[发明专利]一种时序数据预测方法、装置及设备

说明书

本发明公开了一种时序数据预测方法、装置及设备，其中该方法包括：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。可见，本申请不同于现有技术中通过抽样方法实现数据集特征的采集，而是通过上述数据预处理、平稳化操作及特征重构等步骤保证了获取的时序数据特征的有效性，进而使得深度学习模型能够学习到时序数据的时序特征，保证了深度学习模型的预测准确性。

技术领域

本发明涉及深度学习技术领域，更具体地说，涉及一种时序数据预测方法、装置及设备。

背景技术

“汇率”简称为ExRate，亦称“外汇牌价”、“外汇行市”或“汇价”等，是一种货币兑换另一种货币的比率，反应币中间相对价格的变动；随着全球浮动汇率制度的合法化和世界经济一体化趋势的加强，外汇作为重要的资本元素，成为了众多资本产品的重要组成，因此对其的预测引起了社会各界投资人士和证券市场的关注。

近年来，随着启发式算法的发展，各类机器学习算法被应用于汇率预测，具体来说，现有技术中提出采用广义自回归神经网络(GRNN)模型来模拟汇率的非线性变化，但是此类静态网络模型需要通过随机抽样的方法学习输入数据集的特征，这使得模型无法学习到汇率变化的时序特征。

综上所述，现有技术中用于实现汇率预测的技术方案存在模型无法学习到汇率变化的时序特征的问题。

发明内容

本发明的目的是提供一种时序数据预测方法、装置及设备，能够通过时序数据序列特征的确定使得模型能够有效学习到汇率变化的时序特征。

为了实现上述目的，本发明提供如下技术方案：

一种时序数据预测方法，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。

优选的，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。

优选的，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。