[发明专利]数据分析预测方法、装置、服务器、存储介质和程序产品

说明书

本申请涉及人工智能技术领域，特别是涉及一种数据分析预测方法、装置、服务器、存储介质和程序产品。该方法包括：根据目标主体的多个变量的历史时间序列数据，获取各变量的历史时间序列数据的图结构数据；将图结构数据输入预设的图卷积神经网络模型中，通过图卷积神经网络模型中各卷积层将图结构数据在时间维度上进行聚合后，得到多变量的预测时间序列数据；图卷积神经网络模型中卷积层的数量是基于时间维度上的采样时刻数量确定的。采用本方法能够提高时间序列的预测准确率。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种数据分析预测方法、装置、服务器、存储介质和程序产品。

背景技术

随着数据收集技术的不断发展，金融及其他领域收集到丰富的动态数据，例如股票数据、个人客户资产数据、程序运行指标数据等，这些数据通常被建模为时间序列数据。而对时间序列数据进行分析预测能够辅助企业实现精准营销及金融风险预判，帮助规避业务风险及金融风险等等。

相关技术中，时间序列数据预测算法包括基于统计学方法的预测算法和基于神经网络的预测算法。其中，基于统计学方法的预测算法可以是自回归差分移动平均算法，利用差分算子对非平稳时间序列数据消去局部水平或者趋势后，假设时间序列数据的部分之间具有相似性，再选择已有的模型对时间序列数据进行预测。基于神经网络的预测算法可以是基于双窗口机制的多变量时间序列数据预测模型，利用两个神经网络窗口分别提取出时间序列数据中的近期平稳的短序列特征和周期性、季节性的长序列特征，同时利用两种特征聚合对时间序列数据进行预测。

然而，相关技术的方法对时间序列的预测准确率不高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高时间序列的预测准确率的数据分析预测方法、装置、服务器、存储介质和程序产品。

第一方面，本申请提供了一种数据分析预测方法，该方法包括：

根据目标主体的多个变量的历史时间序列数据，获取各变量的历史时间序列数据的图结构数据；

将图结构数据输入预设的图卷积神经网络模型中，通过图卷积神经网络模型中各卷积层将图结构数据在时间维度上进行聚合后，得到多变量的预测时间序列数据；图卷积神经网络模型中卷积层的数量是基于时间维度上的采样时刻数量确定的。

在其中一个实施例中，根据目标主体的多个变量的历史时间序列数据，获取各变量的历史时间序列数据的图结构数据，包括：

获取各变量的历史时间序列数据中的所有变量节点；

对各变量节点进行连边处理，得到各变量的历史时间序列数据的图结构数据。

在其中一个实施例中，对各变量节点进行连边处理，得到各变量的历史时间序列数据的图结构数据，包括：

对各变量节点执行预设次数的连边操作，得到各变量的历史时间序列数据的图结构数据；

其中，连边操作包括：

对各变量节点进行随机分组，得到多个变量节点集合；

获取各变量节点集合中变量节点的相似度；

将各变量节点集合中大于预设阈值的相似度对应的变量节点进行连接。

在其中一个实施例中，若卷积层的数量和采样时刻数量均为N，N为正整数；

则通过图卷积神经网络模型中各卷积层将图结构数据在时间维度上进行聚合，得到多变量的预测时间序列数据，包括：

获取图结构数据在第一层卷积层中各采样时刻的特征；