本发明专利技术的实施方式提供了一种可解释的时序预测模型的训练方法、装置、介质和计算设备。该方法包括：对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图；通过所述可解释的时序预测模型对所述序列图建模，得到所述序列图对应的预测结果；基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型。本发明专利技术能够通过可解释的时序预测模型对序列图中多维度的数据以及具有时间顺序的时间序列数据进行计算，从而输出预测结果，以及基于预测结果和真实值可以对模型进行训练，以使模型可以输出更加准确的预测结果，也提升了可解释的时序预测模型的预测性能。提升了可解释的时序预测模型的预测性能。提升了可解释的时序预测模型的预测性能。
【技术实现步骤摘要】
可解释的时序预测模型的训练方法、装置和计算设备
[0001]本专利技术的实施方式涉及深度学习
，更具体地，本专利技术的实施方式涉及一种可解释的时序预测模型的训练方法、装置、介质和计算设备。
技术介绍
[0002]本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]时间序列数据是指具有预先定义的时间或顺序的数据，时间序列数据能够被广泛地应用于各种应用场景中，例如，分类、预测以及补全等。在各种应用场景中如何准确地建模时间序列数据的各个特征对预测结果的影响是一个很有意义的问题。目前，通常是通过一些建模特征重要性的经典解释性方法建模时间序列数据对应的多维度时间序列的预测。虽然上述方法在对应的模型假设下很容易被解释，但是这些假设条件也极大地限制了模型的预测性能。
技术实现思路
[0004]在本上下文中，本专利技术的实施方式期望提供一种可解释的时序预测模型的训练方法、装置、介质和计算设备。
[0005]在本专利技术实施方式的第一方面中，提供了一种可解释的时序预测模型的训练方法，包括：对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图；通过所述可解释的时序预测模型对所述序列图建模，得到所述序列图对应的预测结果；基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型。
[0006]在本实施方式的一个实施例中，对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图的方式具体为：对获取的时间序列数据根据时间轴滑动窗口进行处理，得到所述时间序列数据对应的序列图。
[0007]在本实施方式的一个实施例中，所述可解释的时序预测模型包括显著性模块，通过所述可解释的时序预测模型对所述序列图建模，得到所述序列图对应的预测结果，包括：将所述序列图确定为原始序列图；通过所述显著性模块将扰动区域与所述原始序列图相结合，得到第一扰动序列图；通过所述显著性模块对所述原始序列图和所述第一扰动序列图进行计算，得到第二扰动序列图；对所述第二扰动序列图和所述原始序列图建模得到所述序列图对应的预测结果。
[0008]在本实施方式的一个实施例中，所述可解释的时序预测模型还包括深度学习模块和线性回归模块，对所述第二扰动序列图和所述原始序列图建模得到所述序列图对应的预测结果，包括：将所述第二扰动序列图输入所述深度学习模块，得到第一预测结果；将所述原始序列图输入所述线性回归模块，得到第二预测结果；将所述第一预测结果和所述第二预测结果组合，得到所述序列图对应的预测结果。
[0009]在本实施方式的一个实施例中，基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型，包括：对真实值和所述预测结果进行计算，得到所述真实值和所述预测结果之间的偏差；基于加入范数的损失函数，以使所述损失函数对所述扰动区域的复杂性进行约束；基于所述扰动区域和所述偏差，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型。
[0010]在本实施方式的一个实施例中，基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型之后，所述方法还包括：获取任意序列图；基于所述序列图中的各个特征，更新所述扰动区域的关注范围，以得到所述序列图对应的序列显著图。
[0011]在本专利技术实施方式的第二方面中，提供了一种可解释的时序预测模型的训练装置，包括：处理单元，用于对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图；建模单元，用于通过所述可解释的时序预测模型对所述序列图建模，得到所述序列图对应的预测结果；训练单元，用于基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型。
[0012]在本实施方式的一个实施例中，处理单元对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图的方式具体为：对获取的时间序列数据根据时间轴滑动窗口进行处理，得到所述时间序列数据对应的序列图。
[0013]在本实施方式的一个实施例中，所述可解释的时序预测模型包括显著性模块，所述建模单元包括：确定子单元，用于将所述序列图确定为原始序列图；结合子单元，用于通过所述显著性模块将扰动区域与所述原始序列图相结合，得到第一扰动序列图；第一计算子单元，用于通过所述显著性模块对所述原始序列图和所述第一扰动序
列图进行计算，得到第二扰动序列图；建模子单元，用于对所述第二扰动序列图和所述原始序列图建模得到所述序列图对应的预测结果。
[0014]在本实施方式的一个实施例中，所述可解释的时序预测模型还包括深度学习模块和线性回归模块，所述建模子单元包括：建模模块，用于将所述第二扰动序列图输入所述深度学习模块，得到第一预测结果；所述建模模块，还用于将所述原始序列图输入所述线性回归模块，得到第二预测结果；组合模块，用于将所述第一预测结果和所述第二预测结果组合，得到所述序列图对应的预测结果。
[0015]在本实施方式的一个实施例中，所述训练单元包括：第二计算子单元，用于对真实值和所述预测结果进行计算，得到所述真实值和所述预测结果之间的偏差；约束子单元，用于基于加入范数的损失函数，以使所述损失函数对所述扰动区域的复杂性进行约束；训练子单元，用于基于所述扰动区域和所述偏差，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型。
[0016]在本实施方式的一个实施例中，所述装置还包括：获取单元，用于在所述训练单元基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型之后，获取任意序列图；更新单元，用于基于所述序列图中的各个特征，更新所述扰动区域的关注范围，以得到所述序列图对应的序列显著图。
[0017]在本专利技术实施方式的第三方面中，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序在被处理器执行时能够实现第一方面中任一项所述的方法。
[0018]在本专利技术实施方式的第四方面中，提供了一种计算设备，包括第三方面所述的存储介质。
[0019]根据本专利技术实施方式的可解释的时序预测模型的训练方法、装置、介质和计算设备，能够对时间序列数据进行处理得到序列图，并且可以通过可解释的时序预测模型对序列图进行建模，得到预测结果，可见，可解释的时序预测模型可以对多维度的数据以及具有时间顺序的时间序列数据进行计算，从而输出预测结果，以及基于预测结果和真实值可以对可解释的时序预测模型进行训练，以使可解释的时序预测模型可以通过对多维度以及具有时间顺序的数据进行分析，输出更加准确的预测结果，也提升了可解释的时序预测模型的预测性能。
附图说明
[0020]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目
的、特征和优点将变得易于理解。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种可解释的时序预测模型的训练方法，包括：对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图；通过所述可解释的时序预测模型对所述序列图建模，得到所述序列图对应的预测结果；基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型。2.根据权利要求1所述的可解释的时序预测模型的训练方法，对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图的方式具体为：对获取的时间序列数据根据时间轴滑动窗口进行处理，得到所述时间序列数据对应的序列图。3.根据权利要求1或2所述的可解释的时序预测模型的训练方法，所述可解释的时序预测模型包括显著性模块，通过所述可解释的时序预测模型对所述序列图建模，得到所述序列图对应的预测结果，包括：将所述序列图确定为原始序列图；通过所述显著性模块将扰动区域与所述原始序列图相结合，得到第一扰动序列图；通过所述显著性模块对所述原始序列图和所述第一扰动序列图进行计算，得到第二扰动序列图；对所述第二扰动序列图和所述原始序列图建模得到所述序列图对应的预测结果。4.根据权利要求3所述的可解释的时序预测模型的训练方法，所述可解释的时序预测模型还包括深度学习模块和线性回归模块，对所述第二扰动序列图和所述原始序列图建模得到所述序列图对应的预测结果，包括：将所述第二扰动序列图输入所述深度学习模块，得到第一预测结果；将所述原始序列图输入所述线性回归模块，得到第二预测结果；将所述第一预测结果和所述第二预测结果组合，得到所述序列图对应的预测结果。5.根据权利要求4所述的可解释的时序预测模型的训练方法，基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型，包括：对真实值和所述预测结果进行计算，得到所述真实值和所述预测结果之间的偏差；基于加入范数的损失函数，以使所述损失函数对所述扰动区域的复杂性进行约束；基于所述扰动区域和所述偏差，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型。6.根据权利要求4或5所述的可解释的时序预测模型的训练方法，基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型之后，所述方法还包括：获取任意序列图；基于所述序列图中的各个特征，更新所述扰动区域的关注范围，以得到所述序列图对应的序列显著图。7.一种可解释的时序预测模型的训练装置，包括：处理单元，用于对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的
序列图；建模单元，用于通过所述可解释的时...
【专利技术属性】
技术研发人员：潘庆一，胡文波，
申请(专利权)人：北京瑞莱智慧科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。