[发明专利]可解释的时序预测模型的训练方法、装置和计算设备

权利要求书

1.一种可解释的时序预测模型的训练方法，应用于预测太阳能发电站的发电功率的应用场景中，所述方法包括：

对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图，其中，所述时间序列数据为连续时间段的太阳能发电站的发电功率；

通过所述可解释的时序预测模型对所述序列图建模，得到所述序列图对应的预测结果；

基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型；其中，所述预测精度指示预测到的所述太阳能发电站的发电功率；

其中，所述可解释的时序预测模型包括显著性模块，通过所述可解释的时序预测模型对所述序列图建模，得到所述序列图对应的预测结果，包括：

将所述序列图确定为原始序列图；

通过所述显著性模块将扰动区域与所述原始序列图相结合，得到第一扰动序列图；

通过所述显著性模块对所述原始序列图和所述第一扰动序列图进行计算，得到第二扰动序列图；

对所述第二扰动序列图和所述原始序列图建模得到所述序列图对应的预测结果；

所述基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型之后，还包括：

获取任意序列图；

基于所述序列图中的各个特征，更新所述扰动区域的关注范围，以得到所述序列图对应的序列显著图；其中，所述序列图对应的序列显著图用于对各特征对所述预测结果的动态影响进行解释。

2.根据权利要求1所述的可解释的时序预测模型的训练方法，对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图的方式具体为：

对获取的时间序列数据根据时间轴滑动窗口进行处理，得到所述时间序列数据对应的序列图。

3.根据权利要求2所述的可解释的时序预测模型的训练方法，所述可解释的时序预测模型还包括深度学习模块和线性回归模块，对所述第二扰动序列图和所述原始序列图建模得到所述序列图对应的预测结果，包括：

将所述第二扰动序列图输入所述深度学习模块，得到第一预测结果；

将所述原始序列图输入所述线性回归模块，得到第二预测结果；

将所述第一预测结果和所述第二预测结果组合，得到所述序列图对应的预测结果。

4.根据权利要求3所述的可解释的时序预测模型的训练方法，基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型，包括：

对真实值和所述预测结果进行计算，得到所述真实值和所述预测结果之间的偏差；

基于加入范数的损失函数，以使所述损失函数对所述扰动区域的复杂性进行约束；

基于所述扰动区域和所述偏差，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型。