[发明专利]时间序列的预测方法和装置

说明书

本申请提供了一种时间序列的预测方法和装置，涉及人工智能领域。在t时刻进行时间序列的预测时，该方法包括：获取第一输入、第二输入和第三输入，其中，第一输入包括t时刻对应的第一时间序列中的历史数据，第一时间序列为目标时间序列；第二输入包括第二时间序列，第二时间序列用于为t时刻时间序列的预测提供历史信息；第三输入包括t‑1时刻输出的第一状态值，t‑1时刻为t时刻的上一时刻；根据t时刻对应的第一时间序列中的历史数据、第二时间序列和t‑1时刻输出的第一状态值，得到t时刻的预测结果。该方法使得时间序列在预测的过程中能够考虑到更多的历史信息，从而能够提升时间序列的预测效果。

技术领域

本申请涉及人工智能领域，并且更具体地，涉及一种时间序列的预测方法和装置。

背景技术

生活中很多数据都具有时序特性，我们常以时间序列的形式来表示这些数据，而且在这些时间序列数据中许多都具有长时记忆的特点，也就是相隔很远的两个时刻对应的数据之间仍然具有较大的相关性，如金融领域的股票、运维领域的指标、城市的交通流量等。根据这些时间序列数据进行预测对零售、金融、运维和交通等各个领域的发展具有重要的意义。那么如何对长时记忆时间序列进行预测则成为近年来主要的研究方向。

目前，主要通过机器学习法对长时记忆时间序列进行预测，如通过传统的循环神经网络(recurrent neural network，RNN)和长短期记忆模型(long-short term memory，LSTM)进行预测。通过上述两种模型在t时刻处对时间序列进行预测时，都是以t-1时刻的输出状态值和t时刻对应的目标时间序列中的历史数据作为输入得到t时刻的预测结果，实现对长时记忆时间序列的预测。虽然在上述方式中，t-1时刻的输出状态值是通过历史时间序列的数据计算得到的，但在实际预测过程中发现，t-1时刻的输出状态值储存的历史信息是有限的，那么如果每个时刻处都是在有限信息的基础上进行预测就会导致预测的结果与实际结果值相比偏差较大。

因此，如何提升长时记忆时间序列的预测效果是一项亟待解决的问题。

发明内容

本申请提供一种时间序列的预测方法和装置，能够提升长时记忆时间序列的预测效果。

第一方面，提供了一种时间序列的预测方法，在t时刻进行时间序列的预测时，该方法包括：获取第一输入、第二输入和第三输入，其中，第一输入包括t时刻对应的第一时间序列中的历史数据，第一时间序列为目标时间序列；第二输入包括第二时间序列，第二时间序列用于为t时刻时间序列的预测提供历史信息；第三输入包括t-1时刻输出的第一状态值，t-1时刻为t时刻的上一时刻；根据述t时刻对应的第一时间序列中的历史数据、第二时间序列和t-1时刻输出的第一状态值，得到t时刻的预测结果。

应理解，目标时间序列为需要进行预测的时间序列，t时刻对应的第一时间序列中的历史数据为目标时间序列中t时刻对应的历史数据。

应理解，第二时间序列包括多个历史数据，该多个历史数据可以是目标时间序列中的历史数据，也可以是在历史多个时刻预测时输出的多个状态值组成的时间序列，能够为t时刻时间序列的预测提供更多的历史信息。

在本申请实施例中，在t时刻进行时间序列的预测时，输入t时刻对应的目标时间序列中的历史数据、第二时间序列和t-1时刻输出的第一状态值，进而得到t时刻的预测结果，使得时间序列在预测的过程中能够考虑到更多的历史信息，从而提升时间序列的预测效果。

结合第一方面，在第一方面的某些实现方式中，第二时间序列为包括t时刻在内的前K个时刻对应的目标时间序列中的K个历史数据时，K为正整数且K1，该方法还包括：获取第四输入，第四输入包括t-1时刻输出的第二状态值；根据t时刻对应的第一时间序列中的历史数据和t-1时刻输出的第一状态值，得到t时刻的第一状态值；根据K个历史数据和t-1时刻输出的第二状态值，得到t时刻的第二状态值；根据t时刻的第一状态值和t时刻的第二状态值，得到t时刻的预测结果。