3示出了由在当前时间处具有时间标注的时间进程时间线表示的时间进程；以及

图4示出了用于基于参数的时间序列数据、外部数据和机器学习来针对多个范围自动预测参数的未来值的方法的流程图。