[发明专利]一种张量链并行实现高阶主特征值分解的预测系统和装置

说明书

本发明提供了一种基于张量链并行实现高阶主特征值分解的预测系统和装置，根据历史数据构建转移张量；对所述转移张量进行张量链分解，获得分布式存储的张量核，其中，根据所述张量核设计核间并行和核内并行两层并行架构，且对所述张量进行并行计算；执行高阶主特征值分解算法；判断所述高阶主特征值分解算法收敛时，获得主特征张量；根据所述主特征张量抽取不同情境下的预测目标进行排序，且挑选概率最大的前M个目标值进行预测。解决现有技术中难以满足在不同情境下的多模态预测需求，且当数据量非常巨大时难以满足实际时间响应需求的技术问题，实现了不同情境下的多模态精准预测，同时达到提升大数据计算效率的技术效果。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于张量链并行实现高阶主特征值分解的预测系统和装置。

背景技术

大数据时代，大数据具有数据体积大、数据类型多、处理速度快、价值密度低等特点。结合大数据分析方法和人工智能技术可有效提高预测系统的准确度和运行效率。关于离散时间的随机过程，基于马尔科夫链进行预测可获得较好的预测效果。但是大数据时代的预测具有多模态特性，一元马尔科夫链的预测系统只能在矩阵空间进行实现。

现有技术中在不同情境下难以满足多模态的预测需求，且数据量非常巨大时，传统的串行计算方法异常耗时，难以满足实际时间响应需求。

发明内容

本发明实施例提供了一种基于张量链并行实现高阶主特征值分解的预测系统和装置，解决现有技术中在不同情境下难以满足多模态的预测需求，且数据量非常巨大时，传统的串行计算方法异常耗时，难以满足实际的时间响应需求的技术问题。

鉴于上述问题，提出了本申请实施例以便提供一种基于张量链并行实现高阶主特征值分解的预测系统和装置。

第一方面，本发明提供了一种基于张量链并行实现高阶主特征值分解的预测系统，所述系统包括：

根据历史数据构建转移张量；对所述转移张量进行张量链分解获得分布式存储的张量核，其中，根据所述张量核设计核间并行和核内并行两层并行架构，且对所述张量进行并行计算；根据张量链并行执行高阶主特征值分解算法；判断所述高阶主特征值分解算法收敛时，获得主特征张量；根据所述主特征张量抽取不同情境下的预测目标进行排序，且挑选概率最大的前M个目标值进行预测，其中M为正整数。

优选地，根据历史数据构建转移张量，还包括：

根据不同领域大数据获得影响每个预测目标变量的K个影响因素；根据统计方法计算所述K个影响因素下各状态之间的转移概率。

优选地，所述核间并行包括垂直并行与水平并行；所述核内并行包括二分并行与两端并行。

优选地，对所述转移张量进行张量链分解获得分布式存储的张量核，其中，根据所述张量核设计核间并行和核内并行两层并行架构，且对所述张量进行并行计算，还包括：

根据所述张量核之间的缩并操作执行并行，其中，所述并行采用先垂直并行再水平并行执行爱因斯坦乘，包括：根据每一组具有相同维度的张量核，按照垂直并行方式缩并所述张量核获得第一结果；根据所述第一结果按照水平并行方式缩并相邻张量核获得第二结果；根据所述第二结果和相邻的张量核进行合并操作；或，根据所述张量核之间的缩并操作执行并行，其中，所述并行采用先水平并行再垂直并行执行爱因斯坦乘，包括：根据所述张量核按照水平并行方式执行缩并获得第三结果；根据所述第三结果执行张量的多模乘获得第四结果；根据所述第四结果和相邻的张量核进行合并操作。

优选地，根据张量链并行执行高阶主特征值分解算法，还包括：