[发明专利]时间序列预测模型的训练方法、时间序列预测方法及装置

权利要求书

1.一种时间序列预测模型的训练方法，其特征在于，包括：

获取第一预测模型，所述第一预测模型是基于源域的样本集预训练得到的，所述源域的样本集包括第一时间序列；

获取目标域的样本集，所述目标域的样本集包括第二时间序列；

将所述第一时间序列和所述第二时间序列输入所述第一预测模型中，通过所述第一预测模型中的特征编码器生成所述第一时间序列的特征和所述第二时间序列的特征；

将所述第一时间序列的特征和所述第二时间序列的特征输入领域判别器中，对所述领域判别器与所述特征编码器进行对抗训练，且基于所述目标域的样本集对所述第一预测模型进行调优，得到目标预测模型，其中，所述领域判别器用于判断输入所述领域判别器的数据属于所述目标域的样本集或所述源域的样本集。

2.根据权利要求1所述的方法，其特征在于，所述第二时间序列包括目标时间序列和/或增强时间序列；

所述增强时间序列是根据第三时间序列与所述目标时间序列之间的相似度确定的。

3.根据权利要求2所述的方法，其特征在于，所述目标时间序列为财经指标时间序列。

4.根据权利要求2或3所述的方法，其特征在于，所述第三时间序列与所述目标时间序列之间的相似度是基于所述第三时间序列与所述目标时间序列之间的欧氏距离确定的；

或者

所述第三时间序列与所述目标时间序列之间的相似度是基于动态时间规整算法确定的。

5.根据权利要求2至4中任一项所述的方法，其特征在于，所述增强时间序列是根据第三时间序列与所述目标时间序列之间的相似度确定的，包括：

从所述第三时间序列中筛选出与所述目标时间序列之间的相似度最高的M个时间序列，M为正整数；

将所述M个时间序列中相似度高于第一阈值的时间序列作为所述增强时间序列；

其中，所述第一阈值为所述第三时间序列与所述目标时间序列之间的相似度的中位数。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述预测模型为Nbeats网络，所述特征编码器包括所述Nbeats网络中的输出层之前的至少一个层。

7.根据权利要求6所述的方法，其特征在于，所述Nbeats网络包括N个块，N为正整数，以及

所述通过所述第一预测模型中的特征编码器生成所述第一时间序列的特征和所述第二时间序列的特征，包括：

将所述第一时间序列输入所述Nbeats网络中，对所述N个块中的每个块的输出层之前的至少一个层的输出进行池化，以生成所述第一时间序列的特征；

将所述第二时间序列输入所述Nbeats网络中，对所述N个块中的每个块的输出层之前的至少一个层的输出进行池化，以生成所述第二时间序列的特征。

8.一种时间序列预测方法，其特征在于，包括：

获取待处理的时间序列；

采用目标预测模型对所述待处理的时间序列进行处理，得到所述待处理的时间序列的预测结果；

其中，所述目标预测模型是通过将源域的样本集中的第一时间序列和目标域的样本集中的第二时间序列输入第一预测模型中，通过所述第一预测模型中的特征编码器生成所述第一时间序列的特征和所述第二时间序列的特征；将所述第一时间序列的特征和所述第二时间序列的特征输入领域判别器，对所述领域判别器和所述特征编码器进行对抗训练，且基于所述目标域的样本集对所述第一预测模型进行调优得到的，所述领域判别器用于判断输入所述领域判别器的数据属于所述目标域的样本集或所述源域的样本集；

其中，所述第一预测模型是基于源域的样本集训练得到的，所述源域的样本集包括所述第一时间序列。

9.根据权利要求8所述的方法，其特征在于，所述第二时间序列包括目标时间序列和/或增强时间序列；

所述增强时间序列是根据第三时间序列与所述目标时间序列之间的相似度确定的。