[发明专利]用于时间序列预测的方法和装置

说明书

本申请提出用于时间序列预测的方法、装置和计算机可读存储介质。该方法包括获取与历史时间序列对应的对象的历史数据序列，使用第一神经网络模型基于历史数据序列提取与未来时间序列对应的规律数据序列，基于规律数据序列、与未来时间序列对应的未来动态特征序列、以及未来静态特征生成预测特征数据序列，使用第二神经网络模型基于预测特征数据序列预测与未来时间序列对应的对象的未来数据序列。上述方法能够满足高效计算的要求，准确地捕捉趋势因素、季节性因素、外部因素等对所预测的对象的非线性影响，同时做出短距离和长距离时间预测。

技术领域

本申请涉及时间序列预测，特别涉及基于对象的历史数据预测对象的未来数据的方法、装置和计算机可读存储介质。

背景技术

在例如零售和餐饮的行业中，需要根据产品的历史销售情况估计未来一段时间的销售数据以用于产品的储备、配送和更新。准确地预测未来时间的产品销售情况可以有效降低成本，及时发现商机，快速调整经营策略而提高竞争力。

基于过去一段时间的产品销售情况来预测未来时间的销售预期被称为产品的时间序列预测。时间序列预测目前的主流技术包括两大类：一类是以Arima/Prophet为代表的基于传统统计学的预测算法，另一类是以LSTM神经网络为代表的基于深度学习的预测算法。

但是，基于传统统计学的时间序列预测算法是线性算法，难以捕捉时间序列中的非线性规律和长期规律。基于LSTM神经网络的时间序列预测算法则在时间序列规模变大时容易出现梯度消失或梯度爆炸的情况导致预测结果失真，并且运行效率低下，数据和计算冗余。

因此，存在对时间序列预测方法进行改进的需求。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本申请提出用于时间序列预测的方法、装置和计算机可读存储介质，用于解决现有技术方案中存在的至少一个缺陷，从对象的历史数据中提取规律并结合未来的影响因素，以预测对象的未来数据。

根据本申请的一方面，提出一种用于时间序列预测的方法，包括：

获取与历史时间序列对应的对象的历史数据序列，所述历史数据序列中的历史数据包括与所述历史时间序列中的历史时间对应的所述对象的历史动态特征和历史值，其中所述历史动态特征与对应的历史时间相关联；

使用第一神经网络模型基于所述历史数据序列提取与未来时间序列对应的所述对象的规律数据序列；

基于所述规律数据序列、与所述未来时间序列对应的所述对象的未来动态特征序列、以及所述对象的未来静态特征生成预测特征数据序列，其中所述未来动态特征序列包括与所述未来时间序列中的未来时间对应的所述对象的未来动态特征，所述未来动态特征与对应的未来时间相关联；以及

使用第二神经网络模型基于所述预测特征数据序列预测与所述未来时间序列对应的所述对象的未来数据序列，所述未来数据序列中的未来数据包括与所述未来时间序列的未来时间对应的所预测的所述对象的未来值。

根据本申请的另一方面，提出一种用于时间序列预测的装置，包括：

历史数据获取单元，被配置为获取与历史时间序列对应的所述对象的历史数据序列，所述历史数据序列中的历史数据包括与所述历史时间序列中的历史时间对应的所述对象的历史动态特征和历史值，其中所述历史动态特征与对应的历史时间相关联；

规律提取单元，被配置为使用第一神经网络模型基于所述历史数据序列提取与未来时间序列对应的所述对象的规律数据序列；