【技术实现步骤摘要】
本专利技术涉及人工智能 ，尤其涉及一种时序预测集成模型的训练方法、装置、电子设备及介质。
技术介绍
1、时序预测是基于时间序列数据（即按时间顺序排列的数据点），利用统计和机器学习技术来预测未来的值，如图1所示，是本专利技术提供的时间序列预测的原理示意图。时间序列预测广泛应用于交通流量、金融、能源、天气和销售等多个领域，以辅助决策和规划。
2、集成模型指其由多个子模型通过集成构成，通过组合不同模型的优势和学习特征来得到更准确的预测结果，具有更好的泛化能力、稳健性和性能表现。
3、现有技术中在训练集成模型时，需要先训练各子模型，再训练集成模型。这就导致在训练集成模型时，需要分两阶段进行训练，训练流程较为繁琐。
技术实现思路
1、本专利技术提供一种时序预测集成模型的训练方法、装置、电子设备及介质，用以解决现有技术中训练集成模型时需要先训练单个的子模型再训练集成模型，导致集成模型的训练过程较为繁琐的问题。
2、第一方面，本专利技术提供一种时序预测集成模型的训练方法，包括：基于第一随机数和选择概率从集成模型中确定参与训练的子模型集合；将样本时序数据输入至子模型集合的各子模型中，得到各子模型的输出结果；基于第二随机数和融合概率确定各子模型的输出结果的融合权重；基于融合权重对各子模型的输出结果进行融合得到融合结果，融合结果作为集成模型对于样本时序数据的输出结果用于集成模型的训练。
3、可选地，基于第一随机数和选择概率从集成模型中确定参与训练的子模型
4、可选地，在第一随机数大于选择概率的情况下，基于集成模型中的各子模型的采样概率，从集成模型中确定参与训练的子模型集合，包括：对于集成模型中的任意一个目标子模型，生成第三随机数；确定目标子模型的第三随机数与目标子模型的采样概率的大小关系；基于大小关系，将第三随机数大于或等于采样概率的子模型确定为子模型集合。
5、可选地，基于第二随机数和融合概率确定各子模型的输出结果的融合权重，包括：生成第二随机数，并确定第二随机数与融合概率的大小关系；在第二随机数小于或等于融合概率的情况下，确定各子模型的融合权重相等；在第二随机数大于融合概率的情况下，通过各子模型的评分确定各子模型的融合权重。
6、可选地，在第二随机数大于融合概率的情况下，通过各子模型的评分确定各子模型的输出结果的融合权重，包括：对各子模型的评分进行归一化，并将归一化后的值作为各子模型的融合权重。
7、第二方面，本专利技术提供了一种时序预测集成模型的训练装置，包括：第一确定模块，用于基于第一随机数和选择概率从集成模型中确定参与训练的子模型集合；处理模块，用于将样本时序数据输入至子模型集合的各子模型中，得到各子模型的输出结果；第二确定模块，用于基于第二随机数和融合概率确定各子模型的输出结果的融合权重；融合模块，用于基于融合权重对各子模型的输出结果进行融合得到融合结果，融合结果作为集成模型对于样本时序数据的输出结果用于集成模型的训练。
8、本专利技术提供的时序预测集成模型的训练装置中的第一确定模块，具体用于：生成第一随机数，并确定第一随机数与选择概率的大小关系；在第一随机数小于或等于选择概率的情况下，将集成模型中的所有子模型确定为子模型集合；在第一随机数大于选择概率的情况下，基于集成模型中的各子模型的采样概率，从集成模型中确定参与训练的子模型集合。
9、第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一种时序预测集成模型的训练方法。
10、第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种时序预测集成模型的训练方法。
11、第五方面本专利技术还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述任一种时序预测集成模型的训练方法。
12、本专利技术提供的时序预测集成模型的训练方法，通过第一随机数和选择概率从集成模型中确定参与训练的子模型集合；然后将样本时序数据输入至子模型集合的各子模型中，得到各子模型的输出结果，并通过第二随机数和融合概率确定输出结果的融合权重；基于融合权重对各子模型的输出结果进行融合得到融合结果，将融合结果作为集成模型对于样本时序数据的输出结果对于集成模型进行训练。通过选择要参与随机数和概率确定出要训练的子模型，降低了集成模型的训练复杂度。相较于传统的对于集成模型的训练，简化了模型的训练过程。
本文档来自技高网...【技术保护点】
1.一种时序预测集成模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的时序预测集成模型的训练方法，其特征在于，所述基于第一随机数和选择概率从集成模型中确定参与训练的子模型集合，包括：
3.根据权利要求2所述的时序预测集成模型的训练方法，其特征在于，所述在所述第一随机数大于所述选择概率的情况下，基于所述集成模型中的各子模型的采样概率，从所述集成模型中确定参与训练的子模型集合，包括：
4.根据权利要求1所述的时序预测集成模型的训练方法，其特征在于，所述基于第二随机数和融合概率确定所述各子模型的输出结果的融合权重，包括：
5.根据权利要求4所述的时序预测集成模型的训练方法，其特征在于，所述在所述第二随机数大于所述融合概率的情况下，通过各子模型的评分确定所述各子模型的输出结果的融合权重，包括：
6.一种时序预测集成模型的训练装置，其特征在于，包括：
7.根据权利要求6所述的时序预测集成模型的训练装置，其特征在于，所述第一确定模块，具体用于：
8.一种电子设备，包括存储器、处理器及存储在所述存储器
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5任一项所述时序预测集成模型的训练方法。
10.一种计算机程序产品，包括计算机程序，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5任一项所述时序预测集成模型的训练方法。
...【技术特征摘要】
1.一种时序预测集成模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的时序预测集成模型的训练方法，其特征在于，所述基于第一随机数和选择概率从集成模型中确定参与训练的子模型集合，包括：
3.根据权利要求2所述的时序预测集成模型的训练方法，其特征在于，所述在所述第一随机数大于所述选择概率的情况下，基于所述集成模型中的各子模型的采样概率，从所述集成模型中确定参与训练的子模型集合，包括：
4.根据权利要求1所述的时序预测集成模型的训练方法，其特征在于，所述基于第二随机数和融合概率确定所述各子模型的输出结果的融合权重，包括：
5.根据权利要求4所述的时序预测集成模型的训练方法，其特征在于，所述在所述第二随机数大于所述融合概率的情况下，通过各子模型的评分确定所述各子模型...
【专利技术属性】
技术研发人员：田泽康，邓卉，叶伍阳，黄飞，
申请(专利权)人：朗新科技集团股份有限公司，
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。