[发明专利]数据预测方法、装置、物流货量预测方法、介质、设备

权利要求书

1.一种基于时间序列的数据预测方法，其特征在于，包括：

获取历史时间序列数据，并根据所述历史时间序列数据中各时序数据的时序特征得到各所述时序数据的时序特征矩阵；

利用各所述时序数据的时序特征矩阵以及预设的模型分类器对多个时序预测模型进行分类，得到各所述时序数据的目标预测模型；其中，所述模型分类器是利用所述历史时间序列数据对初始网络模型进行训练得到的；

利用所述目标预测模型对各所述时序数据在未来时间段的数据进行预测得到预测结果，并对所述预测结果进行展示。

2.根据权利要求1所述的基于时间序列的数据预测方法，其特征在于，所述基于时间序列的数据预测方法还包括：

根据所述历史时间序列数据得到训练集数据以及验证集数据，并利用所述训练集数据中的各所述时序数据对各所述时序预测模型分别进行训练；

利用训练后的各所述时序预测模型对所述验证集数据中的各所述时序数据进行预测得到多个预测结果，并计算各所述预测结果以及与各所述预测结果对应的实际结果之间的差值；

将差值最小的时序预测模型作为与所述预测结果对应的所述时序数据的当前预测模型；

利用所述验证集数据中的各时序数据的当前预测模型以及各时序数据的时序特征矩阵对初始网络模型进行训练，得到所述模型分类器。

3.根据权利要求2所述的基于时间序列的数据预测方法，其特征在于，根据所述历史时间序列数据得到训练集数据以及验证集数据包括：

利用自助采样法对所述历史时间序列数据进行采样，得到所述训练集数据以及验证集数据。

4.根据权利要求2所述的基于时间序列的数据预测方法，其特征在于，利用所述验证集数据中的各时序数据的当前预测模型以及各时序数据的时序特征矩阵对初始网络模型进行训练，得到所述模型分类器包括：

将所述验证集数据中的各时序数据的时序特征矩阵分别输入至所述初始网络模型中得到多个输出结果；其中，所述初始网络模型包括决策树模型、提升树模型、随机森林模型以及神经网络模型中的至少一种；

判断各所述输出结果与各时序数据的当前预测模型是否相同；

在确定各所述输出结果与各所述当前预测模型相同时，将所述初始网络模型作为所述模型分类器。

5.根据权利要求1所述的基于时间序列的数据预测方法，其特征在于，根据所述历史时间序列中各时序数据的时序特征得到各所述时间序列的时序特征矩阵包括：

提取所述历史时间序列中的各时序数据的时序特征；其中，所述时序特征包括时序长度、趋势性、季节性、线性、陡增性、谱熵、间隔性、波动性、自相关性以及偏自相关性中的多种；

根据各所述时序特征得到各所述时间序列的时序特征矩阵。

6.根据权利要求1-5任一项所述的基于时间序列的数据预测方法，其特征在于，所述时序预测模型包括差分整合移动平均自回归模型、指数平滑模型、时间序列分解模型、Theta模型以及模型中的多种。

7.一种基于时间序列的物流货量预测方法，其特征在于，包括：

获取历史货量时间序列数据，并根据所述历史货量时间序列数据的时序特征得到所述历史货量时间序列数据的时序特征矩阵；

利用时序特征矩阵以及预设的模型分类器对多个时序预测模型进行分类，得到所述历史货量时间序列数据的目标预测模型；其中，所述模型分类器是利用所述历史货量时间序列数据对提升树算法模型进行训练得到的；

利用所述目标预测模型对历史货量时间序列数据在未来时间段的数据进行预测得到预测结果，并对所述预测结果进行展示，以使得用户根据所述预测结果配置所需的物流货量。