[发明专利]一种基于预先构建的预测模型进行预测的方法及装置

权利要求书

1.一种基于预先构建的预测模型进行预测的方法，其特征在于，包括：

获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者；

将所述待预测时间输入预先构建的预测模型，得到所述预测模型输出的待预测时间下的事件特征变量值；其中，所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的；

将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型，得到所述事件特征模型输出的所述事件数量和事件属性中的另一者，作为待预测时间下的所述事件数量和事件属性中的另一者；其中，所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。

2.根据权利要求1所述的方法，其特征在于，所述事件特征模型为：

Z＝x^m×yⁿ

式中，Z为事件特征变量；x为事件数量；y为事件属性；m为事件数量指数；n为事件属性指数。

3.根据权利要求2所述的方法，其特征在于，所述m和所述n的获取过程，包括：

将事件数量指数初始值作为当前事件数量指数，并将事件属性指数初始值作为当前事件属性指数；

根据所述当前事件数量指数和当前事件属性指数，生成当前事件特征模型；

根据所述历史时间下的事件数量和所述历史时间下的事件属性，确定所述当前事件特征模型对应的线性相关系数；其中，所述当前事件特征模型对应的线性相关系数包括：事件特征变量与事件数量的线性相关系数、以及所述事件特征变量与事件属性的线性相关系数；

更新所述当前事件数量指数和所述当前事件属性指数，并继续执行所述根据所述当前事件数量指数和当前事件属性指数，生成当前事件特征模型以及后续步骤，直至达到预设条件时，将当前事件数量指数作为m，并将当前事件属性指数作为n。

4.根据权利要求3所述的方法，其特征在于，所述更新所述当前事件数量指数和所述当前事件属性指数，包括：利用梯度下降法，更新所述当前事件数量指数和所述当前事件属性指数。

5.根据权利要求1所述的方法，其特征在于，所述预测模型为差分整合移动平均自回归模型。

6.根据权利要求5所述的方法，其特征在于，所述预测模型的构建过程，包括：

获取所述历史时间和所述历史时间下的事件特征变量值；

根据所述历史时间和所述历史时间下的事件特征变量值，确定事件特征变量的目标变化趋势；

根据所述事件特征变量的目标变化趋势，构建预测模型。

7.根据权利要求6所述的方法，其特征在于，所述事件特征变量的目标变化趋势包括：事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的非季节性周期性变化趋势和事件特征变量的随机性变化趋势中的至少一个。

8.一种基于预先构建的预测模型进行预测的装置，其特征在于，包括：

获取单元，用于获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者；

预测单元，用于将所述待预测时间输入预先构建的预测模型，得到所述预测模型输出的待预测时间下的事件特征变量值；其中，所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的；

确定单元，用于将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型，得到所述事件特征模型输出的所述事件数量和事件属性中的另一者，作为待预测时间下的所述事件数量和事件属性中的另一者；其中，所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。

9.一种设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1-7中任一项所述的方法。