[发明专利]提高预测系统准确率的方法、计算机设备、存储介质

说明书

本发明公开了一种提高预测系统准确率的方法，包括预测系统预测数据集获取以及预处理；特征选取；算法或模型选择；算法组合；超参数配置；误差计算，计算出预测值，并给出具体误差值；根据预测结果进行预测控制；反馈校正；滚动优化。本发明的方法采用预测控制和滚动优化技术优化方法，并融合短期预测结果数据，作为新的预测特征，以此来提高预测系统准确率。

技术领域

本发明涉及大数据预测技术领域，特别涉及一种提高预测系统准确率的方法、计算机设备、存储介质。

背景技术

销售预测系统运用模型进行数据预测，从而为业务提供技术支持，模型分为机器学习，深度学习，时间序列等，一般模型构建流程为，获取数据，数据预处理，特征工程，训练模型、诊断、调优，模型验证、误差分析、模型融合、部署上线等，其中预测准确率是最核心的问题，如何提高预测系统的准确率是需要攻克的问题，虽然目前有一些办法能够提高，但是效果都不是很明显，分析其主要缺陷技术原因为数据稀疏性，算法或模型所选特征单一，没有合理利用特征数据，以及没有融入短期预测结果导致的。

发明内容

本发明的目的是克服上述背景技术中不足，提供一种提高预测系统准确率的方法、计算机设备、存储介质，采用预测控制和滚动优化技术优化方法，并融合短期预测结果数据，作为新的预测特征，以此来提高预测系统准确率。

为了达到上述的技术效果，本发明采取以下技术方案：

一种提高预测系统准确率的方法、计算机设备、存储介质，包括：

步骤1.获取预测数据集并进行数据的预处理，具体的数据预处理方法包括如数据清洗、格式调整等，为现有技术，此处不再赘述，其中，预测数据集中的数据具体是根据预测系统的实际应用场景进行对应需求的数据收集，其中，必要的是时间数据信息；

步骤2.获取特征数据对预测数据集进行数据扩充及完善；具体获取方式为现有技术，如可通过网络爬虫技术获取数据等，其中，特征数据具体是用于对已收集到的预测数据集中的数据进行进一步扩充及完善的数据，具体数据类型根据具体应用场景而定，如若是针对空调系统的销售预测，则可将气温、宏观经济数据等作为进一步补充的特征数据，同时，也可将预测系统自身数据作为进一步补充的特征数据，例如计划数据，人工预测数据等；

步骤3.选取算法和/或模型；目前常用的分析模型及算法较多，可根据具体应用需求及场景进行对应的选择，如现有的时间序列分析模型包括：ARIMA,SARIMA,ETS,STL,HOLT-WINTERS,X11,PROPHET等模型；机器学习算法包括:CATBOOST,GBDT,GBM,LR,SVR,XGBOOST,RF,KNN,CART等算法；深度学习算法包括：CNN,LSTM,MLP,NBEATS,SEQ2SEQ,TCN,WAVENET等算法；

步骤4.对选取算法和/或模型得到组合的算法和/或模型；如可根据经验以及预测数据需求将深度学习，机器学习部分算法与时间序列分析模型进行算法组合，例如可将深度学习算法LSTM，机器学习算法CATBOOST以及时间序列分析模型SARIMAX进行组合，充分发挥各自算法及模型的优点；

步骤5.对步骤3、4中涉及算法和/或模型进行参数配置，完成参数配置的算法和/或模型即为预测模型，即将选取的所有算法和/或模型以及组合后的算法和/或模型的所有参数包括隐藏的参数，针对配置的超参数进行合理的定值；

步骤6.将经步骤2补充完善后的预测数据集输入预测模型中进行未来一定周期预测数据的预测计算，输出预测值及误差值；

步骤7.选取误差值最小的前p个预测模型输出的预测值作为源数据，重新输入各预测模型中进行未来约定周期预测数据的预测计算，输出预测值及误差值，再根据输出的预测值及误差值对预测模型进行优化，再将所述源数据输入优化后的预测模型中再次进行预测计算，输出优化后的预测值及误差值；