模型训练方法、资源数据预测方法、装置和计算设备制造方法及图纸

本说明书实施例公开了一种模型训练方法、资源数据预测方法、装置和计算设备。所述资源数据预测方法包括：获取时序数据，所述时序数据包括多个业务时段内的资源数据；对所述时序数据进行小波分解，得到多个小波分解后的时序数据；将小波分解后的时序数据输入至预先训练的时序数据预测模型；对时序数据预测模型的输出进行小波重构，得到未来业务时段内的资源数据。本说明书实施例可以提高时序数据预测的准确性。

【技术实现步骤摘要】
模型训练方法、资源数据预测方法、装置和计算设备
本说明书实施例涉及人工智能
，特别涉及一种模型训练方法、资源数据预测方法、装置和计算设备。
技术介绍
时序数据预测在实际应用中具有非常大的实用价值。在目前的很多应用场景中，通常需要根据时序数据来预测未来业务时段内的资源数据。例如，在财务场景中，根据多个历史业务时段内的财务收支数据来预测未来业务时段内的财务收支数据。在人工智能领域的相关技术中，通常使用移动平均算法(MA)、自回归差分移动平均算法(ARIMA)、指数平滑算法(Holt-Winters)等来对时序数据进行预测。由于时序数据本身具有高复杂、非线性和信噪比低等特点，使得上述相关技术的预测效果较差。需要提供更为准确地的方案来对时序数据进行预测。
技术实现思路
本说明书实施例提供一种模型训练方法、资源数据预测方法、装置和计算设备，以提高时序数据预测的准确性。本说明书实施例的技术方案如下。本说明书实施例的第一方面，提供了一种模型训练方法，包括：获取训练集和测试集，所述训练集和所述测试集包括时序数据；对训练集中的时序数据进行小波分解，得到多个小波分解后的训练集；根据小波分解后的训练集，对多个候选模型进行训练；根据测试集，计算训练后的多个候选模型的评价指标；根据评价指标，从训练后的多个候选模型中选取时序数据预测模型。本说明书实施例的第二方面，提供了一种资源数据预测方法，包括：获取时序数据，所述时序数据包括多个业务时段内的资源数据；对所述时序数据进行小波分解，得到多个小波分解后的时序数据；将小波分解后的时序数据输入至预先训练的时序数据预测模型；对时序数据预测模型的输出进行小波重构，得到未来业务时段内的资源数据。本说明书实施例的第三方面，提供了一种模型训练装置，包括：获取单元，用于获取训练集和测试集，所述训练集和所述测试集包括时序数据；分解单元，用于对训练集中的时序数据进行小波分解，得到多个小波分解后的训练集；训练单元，用于根据小波分解后的训练集，对多个候选模型进行训练；计算单元，用于根据测试集，计算训练后的多个候选模型的评价指标；选取单元，用于根据评价指标，从训练后的多个候选模型中选取时序数据预测模型。本说明书实施例的第四方面，提供了一种资源数据预测装置，包括：获取单元，用于获取时序数据，所述时序数据包括多个业务时段内的资源数据；分解单元，用于对所述时序数据进行小波分解，得到多个小波分解后的时序数据；输入单元，用于将小波分解后的时序数据输入至预先训练的时序数据预测模型；重构单元，用于对时序数据预测模型的输出进行小波重构，得到未来业务时段内的资源数据。本说明书实施例的第五方面，提供了一种计算设备，包括：至少一个处理器；存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如第一方面或者第二方面所述方法的指令。本说明书实施例提供的技术方案，将小波变换引入到时序数据场景下的模型训练过程、以及模型预测过程，可以提高模型的训练效果和预测效果。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本说明书实施例中模型训练方法的流程示意图；图2为本说明书实施例中资源数据预测方法的流程示意图；图3为本说明书实施例中时间卷积网络模型的结构示意图；图4为本说明书实施例中模型训练装置的结构示意图；图5为本说明书实施例中资源数据预测装置的结构示意图；图6为本说明书实施例中计算设备的结构示意图。具体实施方式下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。由于受到各种因素的影响，时序数据往往具有高复杂、非线性和信噪比低等特点，使得传统的移动平均算法(MA)、自回归差分移动平均算法(ARIMA)、指数平滑算法(Holt-Winters)等时序数据预测方法，预测效果不佳。专利技术人发现，小波变换具有自适应的特点，利用小波变换对时序数据进行处理，可以使得时序数据更为平滑。为此，若将小波变换引入到时序数据场景下的模型训练过程、以及模型预测过程，可以提高模型的训练效果和预测效果。本说明书实施例提供一种模型训练方法。所述模型训练方法可以应用于任意计算设备，例如应用于单个服务器、由多个服务器构成的服务器集群、或者部署在云端的服务器等。请参阅图1和图3，所述模型训练方法可以包括以下步骤。步骤S11：获取训练集和测试集。在一些实施例中，所述训练集和所述测试集均可以包括一个或多个时序数据。所述时序数据(又称为时间序列数据)可以为将同类型的数据元素按其发生的时间先后顺序排列而形成的数据元素序列。具体地，所述时序数据可以包括多个业务时段内的资源数据。所述业务时段的跨度大小可以根据实际需要灵活设定，例如可以为1天、1个月、1个季度、1年、或者3年等等。所述资源数据可以为财务收支数据、外汇交易量数据、或者基金价格数据等。在一些实施例中，每个所述时序数据可以理解为一个样本数据。使得，每个所述时序数据可以包括特征数据和标签数据。所述特征数据可以包括时序数据中一个或多个业务时段内的资源数据，所述标签数据可以包括时序数据内一个或多个业务时段内的资源数据。在实际应用中，所述计算设备可以获取多个时序数据作为样本数据；可以以时序数据中较早业务时段内的资源数据作为样本数据的特征数据，以时序数据中较晚业务时段内的资源数据作为样本数据的标签数据；可以按照预设划分规则，将所述多个时序数据划分为训练集和测试集。这样所述训练集和所述测试集可以包括多个样本数据。例如，在财务场景中，所述计算设备可以获得500家银行网点2019年第一季度至2019年第四季度的财务收支数据T＝{t1,t2,t3,…,ti,…,t500}。其中，ti可以为时序数据。具体地，ti表示第i家银行网点2019年第一季度至2019年第四季度的财务收支数据，ti＝{q1,q2,q3,q4}，q1表示2019年第一季度的财务收支数据，q2表示2019年第二季度的财务收支数据，q3表示2019年第三季度的财务收支数据，q4表示2019年第四季度的财务收支数据。针对第i家银行网点2019年第一季度至2019年第四季度的财务收支数据ti，所述计算设备可以将其中3个较早业务时段内的财务本文档来自技高网...

【技术保护点】
1.一种模型训练方法，包括：/n获取训练集和测试集，所述训练集和所述测试集包括时序数据；/n对训练集中的时序数据进行小波分解，得到多个小波分解后的训练集；/n根据小波分解后的训练集，对多个候选模型进行训练；/n根据测试集，计算训练后的多个候选模型的评价指标；/n根据评价指标，从训练后的多个候选模型中选取时序数据预测模型。/n

【技术特征摘要】
1.一种模型训练方法，包括：
获取训练集和测试集，所述训练集和所述测试集包括时序数据；
对训练集中的时序数据进行小波分解，得到多个小波分解后的训练集；
根据小波分解后的训练集，对多个候选模型进行训练；
根据测试集，计算训练后的多个候选模型的评价指标；
根据评价指标，从训练后的多个候选模型中选取时序数据预测模型。


2.如权利要求1所述的方法，所述获取训练集和测试集，包括：
获取多个时序数据作为样本数据，所述时序数据包括多个业务时段内的资源数据；
以时序数据中较早业务时段内的资源数据作为样本数据的特征数据，以时序数据中较晚业务时段内的资源数据作为样本数据的标签数据，按照预设划分规则，将所述多个时序数据划分为训练集和测试集，所述训练集和所述测试集包括多个样本数据。


3.如权利要求1所述的方法，所述多个小波分解后的训练集对应不同的尺度数；
所述对训练集中的时序数据进行小波分解，包括：
对训练集中的时序数据进行小波分解，得到多个小波尺度下的分解后的时序数据；
将每个小波尺度下的分解后的时序数据，计入与该小波尺度的尺度数相对应的训练集。


4.如权利要求1所述的方法，所述候选模型包括时间卷积网络模型；所述时间卷积网络模型包括卷积层、长短时记忆网络层、线性变换层；其中，所述卷积层用于从输入至候选模型的时序数据中提取特征，所述长短时记忆网络层用于利用卷积层提取的特征进行预测，所述线性变换层用于将长短时记忆网络层的预测结果变换为候选模型的输出。


5.如权利要求1所述的方法，所述多个候选模型通过如下方式获得：
设置多组超参数；
根据所述多组超参数，构建多个候选模型。


6.如权利要求1所述的方法，所述评价指标包括以下至少之一：平均绝对误差、平均绝对百分比误差、均方根误差、纳什模型效率指数。


7.一种资源数据预测方法，包括：
获取时序数据，所述时序数据包括多个业务时段内的资源数据；
对所述时序数据进行小波分解，得到多个小波分解后的时序数据；
将小波分解后...

【专利技术属性】
技术研发人员：殷璋琦，陆晟，瞿伟，孙雷，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11