针对分层业务的时间序列预测方法及装置制造方法及图纸

本说明书实施例提供一种针对分层业务的时间序列预测方法及装置，用于预测单个业务在多阶层次上的业务主体的业务量构成的时间序列，其中，单个层次对应至少一个业务主体。根据一个实施方式，在获取多个层次中各个业务主体一一对应的各个历史时间序列后，可以对各个历史时间序列进行编码，得到相应的各个编码向量，然后构建各个编码向量满足的多元高斯分布，并将多元高斯分布转换为非参数化复杂分布，进一步按照分参数化复杂分布进行采样得到的采样序列，确定分别针对各个业务主体的各个预测序列。该方式可以提高预测结果的准确性。该方式可以提高预测结果的准确性。该方式可以提高预测结果的准确性。

【技术实现步骤摘要】
针对分层业务的时间序列预测方法及装置


[0001]本说明书一个或多个实施例涉及计算机
，尤其涉及针对分层业务的时间序列预测方法及装置。

技术介绍

[0002]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进行预测。时间序列预测可以适用于各种场景，例如商品超市的客流量的时间序列预测，金融服务的资金时间序列预测，云计算中所需要的计算资源流量的预测，物流需求、智能电网中的电力消耗预测，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。
[0003]层次化的时间序列是一种特殊的时间序列，可以从多个层次描述相关业务，使得时间序列具有分层结构。例如，大型商超销量的时间序列可以按照其地理位置的分层机构而具有分层结构，如划分为以下多个层次：全国总销量时间序列；各个省市销量时间序列；各个门店销量时间序列；等等。事实上，不同时间序列之间也可能存在关联关系。如何挖掘这种关联关系，充分利用层次化结构的时序信息，是时间序列预测的重要问题。

技术实现思路

[0004]本说明书一个或多个实施例描述了一种针对分层业务的时间序列预测方法及装置，用以解决
技术介绍
提到的一个或多个问题。
[0005]根据第一方面，提供一种针对分层业务的时间序列预测方法，用于预测多阶层次上的业务主体在预定业务指标上的业务量构成的时间序列，其中，单个层次对应至少一个业务主体；所述方法包括：获取所述多阶层次中各个业务主体一一对应的各个历史时间序列，单个历史时间序列对应着单个业务主体在顺次排列的多个预定时间段内分别对应的各个业务量；对各个历史时间序列进行编码，得到相应的各个编码向量；构建各个编码向量满足的联合概率分布；通经由标准化流模型对所述联合概率分布进行处理，得到各个编码向量满足的非参数化复杂分布；基于对各个业务主体分别按照所述非参数化复杂分布进行采样得到的各个采样序列，确定分别针对各个业务主体的各个预测序列，其中，单个预测序列描述单个业务主体在后续多个预定时间段内的各个业务量，各个预测序列满足以下一致性约束：针对单个时间段，较高阶层次的单个业务主体的业务量与其在较低阶层次对应的至少一个业务主体的业务量之和一致。
[0006]在一个可能的设计中，所述联合概率分布为多元高斯分布，所述经由标准化流模型对多元高斯分布进行处理包括：从所述多元高斯分布出发，通过应用一系列可逆转换函数将多元高斯分布转换为复杂分布，其中，可逆转换函数根据换元定理反复将当前变量替换为新变量，最终获得目标变量的概率分布，作为非参数化复杂分布。
[0007]在一个实施例中，所述对各个历史时间序列进行编码由单个循环神经网络，或者
与各个业务主体一一对应的多个循环神经网络构成的展开循环神经网络。
[0008]在一个实施例中，所述多元高斯分布对应有第一均值矩阵和第一协方差矩阵，单个采样序列通过以下方式确定：在标准化的多元高斯分布中采样第一向量，其中，所述标准化的多元高斯分布的均值矩阵为0矩阵，协方差矩阵为单位矩阵；将所述第一协方差矩阵的二次根和所述第一向量的乘积与所述第一均值矩阵叠加得到叠加结果；基于所述可逆转换函数的逆函数对所述叠加结果的逆转换，确定所述单个采样序列。
[0009]在一个实施例中，所述对各个业务主体分别按照所述非参数化复杂分布进行采样得到的采样结果，确定针对各个业务主体一一对应的各个预测序列包括：对各个业务主体分别基于所述非参数化复杂分布进行采样，得到相应的各个采样序列依次排列构成采样矩阵作为初步预测结果；调整所述初步预测结果得到各个预测序列，使得各个预测序列满足一致性约束。
[0010]在一个进一步的实施例中，所述调整所述初步预测结果得到各个预测序列包括：将所述初步预测结果进行编码，得到最低阶层次的各个业务主体对应的各个预测序列；通过一致性约束确定其他阶层次中的各个业务主体对应的各个预测序列。
[0011]在一个更进一步的实施例中，所述将所述初步预测结果进行编码的操作通过多头注意力机制实现，包括：将初步预测结果拆成h份数据，h为多头注意力机制下的注意力头数量；对所述h份数据分别进行不同参数下的独立线性变换，得到h个处理结果；基于对h个处理结果的拼接，得到最低阶层次的各个业务主体对应的各个预测序列。
[0012]在另一个进一步的实施例中，所述一致性约束通过业务架构矩阵表示，并根据业务架构矩阵和编码矩阵的乘积，确定其他阶层次中的各个业务主体对应的各个预测序列，其中，所述编码矩阵为由最低阶层次的各个业务主体对应的各个预测序列构成的矩阵。
[0013]在一个更进一步的实施例中，所述业务架构矩阵由描述最低阶层次的各个业务主体的单位矩阵和其他阶层次中的各个业务主体对应的和矩阵拼接而成，最低阶层次的各个业务主体与相应单位矩阵的行/列一一对应，其他各阶层次的单个业务主体对应和矩阵中的单行/列，和矩阵中的单行/列通过该单个业务主体在最低阶层次对应的各个业务主体在相应单位矩阵的各个行/列叠加而成。
[0014]根据第二方面，还提供一种针对分层业务的时间序列预测装置，用于预测多阶层次上的业务主体在预定业务的业务量构成的时间序列，其中，单个层次对应至少一个业务主体；所述装置包括：
[0015]获取单元，配置为获取所述多阶层次中各个业务主体一一对应的各个历史时间序列，单个历史时间序列对应着单个业务主体在顺次排列的多个预定时间段内分别对应的各个业务量；
[0016]编码单元，配置为对各个历史时间序列进行编码，得到相应的各个编码向量；
[0017]映射单元，配置为构建各个编码向量满足的联合概率分布；
[0018]转换单元，配置为经由标准化流模型对联合概率分布进行处理，得到各个编码向量满足的非参数化复杂分布；
[0019]预测单元，配置为基于对各个业务主体分别按照所述非参数化复杂分布进行采样得到的各个采样序列，确定分别针对各个业务主体的各个预测序列，其中，单个预测序列描述单个业务主体在后续多个预定时间段内的各个业务量，各个预测序列满足一致性约束，
所述一致性约束包括：针对单个时间段，较高阶层次的单个业务主体的业务量与其在较低阶层次对应的至少一个业务主体的业务量之和一致。
[0020]根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
[0021]根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
[0022]通过本说明书实施例提供的方法和装置，在针对分层业务的时间序列预测过程中，将各个层次的时间序列映射为高阶向量并构建联合概率分布，然后通过标注化流模型基于联合概率分布挖掘各个编码向量之间的非参数化复杂分布，刻画层次化时序中不同时序之间存在的复杂分布关系，使得该技术方案中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对分层业务的时间序列预测方法，用于预测多阶层次上的业务主体在预定业务指标上的业务量构成的时间序列，其中，单阶层次对应至少一个业务主体；所述方法包括：获取所述多阶层次中各个业务主体一一对应的各个历史时间序列，单个历史时间序列对应着单个业务主体在顺次排列的多个预定时间段内分别对应的各个业务量；对各个历史时间序列进行编码，得到相应的各个编码向量；确定各个编码向量满足的联合概率分布；经由标准化流模型对所述联合概率分布进行处理，得到各个编码向量满足的非参数化复杂分布；基于对各个业务主体分别按照所述非参数化复杂分布进行采样得到的各个采样序列，确定分别针对各个业务主体的各个预测序列，其中，单个预测序列描述单个业务主体在后续多个预定时间段内的各个业务量，各个预测序列满足以下一致性约束：针对单个时间段，较高阶层次的单个业务主体的业务量与其在较低阶层次对应的至少一个业务主体的业务量之和一致。2.根据权利要求1所述的方法，其中，所述联合概率分布为多元高斯分布，所述经由标准化流模型对所述联合概率分布进行处理包括：从所述多元高斯分布出发，通过应用一系列可逆转换函数将多元高斯分布转换为复杂分布，其中，可逆转换函数根据换元定理反复将当前变量替换为新变量，最终获得目标变量的概率分布，作为非参数化复杂分布。3.根据权利要求1所述的方法，其中，所述对各个历史时间序列进行编码由单个循环神经网络，或者与各个业务主体一一对应的多个循环神经网络构成的展开循环神经网络实现。4.根据权利要求2所述的方法，其中，所述多元高斯分布对应有第一均值矩阵和第一协方差矩阵，单个采样序列通过以下方式确定：在标准化的多元高斯分布中采样第一向量，其中，所述标准化的多元高斯分布的均值矩阵为0矩阵，协方差矩阵为单位矩阵；将所述第一协方差矩阵的二次根和所述第一向量的乘积与所述第一均值矩阵叠加得到叠加结果；基于所述可逆转换函数的逆函数对所述叠加结果的逆转换，确定所述单个采样序列。5.根据权利要求1所述的方法，其中，所述对各个业务主体分别按照所述非参数化复杂分布进行采样得到的采样结果，确定针对各个业务主体一一对应的各个预测序列包括：对各个业务主体分别基于所述非参数化复杂分布进行采样，得到相应的各个采样序列依次排列构成采样矩阵作为初步预测结果；调整所述初步预测结果得到各个预测序列，使得各个预测序列满足所述一致性约束。6.根据权利要求5所述的方法，其中，所述调整所述初步预测结果得到各个预测序列包括：将所述初步预测结果进行编码，得到最低阶层次的各个业务主体对应的各个预测序列；通过一致性约束确定其他阶层...

【专利技术属性】
技术研发人员：王世宇，周凡，孙银波，马琳涛，胡韵，郑洋飞，雷磊，王世军，詹姆士，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：