目标序列确定方法技术

本公开涉及一种目标序列确定方法

【技术实现步骤摘要】
目标序列确定方法、装置、电子设备和存储介质


[0001]本公开涉及数据处理
，具体地，涉及一种目标序列确定方法
、
装置
、
电子设备和存储介质
。

技术介绍

[0002]时间序列是将某种统计指标的数值，在固定时间间隔内记录的连续数据，时序预测技术主要包括分类
、
聚类
、
异常检测
、
预测等方面，其核心是从数据中挖掘出一个或者多个变量随时间变化的趋势，并对未来数据做出估计
。
例如，可以通过分析历史的交通流量数据来预测未来的道路拥堵情况，或者通过分析历史的股票价格数据来预测未来的市场走势，也可以根据过去的天气
、
交通
、
节假日等因素来预测未来的出租车需求
。
[0003]多元时间序列预测是指给定某几个指标的历史变化情况，预测其在未来一段时间内的变化
。
相比于单变量时间序列，多元时间序列更能反映现实世界中复杂的情况和关系，但也更难以分析和建模
。
相关技术中，无法确定较好的多个变量之间的时间关系和空间关系，导致预测得到的多元时间序列不够准确
。

技术实现思路

[0004]本公开的目的是提供一种目标序列确定方法
、
装置
、
电子设备和存储介质，通过目标序列预测模型对原始数据和目标参数进行处理，能够得到原始数据对应的全局邻接矩阵，从而得到原始数据中的多个原始变量之间的空间特征，并通过时间窗口提取多个原始变量的时间特征，进而得到时空特征，再根据时空特征以及目标参数得到对应于目标变量以及目标时间段对应的目标序列，通过充分考虑原始数据的时间特征和空间特征，以便提高得到的目标序列的准确性
。
[0005]根据本公开的第一方面，提供一种目标序列确定方法，包括：
[0006]获取原始数据和目标参数，所述原始数据包括多个原始变量对应的原始序列，所述目标参数包括目标变量和目标时间段；
[0007]通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，所述全局邻接矩阵表征多个所述原始变量之间的空间关系；
[0008]通过所述目标序列预测模型经不同的时间窗口对所述原始数据和所述全局邻接矩阵进行处理，得到时空特征；
[0009]通过所述目标序列预测模型对所述目标变量
、
所述目标时间段和所述时空特征进行处理，得到与所述目标变量以及所述目标时间段对应的目标序列，所述目标序列预测模型通过多个样本原始数据和样本目标参数训练基础预测模型得到
。
[0010]可选地，所述通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，包括：
[0011]对所述原始数据进行分割，得到多个节点序列，每个节点序列包括所述多个原始变量对应的分割序列；
[0012]针对任一节点序列，根据该任一节点序列包括的多个原始变量对应的分割序列，构建初始邻接矩阵；
[0013]根据任意两个原始变量对应的分割序列之间的相似度，对所述初始邻接矩阵进行简化，得到该任一节点序列对应的简化邻接矩阵；
[0014]根据多个节点序列对应的简化邻接矩阵，得到全局邻接矩阵
。
[0015]可选地，所述根据任意两个原始变量对应的分割序列之间的相似度，对所述初始邻接矩阵进行简化，得到该任一节点序列对应的简化邻接矩阵，包括：
[0016]针对任一原始变量，确定该任一原始变量对应的分割序列分别与多个原始变量中的其它原始变量对应的分割序列之间的相似度；
[0017]将所述相似度最大的
K
个相似度对应的节点确定为该任一节点的邻接节点；
[0018]根据所述任一节点以及该任一节点的邻接节点，确定该任一节点序列对应的简化邻接矩阵
。
[0019]可选地，所述通过所述目标序列预测模型经不同的时间窗口对所述原始数据和所述全局邻接矩阵进行处理，得到时空特征，包括：
[0020]基于所述全局邻接矩阵，对所述原始数据进行处理，得到原始输出特征；
[0021]通过循环神经网络对所述原始输出特征进行处理，得到第一输出序列；
[0022]通过多个时间窗口分别对所述原始数据进行处理，得到每个时间窗口对应的滑动序列；
[0023]根据所述多个时间窗口对应的多个滑动序列以及所述第一输出序列，得到所述时空特征
。
[0024]可选地，所述根据所述多个时间窗口对应的多个滑动序列以及所述第一输出序列，得到所述时空特征，包括：
[0025]对所述多个时间窗口对应的多个滑动序列进行排序；
[0026]将第一个滑动序列和所述第一输出序列进行拼接，得到第一输出特征；
[0027]通过循环神经网络对所述第一输出特征进行处理，得到第二输出序列；
[0028]将第二个滑动序列和所述第二输出序列进行拼接，得到第二输出特征；
[0029]通过循环神经网络对所述第二输出特征进行处理，得到第三输出序列，直至通过最后一个滑动序列得到最终输出特征，并通过循环神经网络对最终输出特征进行处理，得到所述时空特征
。
[0030]可选地，所述通过所述目标序列预测模型对所述目标变量
、
所述目标时间段和所述时空特征进行处理，得到与所述目标变量以及所述目标时间段对应的目标序列，包括：
[0031]通过所述目标序列预测模型对所述时空特征进行处理，得到全局序列；
[0032]通过所述目标变量以及所述目标时间段，对所述全局序列进行截取，得到所述目标序列
。
[0033]可选地，所述目标序列预测模型通过以下步骤训练得到：
[0034]获取多个训练样本，每个所述训练样本包括样本数据
、
样本参数和标注标签，所述样本数据包括多个样本变量对应的样本序列，所述样本参数包括样本变量和样本时间段，所述样本变量包括所述原始变量，所述样本时间段包括所述目标时间段，所述标注标签为每个样本数据对应的真实输出序列；
[0035]通过所述多个训练样本，对所述基础预测模型进行多轮预测训练；
[0036]在每一轮预测训练之后，获取本轮预测训练输出的预测目标序列；
[0037]根据所述预测目标序列以及本轮预测训练对应的标注标签，对所述基础预测模型进行优化；
[0038]在满足训练结束条件的情况下，停止训练，得到所述目标序列预测模型
。
[0039]根据本公开的第二方面，提供一种目标序列确定装置，包括：
[0040]第一获取模块，被配置为获取原始数据和目标参数，所述原始数据包括多个原始变量对应的原始序列，所述目标参数包括目标变量和目标时间段；
[0041]第一获得模块，被配置为通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，所述全局邻接矩阵表征多个所述原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种目标序列确定方法，其特征在于，包括：获取原始数据和目标参数，所述原始数据包括多个原始变量对应的原始序列，所述目标参数包括目标变量和目标时间段；通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，所述全局邻接矩阵表征多个所述原始变量之间的空间关系；通过所述目标序列预测模型经不同的时间窗口对所述原始数据和所述全局邻接矩阵进行处理，得到时空特征；通过所述目标序列预测模型对所述目标变量
、
所述目标时间段和所述时空特征进行处理，得到与所述目标变量以及所述目标时间段对应的目标序列，所述目标序列预测模型通过多个样本原始数据和样本目标参数训练基础预测模型得到
。2.
根据权利要求1所述的目标序列确定方法，其特征在于，所述通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，包括：对所述原始数据进行分割，得到多个节点序列，每个节点序列包括所述多个原始变量对应的分割序列；针对任一节点序列，根据该任一节点序列包括的多个原始变量对应的分割序列，构建初始邻接矩阵；根据任意两个原始变量对应的分割序列之间的相似度，对所述初始邻接矩阵进行简化，得到该任一节点序列对应的简化邻接矩阵；根据多个节点序列对应的简化邻接矩阵，得到全局邻接矩阵
。3.
根据权利要求2所述的目标序列确定方法，其特征在于，所述根据任意两个原始变量对应的分割序列之间的相似度，对所述初始邻接矩阵进行简化，得到该任一节点序列对应的简化邻接矩阵，包括：针对任一原始变量，确定该任一原始变量对应的分割序列分别与多个原始变量中的其它原始变量对应的分割序列之间的相似度；将所述相似度最大的
K
个相似度对应的节点确定为该任一节点的邻接节点；根据所述任一节点以及该任一节点的邻接节点，确定该任一节点序列对应的简化邻接矩阵
。4.
根据权利要求1所述的目标序列确定方法，其特征在于，所述通过所述目标序列预测模型经不同的时间窗口对所述原始数据和所述全局邻接矩阵进行处理，得到时空特征，包括：基于所述全局邻接矩阵，对所述原始数据进行处理，得到原始输出特征；通过循环神经网络对所述原始输出特征进行处理，得到第一输出序列；通过多个时间窗口分别对所述原始数据进行处理，得到每个时间窗口对应的滑动序列；根据所述多个时间窗口对应的多个滑动序列以及所述第一输出序列，得到所述时空特征
。5.
根据权利要求4所述的目标序列确定方法，其特征在于，所述根据所述多个时间窗口对应的多个滑动序列以及所述第一输出序列，得到所述时空特征，包括：
对所述多个时间窗口对应的多个滑动序列进行排序；将第一个滑动序列和所述第一输出序列进行拼接，得到第一输出特征；通过循环神经网络对所述第一输出特征进行处理，得到第二输出...

【专利技术属性】
技术研发人员：林庆治，周明振，
申请(专利权)人：前海飞算云创数据科技深圳有限公司，
类型：发明
国别省市：