[发明专利]一种基于无监督多模型融合的时序任务预测方法和装置

权利要求书

1.一种基于无监督多模型融合的时序任务预测方法，其特征在于，包括以下步骤：

将时序任务输入优化好的目标模型中，得到预测结果，所述优化好的预测模型优化过程如下：

S1、初始化无标签数据集、多个源模型、源模型任务、目标模型、目标任务和特征融合模块；

S2、随机采样无标签数据集中的若干数据，输入所有源模型中，得到若干组时序特征和预测结果；

S3、将每组数据对应的所有源模型的时序特征根据时间片分布进行拼接，并输入特征融合模块，得到特征融合损失；

S4、将每组数据对应的所有源模型的预测结果拼接，并根据拼接好的时序特征消除预测冲突，得到真实预测结果，并根据真实预测结果计算得到分类损失；

S5、将步骤S2获取的若干数据输入目标模型，根据分类损失和特征融合损失，优化输入目标模型。

2.根据权利要求1所述的一种基于无监督多模型融合的时序任务预测方法，其特征在于，步骤S4中消除预测冲突的方法如下：

A1、获取置信度最高和次高的拼接预测结果；

A2、若两者差值小于设定阈值，则判定存在冲突，执行步骤A3；若两者差值大于设定阈值，则判定不存在冲突，执行步骤A4；

A3、根据对应样本的时序特征，计算置信度最高和次高拼接预测结果的相似度，取较高值的预测结果为真实预测结果；

A4、采用滑动平均法更新置信度最高的拼接预测结果，得到真实预测结果。

3.根据权利要求2所述的一种基于无监督多模型融合的时序任务预测方法，其特征在于，步骤S5中优化输入目标模型的方式为随机梯度下降法，执行完步骤S5后返回步骤S3进行循环优化。

4.根据权利要求3所述的一种基于无监督多模型融合的时序任务预测方法，其特征在于，当循环优化轮数低于设定的轮数阈值时，不消除预测冲突，直接采用滑动平均法更新置信度最高的拼接预测结果，计算分类损失。

5.根据权利要求1所述的一种基于无监督多模型融合的时序任务预测方法，其特征在于，若源模型任务重叠或源模型任务超过目标任务范畴，则对拼接好的预测结果进行去重和裁剪。

6.根据权利要求1所述的一种基于无监督多模型融合的时序任务预测方法，其特征在于，根据源模型和源模型任务，设置步骤S3中时间片分布的权值。

7.一种基于无监督多模型融合的时序任务预测装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现以下方法：

将时序任务输入优化好的目标模型中，得到预测结果，所述优化好的预测模型优化过程如下：

S1、初始化无标签数据集、多个源模型、源模型任务、目标模型、目标任务和特征融合模块；

S2、随机采样无标签数据集中的若干数据，输入所有源模型中，得到若干组时序特征和预测结果；

S3、将每组数据对应的所有源模型的时序特征根据时间片分布进行拼接，并输入特征融合模块，得到特征融合损失；

S4、将每组数据对应的所有源模型的预测结果拼接，并根据拼接好的时序特征消除预测冲突，得到真实预测结果，并根据真实预测结果计算得到分类损失；

S5、将步骤S2获取的若干数据输入目标模型，根据分类损失和特征融合损失，优化输入目标模型。

8.根据权利要求7所述的一种基于无监督多模型融合的时序任务预测装置，其特征在于，步骤S4中消除预测冲突的方法如下：

A1、获取置信度最高和次高的拼接预测结果；

A2、若两者差值小于设定阈值，则判定存在冲突，执行步骤A3；若两者差值大于设定阈值，则判定不存在冲突，执行步骤A4；

A3、根据对应样本的时序特征，计算置信度最高和次高拼接预测结果的相似度，取较高值的预测结果为真实预测结果；

A4、采用滑动平均法更新置信度最高的拼接预测结果，得到真实预测结果。