多目标时间序列的自动化预测方法、装置及系统制造方法及图纸

本发明专利技术公开了一种多目标时间序列的自动化预测方法、装置及系统，包括：利用DataManager组件完成数据读取、数据异常值自动化检测及数据特征自动化变换；利用AutoML_Core组件完成算法参数的自动化调整和模型的自动化构建；利用继承自AutoML_Core组件的Model(s)组件，实现从日、月、季度三个维度完成多个模型的自动化构建、计算及管理；利用EvaluateModels组件完成多目标、多模型的评价和结果的管理；利用ModelSelectionManager组件实现模型的管理和最优模型的自动化选择；利用Estimator组件实现市场销量预测；在上述自动化预测过程中还配合使用ModelPipeline组件及TableTemplate组件；本发明专利技术通过多个组件相互配合，可对企业的多个产品进行及时、准确、自动化的市场预测，可辅助企业做出快速可靠的决策。

【技术实现步骤摘要】
多目标时间序列的自动化预测方法、装置及系统
本专利技术涉及产品销售预测及决策领域，特别是涉及一种多目标时间序列的自动化预测方法及装置。
技术介绍
随着市场经济的发展和经济的全球化，企业之间的竞争越来越激烈。企业想要在激烈的竞争中获取优势、赢得客户，就必须以最快的速度、最低的成本将产品提供给客户，这使得进行及时准确的产品销售预测及由此产生的可靠的决策，成为现代企业成功的关键要素。在市场销售过程中，一个企业会面临内部几十或者几百个产品线的销售，每一个产品的生产都会面临生产过剩或者生产不足的问题，带来的直接问题就是滞销或者产量不满足市场需求量。生产滞销导致产品售卖不出去，仓库积压，成本增加；产量不满足市场需求量，产品销量降低，最后导致营收降低、客户口碑受到影响。在这样的一个背景下，一个可以实时准确预测未来市场需求量的解决方案和产品显得至关重要。随着时代的发展，很多企业业务及发展都趋于自动化，产生了数十上百GB的数据，面对如此海量数据，传统的预测方法越发不能适应新的预测要求，导致大量数据处于脱机状态，无法被充分利用起来。目前行业内解决方案则主要是定性预测和定量预测。定性预测包括高级经理意见法、销售人员意见法、购买者期望法、德尔菲法等在内的方法，这些方法主要依靠丰富的经验，预测偏差较大不够准确，而且预测时效性不够及时，遇到突发情况无法做到及时的响应和变动，导致公司战略调整滞后。定量预测则是包括时间序列在内的算法方法，但是算法模型的参数均需要人工干预进行选择，而且在进行模型构建之前，需要进行数据的变换等复杂操作，经过大量的人工干预之后，最终才能构建出一个模型，如果企业有上百个产品需要预测，则需要人力干预进行多次的重复实践，完成数据的分析和模型的构建，时间周期相对较长。由此可见，上述现有的基于时间序列的预测方法显然仍存在有不便与缺陷，而亟待加以进一步改进。如何能创设一种多目标时间序列的自动化预测方法，使其可对企业的多个产品进行及时准确的市场预测，成为当前业界极需改进的目标。
技术实现思路
本专利技术要解决的技术问题是提供一种多目标时间序列的自动化预测方法，使其可对企业的多个产品进行及时准确的市场预测，从而克服现有的预测方法的不足。为解决上述技术问题，本专利技术采用如下技术方案：一种多目标时间序列的自动化预测方法，包括：S1、利用DataManager组件完成数据的自动化处理，包括多目标时间序列数据读取、数据异常值自动化检测及数据特征自动化变换；S2、利用AutoML_Core组件完成对单个目标的模型构建和计算功能，所述AutoML_Core组件实现并定义了算法模型的基本接口，包括算法参数的自动化调整和模型的自动化构建；所述AutoML_Core组件实现了三个模型，包括基于日、月、季度三个维度的时间序列模型；S3、利用继承自AutoML_Core组件的Model(s)组件，实现从日、月、季度三个维度完成多个模型的自动化构建和计算，同时实现多目标、多模型的管理；所述Model(s)组件在AutoML_Core的基本特征上，增加了多目标时间序列的多模型的管理以及不同模型名字的定义功能；S4、利用EvaluateModels组件完成多目标、多模型的评价和多目标、多模型的评价结果的管理功能；S5、利用ModelSelectionManager组件实现模型的管理和最优模型的自动化选择功能；所述ModelSelectionManager组件对EvaluateModels组件的多目标、多模型评价结果进行最优模型的评估，选择精度最好、评价最优的模型作为最终的输出结果；S6、利用Estimator组件实现市场销量预测功能；所述Estimator组件基于ModelSelectionManager组件的最优模型选择结果，利用多目标的历史时间序列数据，实现对未来市场销量的预测。作为本专利技术进一步地改进，所述S1中，所述DataManager组件在读取数据之后，优先进行数据的规范性检查，然后自动进行异常值检测；完成异常值的检测之后则进行ADFuller检验，根据检验结果进行数据特征自动变换，最后根据不同算法的特点进行将当前读入的数据变换成不同算法需要的数据形式。进一步地，所述S1中，DataManager组件调用TableTemplate组件，完成数据变换状态的定义和记录；所述S2中，AutoML_Core组件调用TableTemplate组件完成数据的输入输出格式的定义；所述S4中，EvaluateModels组件调用TableTemplate组件，完成模型评价和评价结果管理过程和数据状态的记录；所述S5中，ModelSelectionManager组件调用TableTemplate组件完成数据状态的记录。进一步地，在整个多目标时间序列的自动化预测过程中，贯穿有ModelPipeline组件的使用；所述ModelPipeline组件将Model和Pipeline融合，严格定义涉及到的数据异常值自动化检测、数据特征自动化变换、算法参数自动化调整、模型的自动化构建、最优模型的自动化选择、数据管理、模型管理、多目标管理和多目标预测每一个环节，控制并记录每一个环节的计算过程和数据状态。进一步地，所述S4中，EvaluateModels组件通过均值、标准差、准确度和相对均方根误差指标，进行模型预测结果的精度评价。本专利技术还提供了一种多目标时间序列的自动化预测装置，包括：DataManager组件，用于完成数据的自动化处理，包括多目标时间序列数据读取、数据异常值自动化检测及数据特征自动化变换；AutoML_Core组件，用于完成对单个目标的模型构建和计算功能，所述AutoML_Core组件实现并定义了算法模型的基本接口，包括算法参数的自动化调整和模型的自动化构建；所述AutoML_Core组件实现了三个模型，包括基于日、月、季度三个维度的时间序列模型；Model(s)组件，其继承自AutoML_Core组件，用于实现从日、月、季度三个维度完成多个模型的自动化构建和计算，同时实现多目标、多模型的管理；所述Model(s)组件在AutoML_Core的基本特征上，增加了多目标时间序列的多模型的管理以及不同模型名字的定义功能；EvaluateModels组件，用于完成多目标、多模型的评价和多目标、多模型的评价结果的管理功能；ModelSelectionManager组件，用于实现模型的管理和最优模型的自动化选择功能；所述ModelSelectionManager组件对EvaluateModels组件的多目标、多模型评价结果进行最优模型的评估，选择精度最好、评价最优的模型作为最终的输出结果；Estimator组件，用于实现市场销量预测功能；所述Estimator组件基于ModelSelectionManager组件的最优模型选择结果，利用多目标的历史时间序列数据，实现对未来市场销量的预测。进一步地，还包括TableTemp本文档来自技高网...

【技术保护点】
1.多目标时间序列的自动化预测方法，其特征在于，包括：/nS1、利用DataManager组件完成数据的自动化处理，包括多目标时间序列数据读取、数据异常值自动化检测及数据特征自动化变换；/nS2、利用AutoML_Core组件完成对单个目标的模型构建和计算功能，所述AutoML_Core组件实现并定义了算法模型的基本接口，包括算法参数的自动化调整和模型的自动化构建；所述AutoML_Core组件实现了三个模型，包括基于日、月、季度三个维度的时间序列模型；/nS3、利用继承自AutoML_Core组件的Model(s)组件，实现从日、月、季度三个维度完成多个模型的自动化构建和计算，同时实现多目标、多模型的管理；所述Model(s)组件在AutoML_Core的基本特征上，增加了多目标时间序列的多模型的管理以及不同模型名字的定义功能；/nS4、利用EvaluateModels组件完成多目标、多模型的评价和多目标、多模型的评价结果的管理功能；/nS5、利用ModelSelectionManager组件实现模型的管理和最优模型的自动化选择功能；所述ModelSelectionManager组件对EvaluateModels组件的多目标、多模型评价结果进行最优模型的评估，选择精度最好、评价最优的模型作为最终的输出结果；/nS6、利用Estimator组件实现市场销量预测功能；所述Estimator组件基于ModelSelectionManager组件的最优模型选择结果，利用多目标的历史时间序列数据，实现对未来市场销量的预测。/n...

【技术特征摘要】
1.多目标时间序列的自动化预测方法，其特征在于，包括：
S1、利用DataManager组件完成数据的自动化处理，包括多目标时间序列数据读取、数据异常值自动化检测及数据特征自动化变换；
S2、利用AutoML_Core组件完成对单个目标的模型构建和计算功能，所述AutoML_Core组件实现并定义了算法模型的基本接口，包括算法参数的自动化调整和模型的自动化构建；所述AutoML_Core组件实现了三个模型，包括基于日、月、季度三个维度的时间序列模型；
S3、利用继承自AutoML_Core组件的Model(s)组件，实现从日、月、季度三个维度完成多个模型的自动化构建和计算，同时实现多目标、多模型的管理；所述Model(s)组件在AutoML_Core的基本特征上，增加了多目标时间序列的多模型的管理以及不同模型名字的定义功能；
S4、利用EvaluateModels组件完成多目标、多模型的评价和多目标、多模型的评价结果的管理功能；
S5、利用ModelSelectionManager组件实现模型的管理和最优模型的自动化选择功能；所述ModelSelectionManager组件对EvaluateModels组件的多目标、多模型评价结果进行最优模型的评估，选择精度最好、评价最优的模型作为最终的输出结果；
S6、利用Estimator组件实现市场销量预测功能；所述Estimator组件基于ModelSelectionManager组件的最优模型选择结果，利用多目标的历史时间序列数据，实现对未来市场销量的预测。


2.根据权利要求1所述的多目标时间序列的自动化预测方法，其特征在于，所述S1中，所述DataManager组件在读取数据之后，优先进行数据的规范性检查，然后自动进行异常值检测；完成异常值的检测之后则进行ADFuller检验，根据检验结果进行数据特征自动变换，最后根据不同算法的特点进行将当前读入的数据变换成不同算法需要的数据形式。


3.根据权利要求1所述的多目标时间序列的自动化预测方法，其特征在于，所述S1中，DataManager组件调用TableTemplate组件，完成数据变换状态的定义和记录；
所述S2中，AutoML_Core组件调用TableTemplate组件完成数据的输入输出格式的定义；
所述S4中，EvaluateModels组件调用TableTemplate组件，完成模型评价和评价结果管理过程和数据状态的记录；
所述S5中，ModelSelectionManager组件调用TableTemplate组件完成数据状态的记录。


4.根据权利要求1-3任一项所述的多目标时间序列的自动化预测方法，其特征在于，在整个多目标时间序列的自动化预测过程中，贯穿有ModelPipeline组件的使用；所述ModelPipeline组件将Model和Pipeline融合，严格定义涉及到的数据异常值自动化检测、数据特征自动化变换、算法参数自动化调整、模型的自动化构建、最优模型的自动化选择、数据管理、模型管理、多目标管理和多目标预测每一个环节，控制并记录每一个环节的计算过程和数据状态。


5.根据权利要求1所述的多目...

【专利技术属性】
技术研发人员：路伟，李光杰，须佶成，李川，邹瑾，汪岩，郭杏荣，
申请(专利权)人：北京高思博乐教育科技股份有限公司，
类型：发明
国别省市：北京;11