[发明专利]建立时间序列预测模型的方法、时间序列预测方法和装置

权利要求书

1.建立时间序列预测模型的方法，包括：

获取训练数据，所述训练数据包括多于一个的历史时间序列，每个历史时间序列包括连续n个时间点的指标值，所述历史时间序列中标注有指标极值标签，所述n为大于1的正整数；

利用所述训练数据训练记忆网络，得到所述时间序列预测模型；其中依时间顺序将各历史时间序列分别作为第t个历史时间序列执行：将第t个历史时间序列作为所述记忆网络的输入，由所述记忆网络依据所述第t个历史时间序列及其之前的历史时间序列预测所述第t个历史时间序列之后τ个时间点的指标值以及指标极值信息，所述τ为预设的正整数；训练目标包括最小化预测的指标值与训练数据中对应指标值的差异以及最小化预测的指标极值信息与对应指标极值标签的差异。

2.根据权利要求1所述的方法，其中，所述记忆网络包括：输入模块、动态记忆模块、输出模块和响应模块；

所述输入模块对所述第t个历史时间序列进行编码，得到所述第t个历史时间序列的指标值隐向量以及指标极值隐向量；

所述动态记忆模块对各历史时间序列的指标极值隐向量进行记忆；

所述响应模块利用所述第t个历史时间序列及其之前各历史时间序列的指标极值隐向量，预测所述第t个历史时间序列之后τ个时间点的指标极值信息；

所述输出模块利用所述第t个历史时间序列的指标值隐向量和所述响应模块的预测结果，预测所述第t个历史时间序列之后τ个时间点的指标值。

3.根据权利要求2所述的方法，其中，所述响应模块利用所述第t个历史时间序列及其之前各历史时间序列的指标极值隐向量，预测所述第t个历史时间序列之后τ个时间点的指标极值信息包括：

所述响应模块利用所述第t个历史时间序列及其之前各历史时间序列的指标极值隐向量进行注意力机制的处理，得到所述第t个历史时间序列之后τ个时间点的指标极值信息。

4.根据权利要求2所述的方法，其中，所述输出模块利用所述第t个历史时间序列的指标值隐向量和所述响应模块的预测结果，预测所述t个历史时间序列之后τ个时间点的指标值包括：

所述输出模块利用所述第t个历史时间序列的指标值隐向量，得到所述第t个历史时间序列之后τ个时间点的初始指标值；

利用所述第t个历史时间序列之后τ个时间点的初始指标值以及所述响应模块预测得到的所述第t个历史时间序列之后τ个时间点的指标极值信息，得到对所述第t个历史时间序列之后τ个时间点的指标值的预测结果。

5.根据权利要求1所述的方法，其中，在训练所述记忆网络的每一轮迭代中，利用损失函数的取值更新所述记忆网络的参数直至满足迭代停止条件，得到所述时间序列预测模型；

其中所述损失函数由第一损失函数和第二损失函数构成，所述第一损失函数利用均方差损失函数体现所述预测的指标值与训练数据中对应指标值的差异，所述第二损失函数利用交叉熵损失函数体现所述预测的指标极值信息与对应指标极值标签的差异。

6.根据权利要求1至5中任一项所述的方法，其中，所述指标值包括计算资源容量值或应用服务的流量值；

所述指标极值包括极大值和极小值。

7.时间序列预测方法，包括：

将第i个时间序列输入时间序列预测模型，所述时间序列包括连续n个时间点的指标值，所述时间序列中包含指标极值信息，所述n为大于1的正整数；

获取所述时间序列预测模型依据所述第i个时间序列及其之前的历史时间序列预测得到的所述第i个时间序列之后τ个时间点的指标值，所述τ为预设的正整数；

其中，所述时间序列预测模型基于记忆网络预先训练得到。