[发明专利]基于条件随机场与Stacking算法的时间序列预测方法和装置

说明书

本公开实施例涉及一种基于条件随机场与Stacking算法的时间序列预测方法、装置、计算机存储介质和电子设备。该方法包括：获得多个基预测器中每个基预测器预测的不同维度的预测数据；将所述多个基预测器的一部分预测数据作为验证集，输入条件随机场模型；根据所述验证集中的预测数据，初始化所述条件随机场模型；在所述条件随机场模型未收敛期间，结合Stacking算法，进行多次迭代，直到所述条件随机场模型收敛为止，得到收敛的条件随机场模型；将所述收敛的条件随机场模型的输出确定为时间序列预测结果。

技术领域

本公开的实施例涉及计算机技术领域，尤其涉及一种基于条件随机场与Stacking算法的时间序列预测方法、装置、计算机存储介质和电子设备。

背景技术

相比于简单时间序列，复杂时间序列具有维度更高、更复杂的特点，这使得复杂时间序列的预测比简单时间序列的预测更加困难。然而相比于简单时间序列，复杂时间序列更多地源于生活与生产中，例如：音频、视频以及工业生产系统中的各个运行参数。

针对复杂时间序列，常见的一种预测方法是扩展已经成功应用于简单时间序列数据上的方法，诸如文献《Vector Autoregressive Models for Multivariate TimeSeries》与文献《MARSS:Multivariate Autoregressive State-space Models forAnalyzing Time-series Data》都扩展了自回归模型，使其适应高维度的时间序列；而文献《A Serial Approach to Handling High-Dimensional Measurements in the Sigma-Point Kalman Filter》则针对高维度的时间序列改进了卡尔曼滤波器。

除了传统的机器学习方法之外，近年来深度学习方法也慢慢涉足时间序列预测，文献《A review of unsupervised feature learning and deep learning for time-series modeling》对此进行了一个回顾；《Deep Learning in Finance》一文则对深度学习方法在金融方面的应用进行了回顾与探讨。长短期记忆网络(LSTM)作为循环神经网络(RNN)中一个重要的模型，也广泛应用于时间序列的挖掘中。

发明内容

本公开至少一个实施例的主要目的在于提供一种一种基于条件随机场与Stacking算法的时间序列预测方法、装置、计算机存储介质和电子设备。

第一方面，本公开的实施例提供了一种基于条件随机场与Stacking算法的时间序列预测方法，所述方法包括：

获得多个基预测器中每个基预测器预测的不同维度的预测数据；

将所述多个基预测器的一部分预测数据作为验证集，输入条件随机场模型；

根据所述验证集中的预测数据，初始化所述条件随机场模型；

在所述条件随机场模型未收敛期间，结合Stacking算法，进行多次迭代，直到所述条件随机场模型收敛为止，得到收敛的条件随机场模型；

将所述收敛的条件随机场模型的输出确定为时间序列预测结果。

可选地，在将所述收敛的条件随机场模型的输出确定为时间序列预测结果之前，所述方法还包括：

将所述多个基预测器的另一部分预测数据作为测试集，输入所述收敛的条件随机场模型，得到所述收敛的条件随机场模型的预测准确度；

将所述收敛的条件随机场模型的输出确定为时间序列预测结果，包括：

在所述预测准确度大于所述预设阈值的情况下，将所述收敛的条件随机场模型的输出确定为时间序列预测结果。