[发明专利]多目标时间序列的自动化预测方法、装置及系统

权利要求书

1.多目标时间序列的自动化预测方法，其特征在于，包括：

S1、利用DataManager组件完成数据的自动化处理，包括多目标时间序列数据读取、数据异常值自动化检测及数据特征自动化变换；

S2、利用AutoML_Core组件完成对单个目标的模型构建和计算功能，所述AutoML_Core组件实现并定义了算法模型的基本接口，包括算法参数的自动化调整和模型的自动化构建；所述AutoML_Core组件实现了三个模型，包括基于日、月、季度三个维度的时间序列模型；

S3、利用继承自AutoML_Core组件的Model(s)组件，实现从日、月、季度三个维度完成多个模型的自动化构建和计算，同时实现多目标、多模型的管理；所述Model(s)组件在AutoML_Core的基本特征上，增加了多目标时间序列的多模型的管理以及不同模型名字的定义功能；

S4、利用EvaluateModels组件完成多目标、多模型的评价和多目标、多模型的评价结果的管理功能；

S5、利用ModelSelectionManager组件实现模型的管理和最优模型的自动化选择功能；所述ModelSelectionManager组件对EvaluateModels组件的多目标、多模型评价结果进行最优模型的评估，选择精度最好、评价最优的模型作为最终的输出结果；

S6、利用Estimator组件实现市场销量预测功能；所述Estimator组件基于ModelSelectionManager组件的最优模型选择结果，利用多目标的历史时间序列数据，实现对未来市场销量的预测。

2.根据权利要求1所述的多目标时间序列的自动化预测方法，其特征在于，所述S1中，所述DataManager组件在读取数据之后，优先进行数据的规范性检查，然后自动进行异常值检测；完成异常值的检测之后则进行ADFuller检验，根据检验结果进行数据特征自动变换，最后根据不同算法的特点进行将当前读入的数据变换成不同算法需要的数据形式。

3.根据权利要求1所述的多目标时间序列的自动化预测方法，其特征在于，所述S1中，DataManager组件调用TableTemplate组件，完成数据变换状态的定义和记录；

所述S2中，AutoML_Core组件调用TableTemplate组件完成数据的输入输出格式的定义；

所述S4中，EvaluateModels组件调用TableTemplate组件，完成模型评价和评价结果管理过程和数据状态的记录；

所述S5中，ModelSelectionManager组件调用TableTemplate组件完成数据状态的记录。

4.根据权利要求1-3任一项所述的多目标时间序列的自动化预测方法，其特征在于，在整个多目标时间序列的自动化预测过程中，贯穿有ModelPipeline组件的使用；所述ModelPipeline组件将Model和Pipeline融合，严格定义涉及到的数据异常值自动化检测、数据特征自动化变换、算法参数自动化调整、模型的自动化构建、最优模型的自动化选择、数据管理、模型管理、多目标管理和多目标预测每一个环节，控制并记录每一个环节的计算过程和数据状态。

5.根据权利要求1所述的多目标时间序列的自动化预测方法，其特征在于，所述S4中，EvaluateModels组件通过均值、标准差、准确度和相对均方根误差指标，进行模型预测结果的精度评价。