[发明专利]一种时间序列预测方法、装置、设备和存储介质

说明书

本发明实施例公开了一种时间序列预测方法、装置、设备和存储介质，该方法包括：获取历史时间序列；对于各历史时间点，根据当前历史时间点在所属季节性周期内的位置标识、以及当前历史时间点所属季节性周期包含的历史时间点的数量，确定当前历史时间点对应的回归变量值；基于预设核回归算法，使用各历史业务数据和各回归变量值拟合出历史时间序列对应的季节性周期项序列；基于季节性周期项序列对后续时间点的业务数据进行预测。本发明实施例的技术方案，可以通过预设核回归算法对季节性周期项序列进行拟合，进而对后续时间点的业务数据进行预测，提高了对非固定长度的季节性周期的时间序列进行预测的准确性。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种时间序列预测方法、装置、设备和存储介质。

背景技术

时间序列预测方法，是对某种数据按时间先后顺序排列形成的时间序列进行分析并建立预测模型，将过去一段时间的历史数据输入模型、输出该数据在未来一段时间预测值的定量预测技术。该技术具有非常广泛的应用，在商品销量预测、宏观经济预测、环境变量预测等领域较为常见。

实际场景下通常用到的时间序列预测模型包括经典的指数平滑模型(Brown andHolt,1950s)、ARIMA模型(Box and Jenkins,1970s)及其衍生出的SARIMA、ARIMAX等模型，使用机器学习模型来进行预测的随机森林(Breiman，2001)、XGBoost(Tianqi Chen，2016)等模型，以及近几年由Facebook提出的Prophet模型(Taylor and Letham,2017)等。应用前沿的深度学习技术进行时间序列预测的模型包括LSTM(Hochreiter and Schimidhuber，1995)以及DeepAR(Salinas et al.，2017)等。各种模型在不同场景、不同需求下各有优劣。

在实现本发明的过程中，发现现有技术中至少存在如下技术问题：

时间序列一般具有季节性变化规律，这导致时间序列分析方法需要具备分析季节性的能力，然而目前缺乏一种准确度高且能够对非固定长度的季节性周期进行建模的时间序列预测方法。

发明内容

本发明实施例提供了一种时间序列预测方法、装置、设备和存储介质，以实现对非固定长度的季节性周期的时间序列进行预测，并且提高预测准确度的技术效果。

第一方面，本发明实施例提供了一种时间序列预测方法，该方法包括：

获取历史时间序列；其中，所述历史时间序列包含至少一个季节性周期长度内的各历史时间点的历史业务数据；

对于各所述历史时间点，根据当前历史时间点在所属季节性周期内的位置标识、以及当前历史时间点所属季节性周期包含的历史时间点的数量，确定当前历史时间点对应的回归变量值；所述回归变量值在预设数值范围内；

基于预设核回归算法，使用各所述历史业务数据和各所述回归变量值拟合出所述历史时间序列对应的季节性周期项序列；其中，所述季节性周期项序列包含表征历史业务数据在季节性周期内的变化规律的多个季节性周期项数据；

基于所述季节性周期项序列对后续时间点的业务数据进行预测。

第二方面，本发明实施例还提供了一种时间序列预测装置，该装置包括：

历史时间序列获取模块，用于获取历史时间序列；其中，所述历史时间序列包含至少一个季节性周期长度内的各历史时间点的历史业务数据；

回归变量值确定模块，用于对于各所述历史时间点，根据当前历史时间点在所属季节性周期内的位置标识、以及当前历史时间点所属季节性周期包含的历史时间点的数量，确定当前历史时间点对应的回归变量值；所述回归变量值在预设数值范围内；