[发明专利]预测模型确定方法、装置、电子设备及计算机存储介质

权利要求书

1.一种预测模型确定方法，其特征在于，所述方法包括：

对接收到的数据进行特征提取，得到对应的数据特征；

根据所述数据特征，对所述数据进行可预测类型分类，得到分类结果；

根据所述分类结果，确定与所述数据对应的预测模型；

其中，每种分类结果预先匹配对应的预测模型。

2.根据权利要求1所述的方法，其特征在于，所述对接收到的数据进行特征提取，包括：

获取与所述数据对应的业务类型，并根据所述业务类型确定所述数据的值域类型；

根据所述值域类型，计算所述数据的数值波动幅度；

确定所述数据的数值带状分布、数值连续性、数值周期性以及数值复杂度；

所述数据特征包括所述值域类型、所述数值波动幅度、所述数值带状分布、所述数值连续性、所述数值周期性以及所述数值复杂度。

3.根据权利要求2所述的方法，其特征在于，每个所述数据均为时间序列数据，所述值域类型为固定值域或非固定值域，所述根据所述值域类型，计算所述数据的数值波动幅度，包括：

在确定所述值域类型为所述固定值域时，根据公式计算得到所述数值波动幅度；或者，

在确定所述值域类型为所述非固定值域时，根据公式计算得到所述数值波动幅度；

其中，A为所述数值波动幅度，N为所述时间序列数据所包括的数据点的个数，x_i为所述时间序列数据中的第i个数据点的数据值，x为所述时间序列数据所包括的数据点的平均数据值。

4.根据权利要求2所述的方法，其特征在于，每个所述数据均为时间序列数据，所述确定所述数据的数值带状分布、数值连续性、数值周期性以及数值复杂度，包括：

根据公式B＝M1+M2+M3，计算得到所述数值带状分布；B为所述数值带状分布，M1为所述数据中的第一众数占比，M2为所述数据中的第二众数占比，M3为所述数据中的第三众数占比；

根据公式C＝Acf(1)，计算得到所述数值连续性；C为所述数值连续性，Acf(1)是参数为1的自相关系数；

根据公式D＝Acf(T)，计算得到所述数值周期性；D为所述数值周期性，Acf(T)是参数为T的自相关系数；

根据公式E＝ApEn＝Φ^m(r)-Φ^m+1(r)，计算得到所述数值复杂度；E为所述数值复杂度，ApEn为近似熵，N为所述时间序列数据所包括的数据点的个数，r为实数，m为小于N的正整数。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述数据特征包括所述数据的数值连续性以及所述数据的数值复杂度；所述根据所述数据特征，对所述数据进行可预测类型分类，包括：

判断所述数值连续性是否小于第一阈值；

在所述数值连续性小于所述第一阈值时，判断所述数值复杂度是否大于第二阈值；

在所述数值复杂度大于所述第二阈值时，确定所述数据的类型为不可预测类型，与所述不可预测类型对应的预测模型为空。

6.根据权利要求5所述的方法，其特征在于，所述根据所述数据特征，对所述数据进行可预测类型分类，还包括：

在所述数值复杂度不大于所述第二阈值时，确定所述数据的类型为第一可预测类型，与所述第一可预测类型对应的预测模型为DeepAR深度学习模型。

7.根据权利要求5所述的方法，其特征在于，所述数据特征还包括所述数据的值域类型、所述数据的数值波动幅度、所述数据的数值带状分布以及所述数据的数值周期性；所述根据所述数据特征，对所述数据进行可预测类型分类，还包括：

在所述数值连续性不小于所述第一阈值时，若确定所述数值周期性小于第三阈值，且所述数值波动幅度大于第四阈值，则确定所述数据的类型为第二可预测类型，与所述第二可预测类型对应的预测模型为ARIMA模型；或者，

在所述数值连续性不小于所述第一阈值时，若确定所述数值周期性大于或等于所述第三阈值，且所述数值带状分布小于第五阈值，则确定所述数据的类型为第三可预测类型，与所述第三可预测类型对应的预测模型为Prophet模型。