[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

说明书

本申请公开了人工智能领域中的一种时间序列预测模型的训练方法、时间序列预测方法及装置。该时间序列预测模型的训练方法包括：将源域的第一时间序列和目标域的第二时间序列输入第一预测模型中，通过第一预测模型中的特征编码器生成第一时间序列的特征和第二时间序列的特征；将第一时间序列的特征和第二时间序列的特征输入领域判别器中，对领域判别器与特征编码器进行对抗训练，且基于目标域的样本集对第一预测模型进行调优，得到目标预测模型。本申请的方法能够提高目标预测模型的准确性，避免出现过拟合和负迁移。

技术领域

本申请涉及人工智能领域，并且更具体地，涉及一种时间序列预测模型的训练方法、时间序列预测方法及装置。

背景技术

人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。

时间序列预测能够应用于多个领域，例如，财经、能源或企业决策等领域。对于简单的时间序列或者有明显规律的时间序列，传统的时间序列预测方法能够对时间序列的历史规律进行分析，进而得到较好的预测结果。然而，在现实生活中存在大量不符合统计学假设的时间序列，这样的时间序列难以观察出明显规律，给时序预测任务带来重大挑战。利用神经网络进行时序预测的方法受到越来越多的关注。借助各种神经网络结构的强大的学习能力，能够提取出时间序列中的隐藏特征。这些特征往往是无法通过统计的方法人工建模得到的，因此利用神经网络模型能够拟合任意复杂的非线性关系。该方案能够应用于更广泛的场景，预测结果更加准确。

然而，利用神经网络进行时序预测时，由于时间不确定性较高，神经网络可能过拟合于时间序列数据内含的噪声，导致时间序列预测模型泛化能力不足，难以应用于未来的预测任务中，无法达到较好的预测精度。

因此，如何提高时间序列预测的准确性，成为一个亟需解决的技术问题。

发明内容

本申请提供一种时间序列预测模型的训练方法、时间序列预测方法及装置，能够避免过拟合和负迁移，提高时间序列预测的准确性。

第一方面，提供了一种时间序列预测模型的训练方法，该方法包括：获取第一预测模型，第一预测模型是基于源域的样本集预训练得到的，源域的样本集包括第一时间序列；获取目标域的样本集，目标域的样本集包括第二时间序列；将第一时间序列和第二时间序列输入第一预测模型中，通过第一预测模型中的特征编码器生成第一时间序列的特征和第二时间序列的特征；将第一时间序列的特征和第二时间序列的特征输入领域判别器中，对领域判别器与特征编码器进行对抗训练，领域判别器用于判断输入领域判别器的数据属于目标域的样本集或源域的样本集，且基于目标域的样本集对第一预测模型进行调优，得到目标预测模型。

本申请中的预测模型对应的任务为时间序列预测。时间序列预测指的是根据历史时间数据预测未来的变化，或者说，根据历史时间数据得到未来的预测结果。

预测结果可以为一个时间序列，也可以为一个或多个时点的数据。

示例性地，获取第一预测模型可以为预训练得到第一预测模型。或者，获取第一预测模型可以为获取预先存储的第一预测模型。或者，获取第一预测模型也可以为从其他设备接收第一预测模型。

样本集中包括多个样本数据。样本数据包括历史时间序列和该历史时间序列对应的目标预测结果。第一时间序列包括至少一个历史时间序列，第一时间序列对应的目标预测结果包括至少一个时间序列对应的目标预测结果。第二时间序列包括至少一个历史时间序列，第二时间序列对应的目标预测结果包括至少一个时间序列对应的目标预测结果。