System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及层次时间序列预测,尤其涉及一种层次时间序列预测方法、装置、电子设备及存储介质。
技术介绍
1、层次时间序列预测是工业界非常常见的一个应用场景,其典型特点为子层级节点值的汇总等于父节点的值。本专利技术关注一类特殊的层次序列:时间层次序列,即子节点可以从时间维度进行汇总得到父节点的采样值。
2、最常用的层级序列预测方法包括bottom-up、top-down、middle-out等。bottom-up方法,指的是只预测所有最底层节点的时间序列,对于上层的时间序列,使用底层时间序列预测结果逐层加和得到。top-down方法只预测最顶层节点的时间序列,然后根据一种分配方式,将顶层的预测结果逐渐分发至底层,这种分配方式可以按照诸如某个子节点历史一段时间的值占其父节点值的比例分配。middle-out选择中间某层进行预测,然后再利用bottom-up和top-down方法,从所选这一层的预估结果向上汇聚和向下分配。
3、然而,这三种预测方法的问题在于,只能使用某一层的信息进行预测,无法同时使用所有层次序列信息。不同层次的节点有不同的优势和劣势。越往上层的节点,噪声越小,规律性越强,预估起来越容易,但是其忽视了底层细粒度节点的丰富信息,越底层的序列信息丰富,但其数据噪声越大,预测难度越大,预测准确率低。
技术实现思路
1、本专利技术提供一种层次时间序列预测方法、装置、电子设备及存储介质,用以解决现有技术中bottom-up、top-down、middle-o
2、本专利技术提供一种层次时间序列预测方法,包括:
3、获取商品销量预测场景下的父节点序列、子节点序列和高频采样子序列;所述父节点序列是商品销售额的季度总额,所述子节点序列是各季度中各月度的商品销售额的序列,所述高频采样子序列是月度采样数据;
4、基于所述父节点序列和所述高频采样子序列,确定高频占比子序列;所述高频占比子序列是各月在所述各月所属季度中的销售额占比;
5、将所述父节点序列和所述高频占比子序列输入至节点序列预测模型中,得到所述节点序列预测模型输出的第一预测结果;所述第一预测结果是未来季度的销售额预测结果以及未来月度的销售额预测结果;
6、所述节点序列预测模型包括父节点序列预测模型、子节点序列预测模型和融合单元;
7、所述父节点序列预测模型用于基于所述父节点序列输出父序列预测结果,所述子节点序列预测模型用于基于所述高频占比子序列输出占比序列预测结果,所述融合单元用于基于所述父序列预测结果和所述占比序列预测结果,得到所述第一预测结果;
8、基于所述父节点序列和所述子节点序列,确定第二预测结果;所述第二预测结果是未来季度的销售额预测结果以及未来月度的销售额预测结果;
9、对所述第一预测结果和所述第二预测结果进行集成,得到目标层次时间序列预测结果;所述目标层次时间序列预测结果是未来季度的销售额预测结果以及未来月度的销售额预测结果。
10、根据本专利技术提供的一种层次时间序列预测方法,所述节点序列预测模型的训练步骤包括:
11、确定初始节点序列预测模型,所述初始节点序列预测模型包括初始父节点序列预测模型和初始子节点序列预测模型;
12、获取样本父节点序列、样本高频占比子序列、父序列真实值和子节点序列真实值;
13、将所述样本父节点序列和所述样本高频占比子序列输入至所述初始节点序列预测模型中,得到所述初始节点序列预测模型输出的初始预测结果、所述初始父节点序列预测模型输出的初始父序列预测结果,以及所述初始子节点序列预测模型输出的初始占比序列预测结果;
14、基于所述初始占比序列预测结果和所述初始父序列预测结果,确定子节点序列预测结果;
15、基于所述初始父序列预测结果与所述父序列真实值之间的差异,以及所述子节点序列预测结果与所述子节点序列真实值之间的差异,确定总损失函数,并基于所述总损失函数对所述初始节点序列预测模型进行参数迭代,得到所述节点序列预测模型。
16、根据本专利技术提供的一种层次时间序列预测方法,所述基于所述初始父序列预测结果与所述父序列真实值之间的差异,以及所述子节点序列预测结果与所述子节点序列真实值之间的差异,确定总损失函数,包括:
17、基于所述初始占比序列预测结果之和,以及标签真值之间的差异,确定第一损失函数;
18、基于所述初始父序列预测结果与所述父序列真实值之间的差异,以及所述子节点序列预测结果与所述子节点序列真实值之间的差异,确定第二损失函数;
19、基于所述第一损失函数和所述第二损失函数,确定所述总损失函数。
20、根据本专利技术提供的一种层次时间序列预测方法,所述基于所述父节点序列和所述子节点序列,确定第二预测结果,包括:
21、将所述父节点序列输入至父节点预测模型中,得到所述父节点预测模型输出的父序列预测值;
22、将所述子节点序列输入至子节点预测模型中,得到所述子节点预测模型输出的子序列预测值;
23、基于所述父序列预测值和所述子序列预测值,得到所述第二预测结果。
24、根据本专利技术提供的一种层次时间序列预测方法,所述基于所述父节点序列和所述子节点序列,确定第二预测结果,还包括:
25、将所述父节点序列和所述子节点序列输入至所述节点序列预测模型中,得到所述节点序列预测模型输出的所述第二预测结果。
26、根据本专利技术提供的一种层次时间序列预测方法,所述对所述第一预测结果和所述第二预测结果进行集成,得到目标层次时间序列预测结果,包括:
27、基于平均法、加权平均法中的任意一种,对所述第一预测结果和所述第二预测结果进行集成,得到目标层次时间序列预测结果。
28、本专利技术还提供一种层次时间序列预测装置,包括:
29、获取单元,用于获取商品销量预测场景下的父节点序列、子节点序列和高频采样子序列;所述父节点序列是商品销售额的季度总额,所述子节点序列是各季度中各月度的商品销售额的序列,所述高频采样子序列是月度采样数据;
30、确定单元,用于基于所述父节点序列和所述高频采样子序列,确定高频占比子序列;所述高频占比子序列是各月在所述各月所属季度中的销售额占比;
31、确定第一预测结果单元,用于将所述父节点序列和所述高频占比子序列输入至节点序列预测模型中,得到所述节点序列预测模型输出的第一预测结果;所述第一预测结果是未来季度的销售额预测结果以及未来月度的销售额预测结果;
32、所述节点序列预测模型包括父节点序列预测模型、子节点序列预测模型和融合单元;
33、所述父节点序列预测模型用于基于所述父节点序列输出父序列预测结果,所述子节点序列预测模型用于基于所述高频占比子序列输出占比序列预测结果,所述融合单元用于基于所述父序列预测结果和所述占比序列预测结果,得本文档来自技高网...
【技术保护点】
1.一种层次时间序列预测方法,其特征在于,包括:
2.根据权利要求1所述的层次时间序列预测方法,其特征在于,所述节点序列预测模型的训练步骤包括:
3.根据权利要求2所述的层次时间序列预测方法,其特征在于,所述基于所述初始父序列预测结果与所述父序列真实值之间的差异,以及所述子节点序列预测结果与所述子节点序列真实值之间的差异,确定总损失函数,包括:
4.根据权利要求1至3中任一项所述的层次时间序列预测方法,其特征在于,所述基于所述父节点序列和所述子节点序列,确定第二预测结果,包括:
5.根据权利要求1至3中任一项所述的层次时间序列预测方法,其特征在于,所述基于所述父节点序列和所述子节点序列,确定第二预测结果,还包括:
6.根据权利要求1至3中任一项所述的层次时间序列预测方法,其特征在于,所述对所述第一预测结果和所述第二预测结果进行集成,得到目标层次时间序列预测结果,包括:
7.一种层次时间序列预测装置,其特征在于,包括:
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述层次时间序列预测方法。
...【技术特征摘要】
1.一种层次时间序列预测方法,其特征在于,包括:
2.根据权利要求1所述的层次时间序列预测方法,其特征在于,所述节点序列预测模型的训练步骤包括:
3.根据权利要求2所述的层次时间序列预测方法,其特征在于,所述基于所述初始父序列预测结果与所述父序列真实值之间的差异,以及所述子节点序列预测结果与所述子节点序列真实值之间的差异,确定总损失函数,包括:
4.根据权利要求1至3中任一项所述的层次时间序列预测方法,其特征在于,所述基于所述父节点序列和所述子节点序列,确定第二预测结果,包括:
5.根据权利要求1至3中任一项所述的层次时间序列预测方法,其特征在于,所述基于所述父节点序列和所...
【专利技术属性】
技术研发人员:郑玉玲,王凌云,刘兆蓬,王梓凝,宋丹丹,梁通,
申请(专利权)人:成方金融科技有限公司,
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。