[发明专利]一种提升时间序列预测系统预测时间序列效果的方法

说明书

本发明属于人工智能时间序列预测技术领域，具体为一种提升时间序列预测系统预测时间序列效果的方法。本发明基于时间序列预测损失上的理论分析，设计新的时间序列预测算法，该算法建模历史数据模式与未来数据模式上的差异，提出两步走的训练方式，一方面保证模型对历史数据的记忆不会轻易消失，另一方面保证在未来数据上有较好的预测效果。理论分析与实验验证表明，在时间序列预测任务中，本发明预测方法相比于其他方法，可以有效缓解由于数据随时间的变化即概念漂移而导致的模型老化问题；可以进一步提升模型的预测准确率。本发明能够广泛应用于各类基于实数值的时间序列预测任务，提升任务在未来数据点上的预测准确度。

技术领域

本发明属于人工智能时间序列预测技术领域，具体涉及一种提升时间序列预测系统在未来时间点上预测效果的方法。

背景技术

随着时间序列信息技术的发展，时间序列信息在各种互联网服务中得到了广泛的应用，如何为用户根据已有时间序列预测未来的数据变化趋势逐渐成为工业界研究中的重点。为此，大量时间序列预测技术被提出。然而，现有技术无法对未来时间上的数据做准确的建模，因而在这些未来时间点上的预测效果很差。其主要原因是未来时间点的序列数据未必与已有数据同分布，即可能存在某一种没有被记住的趋势的变化，这就导致未来数据在变化上容易出现变缓的趋势。另一方面，循环神经网络存在梯度消失的问题，这使得常见的循环神经网络难以对序列精准建模。考虑到现有方法都用常见的循环神经网络等方法对时间序列做建模，故缺乏对未来时间点的序列做准确预测的能力。

发明内容

本发明的目的在于针对人工智能技术中的时间序列预测系统，提供一种提升预测时间序列效果的方法。

所述时间序列预测系统通常包含一个时间序列预测模型和时间序列数据；这里，所述时间序列数据是一组按照发生时间先后顺序进行排列的数据点序列，其中每个数据点表示为一个实数。该预测系统预测的基本流程为：时间序列预测模型以一组长度固定的时间序列作为输入，输出接下来一个时间点或几个时间点的数据点预测值；其中，作为输入的固定长度时间序列称为过去数据；在接下来一个时间点或几个时间点的真实值称为未来数据；时间序列预测系统基于过去数据输出的接下来一个时间或几个时间点的数据点称为预测结果。时间序列预测系统的目标为使得预测结果与未来数据的差距尽可能地小。为了达到这样的目的，时间序列预测系统需要先根据已有的时间序列数据也就是过去数据训练得到时间序列预测模型的参数，该时间序列预测模型可用于预测未来数据。

本发明提供的基于概念漂移建模提升时间序列预测系统预测效果的方法。首先，基于过去相关工作和经验性实验发现，现有的时间序列预测系统得到的预测结果与未来数据差距较大，其原因在于：作为时间序列模型输入的过去数据与未来数据之间存在很大的差异，这种差异被称为概念漂移，而现有的时间序列模型无法预知到这些差异并应用到未来数据的预测中。由此，本发明提出通过将过去数据划分成历史数据和新数据(其中历史数据和新数据的总长度和过去数据的总长度相同)，然后使时间序列预测模型能建模历史数据和新数据中的概念漂移，从而使得该时间序列预测模型在预测时也能具有建模过去数据和未来数据之间概念漂移的能力，最终输出更为准确的预测结果。其次，由于时间序列数据中存在大量的噪声，我们利用更多的时间序列数据来帮助建模更为精确的概念漂移，从而进一步地提升该时间序列预测系统的精确度。最后，为了使得系统的训练和部署更加便捷，本发明中使用端到端的训练框架来最终训练和部署以上时间序列预测系统。

与此相对应，本发明中的时间序列预测系统包括：若干个架构相同的时间序列预测模型，一个用于时间序列数据相似度评估的时间序列分类模型，以及若干条长度相同的时间序列数据；这里，所述时间序列数据是一组按照发生时间先后顺序进行排列的数据点序列，其中每个数据点表示为一个实数；该时间序列预测系统预测的基本流程为：时间序列预测模型以一组长度固定的时间序列作为输入，输出接下来一个时间点或几个时间点的数据点预测值；其中，作为输入的固定长度时间序列称为过去数据；在接下来一个时间点或几个时间点的真实值称为未来数据；时间序列预测系统基于过去数据输出的接下来一个时间或几个时间点的数据点称为预测结果；时间序列预测系统的目标为使得预测结果与未来数据的差距尽可能地小；