[发明专利]模型选择的方法及装置

说明书

本说明书实施例提供一种预测时间序列的模型选择方法及装置，在对业务主体的预定业务指标预测相应的时间序列之前，可以从预先训练的多个备选预测模型中选择较优的预测模型。在预测模型选择过程中：一方面利用全局时间序列数据，提取全局时序特征来描述当前业务主体在预定业务指标上的长期业务规律，得到对各个备选预测模型的第一评价结果；另一方面利用短期的局部时间序列数据，提取局部时序特征来描述当前业务主体在预定业务指标上的短期业务状态，得到对各个备选预测模型的第二评价结果。进一步地，将第一评价结果和第二评价结果进行融合，以选出较优的预测模型进行时序预测。这种方式可以提高时间序列预测的准确度。

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及用于预测时间序列的模型选择的方法及装置。

背景技术

时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来业务情形进行预测。为业务主体预测时间序列可以适用于各种场景，例如为商品超市的客流量预测时间序列，为金融服务的资金预测时间序列，为云计算中所需要的计算资源流量预测时间序列，为物流需求预测时间序列，为智能电网中的电力消耗预测时间序列，等等。预测结果例如可以服务于商业决策。随着人工智能的发展，可以将机器学习模型用于时间序列分析。

对时间序列预测的模型可以将历史时间序列在时间维度上展开，从而对未来时间范围内的业务情形进行预测。在一些业务场景中，各个业务主体的时间序列会存在个体差异，因此，使用一个预测模型预测各个业务主体的时间序列，准确度难以保证。

发明内容

本说明书一个或多个实施例描述了一种预测时间序列的方法及装置，用以解决背景技术提到的一个或多个问题。

根据第一方面，提供一种模型选择方法，用于从多个备选预测模型中选择用于对业务主体的预定业务指标进行时序预测的模型，所述方法包括：根据所述预定业务指标的历史值的长期时间序列，提取所述预定业务指标的全局时序特征，所述全局时序特征用于表征所述预定业务指标的长期业务规律；通过第一评价模型处理所述全局时序特征，得到所述多个备选预测模型的第一评价结果，所述第一评价结果用于表征各个备选预测模型基于所述全局时序特征进行预测的准确度；根据所述预定业务指标的历史值的局部时间序列，提取所述预定业务指标的局部时序特征，所述局部时间序列为距离当前时间最近的预定长度的时间序列，所述局部时序特征用于表征所述预定业务指标的短期业务规律；通过第二评价模型处理所述局部时序特征，得到所述多个备选预测模型的第二评价结果，所述第二评价结果用于表征各个备选预测模型基于所述局部时序特征进行预测的准确度；对所述第一评价结果与所述第二评价结果进行融合，并基于融合结果从所述多个备选预测模型中选择用于对所述预定业务指标进行预测的模型。

在一个实施例中，所述全局时序特征包括周期特征、季节特征、趋势特征、自回归特征中的至少一项。

在一个实施例中，所述局部时序特征包括通过对所述局部时间序列进行编码得到的隐向量描述。

在一个实施例中，所述第一评价结果/第二评价结果为以下中的一项：对各个备选预测模型的打分结果；对各个备选预测模型的排序结果；从所述多个备选预测模型选择若干个预测模型的选择结果。

在一个实施例中，在所述第一评价结果/第二评价结果为对各个备选预测模型的打分结果的情况下，所述对所述第一评价结果与所述第二评价结果进行融合包括：基于所述第一评价结果与所述第二评价结果，对各个备选预测模型各自的两个打分结果进行平均、加权、取中位数、取最小值中的至少一项操作，得到相应的融合结果。

在一个实施例中，所述第一评价模型的单条训练样本包括所述业务主体的历史全局时序特征，以及各个备选预测模型基于所述历史全局时序特征进行预测的各个历史预测准确度；其中，所述第一评价模型是通过将训练样本中的历史全局时序特征作为输入数据，将基于各个历史预测准确度确定的评价结果作为样本标签，以监督学习的方式训练得到的。