[发明专利]一种时序数据预测方法、装置及设备

权利要求书

1.一种时序数据预测方法，其特征在于，包括：

获取历史时序数据，并对所述历史时序数据进行数据清洗及数据切片，得到对应的时序数据序列；

对所述时序数据序列进行平稳化操作，并采用免疫遗传特征重构算法对进行平稳化操作后的时序数据序列进行特征重构，得到对应的特征序列；

获取基于所述特征序列训练得到的深度学习模型，并利用所述深度学习模型进行时序数据预测。

2.根据权利要求1所述的方法，其特征在于，利用所述深度学习模型进行时序数据预测之前，还包括：

基于所述特征序列计算所述深度学习模型的预测精度，如果所述预测精度符合预设要求，则确定所述深度学习模型能够用于进行时序数据预测，否则，则确定所述深度学习模型无法用于进行时序数据预测。

3.根据权利要求2所述的方法，其特征在于，利用所述特征序列计算所述深度学习模型的预测精度，包括：

获取训练集及测试集，所述训练集及所述测试集为将所述特征序列划分为多个子序列后将所述多个子序列分组得到的，其中所述深度学习模型为基于所述训练集训练得到的；

将所述训练集中包含的每个子序列分别输入所述深度学习模型，并利用所述深度学习模型输出的每个时序数据与对应实际时序数据之间的残差组成训练残差序列；将所述测试集中包含的每个子序列分别输入所述深度学习模型，并利用所述深度学习模型输出的每个时序数据与对应实际时序数据之间的残差组成测试残差序列；

利用LB检验技术分别计算所述训练残差序列的LB值及所述测试残差序列的LB值；

对应的，判断所述预测精度是否达到预设要求，包括：

将所述训练集及所述测试集对应的LB值分别与预设要求进行比对，如果所述训练集及所述测试集对应的LB值均符合预设要求，则确定所述深度学习模型能够用于进行时序数据预测，否则，则确定所述深度学习模型无法用于进行时序数据预测。

4.根据权利要求3所述的方法，其特征在于，将所述训练集及所述测试集对应的LB值分别与预设要求进行比对之后，还包括：

如果所述测试集对应LB值不符合所述预设要求且所述训练集对应LB值符合所述预设要求，则返回执行所述采用免疫遗传特征重构算法对进行平稳化操作后的时序数据序列进行特征重构的步骤，直至所述训练集及所述测试集对应LB值均符合预设要求为止。

5.根据权利要求1所述的方法，其特征在于，采用免疫遗传特征重构算法对进行平稳化操作后的时序数据序列进行特征重构得到对应特征序列，包括：

按照下列公式得到进行平稳化操作后的时序数据序列x的时序数据残差的导数向量X：

X＝[x,x',x⁽²⁾,...,x⁽ⁿ⁾]^T；

获取下列基于导数向量X得到对应特征序列的公式：

获取下列亲和度评价函数：

其中，A为n×n的方阵，B为n×1的列向量，n为特征变换的阶数，m为输入基于每个训练集得到的深度学习模型的序列的长度，为将所述训练集中子序列输入对应深度学习模型后该深度学习模型输出的时序数据，Y表示与所述深度学习模型输出的时序数据对应的实际时序数据，N为所述训练集中子序列的数量，所述深度学习模型、所述训练集及所述亲和度评价函数的值一一对应；其中所述训练集的获取过程包括：确定与生成的每组A和B的值对应的特征序列，将每个所述特征序列划分为多个子序列，并将所述多个子序列分组得到与每个所述特征序列对应的训练集及测试集；

采用免疫遗传特征重构算法确定出使得所述亲和度评价函数的值最低的A和B的值，并确定该A和B的值对应特征序列为最终确定出的特征重构得到的特征序列。