一种基于机器学习的时间序列预测方法、系统及电子设备与流程

本发明涉及时间序列预测领域，特别涉及一种基于机器学习的时间序列预测方法、系统及电子设备。

背景技术：

时间序列是按时间索引顺序排列的一组数字序列，序列的背后反映的是某一现象的变化规律。时间序列问题就是对这一动态序列进行建模，捕捉数字背后的变化规律，以预测未来的变化。这种问题在现实生活中非常常见，如“销量预测”，“未来温度预测”等。

现有的时间序列预测的解决思路通常分为两种，一种是通过传统的预测模型，例如，自回归模型(ar)、移动平均模型(ma)及自回归滑动平均模型(arma)等，但传统的预测模型对具有多维度的特征时只能对每一维度的特征分别进行建模预测，效率较低，并且有复杂冗余的预处理过程，而且在选择统计模型上也有各自的准则。

另一种是基于机器学习的时间序列分析方法可针对多维度的参数进行统一建模，但模型建立所需的数据集中时间窗口需要人为设定，时间窗口不易确定，其预测结果不准确。

技术实现要素：

为了克服目前现有基于机器学习的时间序列预测方法中预测不准确的问题，本发明提供一种基于机器学习的时间序列预测方法、系统及电子设备。

本发明为解决上述技术问题，提供一技术方案如下：一种基于机器学习的时间序列预测方法，包括如下步骤:步骤s1：获取具有多个时间节点、每个时间节点对应的真实值的真实时间序列及至少两个第一预测模型；步骤s2：将所述真实时间序列分别输入至每个第一预测模型进行训练，以对应获得第二预测模型；步骤s3：基于所述真实时间序列的多个时间节点，每个第二预测模型在相同的时间节点上进行预测获得预测时间序列；步骤s4：将每个第二预测模型在同一时间节点的预测值以及在同一时间节点对应的真实值进行拼接，获得多个数据集；及步骤s5：将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，基于所述第二预测模型及所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。

优选地，上述步骤s1与步骤s2之间还包括步骤s10：对所述真实时间序列的数据进行预处理，以获得平稳的真实时间序列。

优选地，步骤s10具体包括如下步骤：步骤s101：将所述真实时间序列转化为时序图；步骤s102：基于时序图的分布特点判断所述真实时间序列是否为平稳序列，若是，则进入步骤s103，若否，则进入步骤s104；步骤s103：将真实时间序列输入至第一预测模型中；及步骤s104：对真实时间序列进行平稳化处理后输入至第一预测模型中。

优选地，步骤s1中所述至少两个第一预测模型为包括自回归模型、移动平均模型、自回归滑动平均模型及自回归差分移动平均模型的多种组合。

优选地，上述步骤s4中，所述数据集包括预测时间序列与真实时间序列在同一时间节点对应的预测值与真实值，以及在该时间节点下预设的预设值。

优选地，步骤s5具体包括如下步骤：步骤s51：以所述预测时间序列对应的预测值及预设值作为训练特征，真实时间序列的真实值作为目标特征，以训练特征与目标特征组合作为数据集；步骤s52：将所述数据集输入至初始机器学习回归模型中，对所述初始机器学习回归模型进行回归训练，获得最终机器学习回归模型；及步骤s53：将真实时间序列依次输入至第二预测模型及最终机器学习回归模型，获得预测结果。

本发明还提供一种基于机器学习的时间序列预测系统，包括：预测准备单元，用于获取真实时间序列及至少两个第一预测模型；模型训练单元，用于基于真实时间序列，对所述第一预测模型训练获得第二预测模型；第一预测单元，用于基于所述真实时间序列的多个时间节点，第二预测模型在相同的时间节点上进行预测获得预测时间序列；及数据重组单元，用于将每个第二预测模型在同一时间节点的预测值进行拼接，获得多个数据集；及第二预测单元，用于将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，基于所述第二预测模型及所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。

优选地，还包括预处理单元；预处理单元，用于对所述时间序列的数据进行预处理，以获得平稳的真实时间序列。

优选地，所述第二预测单元包括：数据集生成单元，用于以所述预测时间序列对应的预测值及预设值作为训练集，真实时间序列的真实值作为测试集，以训练集与测试集组合作为数据集；模型获取单元，用于将所述数据集输入至初始机器学习回归模型中，对所述初始机器学习回归模型进行回归训练，获得最终机器学习回归模型；及数据集输入单元，用于将真实时间序列依次输入至第二预测模型及最终机器学习回归模型，获得预测结果。

本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行上述任一项中所述的基于机器学习的时间序列预测方法；所述处理器被设置为通过所述计算机程序执行上述任一项中所述的基于机器学习的时间序列预测方法。

与现有技术相比，本发明提供的一种基于机器学习的时间序列预测方法、系统及电子设备，具有以下优点：

1、通过真实时间序列训练多个第一预测模型得到第二预测模型，并通过第二预测模型获得预测时间序列，并将多个预测时间序列根据在同一时间节点对应的预测值与真实值进行拼接，获得多个数据集，基于多个数据集对初始机器学习回归模型进行训练以获得最终机器学习回归模型，最后通过最终机器学习回归模型获得预测结果。通过设置至少两个第一预测模型，使得预测模型可覆盖时间序列出现的多种趋势，提高了预测模型的泛化能力，同时，将多个预测时间序列根据在同一时间节点对应的预测值与真实值进行拼接，自动构造多个数据集，使得所述初始机器学习回归模型在训练时无需进行人工操作划定时间窗口，提高了预测模型的预测准确度，减少人工成本。进一步，通过设置传统的预测模型与机器学习回归模型的两级分层结构，提升预测的准确度。

2、通过对真实时间序列进行预处理，以检验时间序列的平稳性，以确保后续步骤中预测模型对真实时间序列预测的准确性和可行性。

3、通过设置至少两个第一预测模型，所述至少两个第一预测模型为包括自回归模型、移动平均模型、自回归滑动平均模型及自回归差分移动平均模型的多种组合，使得本发明提供的一种基于机器学习的时间序列预测方法、系统及电子设备可适应多种类型的时间序列，提高了对真实时间序列预测的准确度。

4、通过在所述数据集中加入预设值，使得机器学习回归模型可对数据集中的预测值、真实值以及对应的预设值进行拟合，通过处理更高维度的特征，以获得更高精度的预测值。

5、通过将任一时间节点输入至最终机器学习回归模型中，获得任一时间节点对应的预测值，使得所述最终机器学习回归模型可针对任一时间节点进行预测。

【附图说明】

图1为本发明第一实施例提供的一种基于机器学习的时间序列预测方法的整体流程图。

图2为本发明第一实施例提供的一种基于机器学习的时间序列预测方法中步骤s10的流程图。

图3为本发明第一实施例提供的一种基于机器学习的时间序列预测方法中步骤s10的细节流程图。

图4为本发明第一实施例提供的一种基于机器学习的时间序列预测方法的步骤s5的细节流程图。

图5为本发明第二实施例提供的一种基于机器学习的时间序列预测系统的模块图。

图6为本发明第二实施例提供的一种基于机器学习的时间序列预测系统中第二预测单元的模块图。

图7为本发明第三实施例提供的一种电子设备的模块图。

附图标记说明：

1、预测准备单元；2、模型训练单元；3、第一预测单元；4、数据重组单元；5、第二预测单元；6、预处理单元；

51、数据集生成单元；52、模型获取单元；53、数据集输入；

10、存储器；20、处理器。

【具体实施方式】

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，本发明第一实施例提供一种基于机器学习的时间序列预测方法，包括以下步骤：

步骤s1：获取具有多个时间节点、每个时间节点对应的真实值的真实时间序列及至少两个第一预测模型。

可以理解，所述时间序列为具有多个时间节点及每一节点具有对应数值的数据序列，其反应的是一数据随着时间变化而变化的结果。在本实施例中，所述真实时间序列为通过观测记录获得的真实时间序列。例如，a地区在5日内的温度变化，可组成a地区的温度数据随着5日内的日期变化而变化的时间序列。

可以理解，所述至少两个第一预测模型为传统的时间序列预测模型，所述预测模型包括自回归模型(ar)、移动平均模型(ma)、自回归滑动平均模型(arma)及自回归差分移动平均模型(arima)的多种的组合。

步骤s2：将所述真实时间序列分别输入至每个第一预测模型进行训练，以对应获得第二预测模型。

可以理解，在步骤s2中，根据预设的标准，以对所述真实时间序列进行划分，形成训练集与测试集以对所述第一预测模型进行训练。可以理解，所述预设的标准为预先设定时间节点的划分标准，所述第一预测模型可根据该划分标准对时间序列进行划分。例如，在本实施例中，a地区在5日内的温度变化对应的真实时间序列为(20，22，24，21，25)，其中，温度的排序对应的时间节点排序为(t1，t2，t3，t4，t5)。第一预测模型根据预设的标准，将t1-t3对应的温度值划分为训练集，t4-t5对应的温度值作为测试集，也即用t1-t3对应的温度值去预测t4-t5对应的温度值，获得a地区在5日内的温度变化对应的第二预测模型。

步骤s3：基于所述真实时间序列的多个时间节点，每个第二预测模型在相同的时间节点上进行预测获得预测时间序列。

可以理解，在步骤s3中，通过对真实时间序列对应的时间节点进行再次预测，获得在相同时间节点下的多个预测值以组成预测时间序列。例如，在本实施例中，每一第二预测模型对t1-t5时间节点上进行重新预测，获得t1-t5时间节点上对应的5个预测值，例如，获得(25，28，26，23，22)预测时间序列。

步骤s4：将每个第二预测模型在同一时间节点的预测值以及在同一时间节点对应的真实值进行拼接，获得多个数据集。

可以理解，在步骤s4中，多个第二预测模型基于相同时间节点下预测获得的多个预测时间序列具有不同的预测值，基于在同一时间节点下对每一预测时间序列中的预测值进行拼接，获得与所述时间节点数量相同的多个数据集。例如，在本实施例中，具有t1-t5时间节点，则具有5个数据集，在每一数据集中，以t1时间节点为例，与时间节点t1对应的数据集包括(t11，t12，t13，t14，t15，t10)，其中，t11表示在t1时间节点下第一预测时间序列对应的预测值，t12表示在t1时间节点下第二预测时间序列对应的预测值，以此类推，以对多个预测时间序列的预测值进行拼接。而数据集中t10表示在真实时间序列的时间节点t1下对应的真实值。

可选地，所述数据集还可以包括预设值，所述预设值为所述真实时间序列中每一时间节点对应的真实值的多维度特征，以通过所述预设值，将输入的数据集形成多维度的特征，使得所述初始机器学习回归模型可根据每一维度的特征自动学习获得每一维度特征对应的权重，并基于所述权重，对多个的维度特征进行拟合，以提高后续对时间序列预测的准确度。例如，在本实施例中，以t1时间节点为例，t1的真实值对应为20摄氏度，可添加预设值为城市信息和/或天气信息，例如，预设值为a城市、晴，同时，可根据a城市在晴天通常所处的温度值(例如a城市晴天温度为29度)，则此时数据集中具有预测值、城市信息及天气信息三个维度的特征，可基于三个维度的特征对应的权重，通过对三个维度特征对应的数值进行拟合获得预测值。在数据集中添加预设值，避免了传统自回归模型(如步骤s1及步骤s2中所述第一预测模型、第二预测模型)无法同时处理多维度特征的问题，使输出的预测结果更准确。

步骤s5：将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，基于所述第二预测模型及所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。

请参阅图2，可选地，上述步骤s1与步骤s2之间还包括：

步骤s10：对所述真实时间序列的数据进行预处理，以获得平稳的真实时间序列。

可以理解，步骤s1中所述真实时间序列需要进行平稳性检验，通常可以通过时序图检验和单位根检验两种方法对时间序列进行平稳性检验，以针对不同类型的时间序列做不同的分析方法。例如，在时序图检验中，根据平稳时间序列的统计特征，平稳序列的时序图始终在一个常数值附近随机波动。如果该序列显示出明显的趋势和周期性，则该序列为非平稳序列。上述自回归模型(ar)、移动平均模型(ma)、自回归滑动平均模型(arma)通常分析的是平稳时间序列。在本实施例中，所述真实时间序列为平稳时间序列。

可以理解，平稳的时间序列利于后续步骤对时间序列的回归分析，相反地，非平稳时间序列的数字特征会伴随着时间的推移而变化，亦即其在不同时点上的统计规律性互不相同，且不具有遍历性，因此不能基于非平稳时间序列的信息进行回归分析。

具体地，请参阅图3，步骤s10：对所述真实时间序列的数据进行预处理，以获得平稳的真实时间序列。步骤s10具体包括步骤s101～s104：

步骤s101：将所述真实时间序列转化为时序图；

步骤s102：基于时序图的分布特点以判断所述真实时间序列是否为平稳序列，若是，则进入步骤s103，若否，则进入步骤s104；

步骤s103：将真实时间序列输入至第一预测模型中；及

步骤s104：对真实时间序列进行平稳化处理后输入至第一预测模型中。

在步骤s101中，通过将每一时间节点对应的真实值在坐标上显示，并用线段连接起来以形成对应的时序图。

在步骤s102中，平稳时间序列的时序图是显示出该数列始终在一个常数值附近随机波动的特点，例如，在本实施例中，a地区在5日内的温度变化不超过均值的3度，如(20，22，24，21，25)的均值为22.4，5日内的温度均与均值22.4摄氏度的差值在3度内，则判定所述真实时间序列为平稳的。相反地，如果时序图显示出明显的趋势和周期性，则该序列为非平稳序列。

在步骤s104中，平稳化处理为差分处理，所述差分处理分为一阶差分、二阶差分或多阶差分，差分是将时间序列中多个时间对应的多个数值之间进行差分运算，非平稳序列可通过差分运算转化为平稳序列。

可以理解，对所述时间序列的数据进行预处理还包括纯随机性检验，也即在步骤s10检验时间序列的平稳性之后，还需要对平稳时间序列进行纯随机性检验，所述纯随机性检验是检验所述真实时间序列中多个时间节点对应的真实值之间是否具有相关性，如果没有相关性，也即现有的时间序列无法预测未来数值。纯随机性检验中根据检验统计量的方式，主要有q统计量和lb统计量两种方式，上述两种方式是通过barlett定理构建的统计模型，在此不再赘述。

请参阅图4，步骤s5：将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，基于所述第二预测模型及所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。步骤s5具体包括步骤s51～s53：

步骤s51：以所述预测时间序列对应的预测值及预设值作为训练特征，真实时间序列的真实值作为目标特征，以训练特征与目标特征组合作为数据集；

步骤s52：将所述数据集输入至初始机器学习回归模型中，对所述初始机器学习回归模型进行回归训练，获得最终机器学习回归模型；及

步骤s53：将真实时间序列依次输入至第二预测模型及最终机器学习回归模型，获得预测结果。

可以理解，在步骤s51中，以所述预测时间序列对应的预测值及预设值作为训练特征，真实时间序列的真实值作为目标特征，也即在步骤s52中所述初始机器学习回归模型以训练特征为输入去做预测训练，并通过已知的目标特征与预测训练的结果进行对比并不断调整，以使得所述初始机器学习回归模型输出的结果不断接近所述目标特征(也即不断接近真实值)，训练获得最终机器学习回归模型。

在步骤s53中，将所述真实时间序列依次输入至第二预测模型及最终机器学习回归模型，获得预测结果，也即基于训练好的第二预测模型及最终机器学习回归模型，将所述真实时间序列重新输入至第二预测模型，并基于第二预测模型的预测结果与真实时间序列进行拼接后输入至最终机器学习回归模型，获得预测结果，以对真实时间序列进行预测。例如，在本实施例中，真实时间序列为(20，22，24，21，25)，并基于数据集中所述预设值，通过第二预测模型及最终机器学习回归模型的预测，可预测时间节点t5之后的任一时间节点或多个时间节点对应的预测值。

可以理解，在步骤s53中，通过将任一时间节点依次输入至第二预测模型及最终机器学习回归模型中，获得任一时间节点对应的预测值，使得所述最终机器学习回归模型可针对真实时间序列中的任一时间节点以及真实时间序列之后任一时间节点进行预测。

可以理解，在步骤s53之后，可基于最终机器学习回归模型获得的预测结果，与已知的对应时间节点的真实值进行对比，以判断所述最终机器学习回归模型是否适应真实场景的应用要求，可基于该判断结果决定所述最终机器学习回归模型的训练结果是否符合要求，在此不再赘述。

可以理解，上述的初始机器学习回归模型可以包括但不限于xgboost回归模型、随机森林回归模型及决策树回归模型等机器学习回归模型中的任一种。

可选地，在一些特别的实施例中，上述初始机器学习回归模型还可替换为递归神经网络模型(rnn)，所述递归神经网络模型可针对输入的时间序列进行学习并预测，提高了对时间序列的学习能力，提升预测精度与预测模型的泛化能力。

可以理解，步骤s51～s53仅为该实施例的一种实施方式，其实施方式并不限定于步骤s51～s53。

请参阅图5，本发明第二实施例还提供一种基于机器学习的时间序列预测系统。该基于机器学习的时间序列预测系统可以包括：

预测准备单元1，用于获取具有多个时间节点、每个时间节点对应的真实值的真实时间序列及至少两个第一预测模型；

模型训练单元2，用于将所述真实时间序列分别输入至每个第一预测模型进行训练，以对应获得第二预测模型；

第一预测单元3，用于基于所述真实时间序列的多个时间节点，每个第二预测模型在相同的时间节点上进行预测获得预测时间序列；及

数据重组单元4，用于将每个第二预测模型在同一时间节点的预测值以及在同一时间节点对应的真实值进行拼接，获得多个数据集；及

第二预测单元5，用于将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，基于所述第二预测模型及所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。

请继续参阅图5，可选地，所述一种基于机器学习的时间序列预测系统还包括：

预处理单元6，用于对所述真实时间序列的数据进行预处理，以获得平稳的真实时间序列。

请参阅图6，所述第二预测单元5包括：

数据集生成单元51，用于以所述预测时间序列对应的预测值及预设值作为训练特征，真实时间序列的真实值作为目标特征，以训练特征与目标特征组合作为数据集；

模型获取单元52，用于将所述数据集输入至初始机器学习回归模型中，对所述初始机器学习回归模型进行回归训练，获得最终机器学习回归模型；及

数据集输入单元53，用于将真实时间序列输入至最终机器学习回归模型，获得预测结果。

请参阅图7，本发明第三实施例提供一种用于实施上述基于机器学习的时间序列预测方法的电子设备，所述电子设备包括存储器10和处理器20，所述存储器10中存储有运算机程序，所述运算机程序被设置为运行时执行上述任一项基于机器学习的时间序列预测方法实施例中的步骤。所述处理器20被设置为通过所述计算机程序执行上述任一项基于机器学习的时间序列预测方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。

具体地，所述电子设备为时间序列预测模型中的预测设备，特别是针对机器学习回归模型的时间序列预测设备，提高了对平稳时间序列预测的准确度和效率。

与现有技术相比，本发明提供的一种基于机器学习的时间序列预测方法、系统及电子设备，具有以下优点：

1、通过真实时间序列训练多个第一预测模型得到第二预测模型，并通过第二预测模型获得预测时间序列，并将多个预测时间序列根据在同一时间节点对应的预测值与真实值进行拼接，获得多个数据集，基于多个数据集对初始机器学习回归模型进行训练以获得最终机器学习回归模型，最后通过最终机器学习回归模型获得预测结果。通过设置至少两个第一预测模型，使得预测模型可覆盖时间序列出现的多种趋势，提高了预测模型的泛化能力，同时，将多个预测时间序列根据在同一时间节点对应的预测值与真实值进行拼接，自动构造多个数据集，使得所述初始机器学习回归模型在训练时无需进行人工操作划定时间窗口，提高了预测模型的预测准确度，减少人工成本。进一步，通过设置传统的预测模型与机器学习回归模型的两级分层结构，提升预测的准确度。

2、通过对真实时间序列进行预处理，以检验时间序列的平稳性，以确保后续步骤中预测模型对真实时间序列预测的准确性和可行性。

3、通过设置至少两个第一预测模型，所述至少两个第一预测模型为包括自回归模型、移动平均模型、自回归滑动平均模型及自回归差分移动平均模型的多种组合，使得本发明提供的一种基于机器学习的时间序列预测方法、系统及电子设备可适应多种类型的时间序列，提高了对真实时间序列预测的准确度。

4、通过在所述数据集中加入预设值，使得机器学习回归模型可对数据集中的预测值、真实值以及对应的预设值进行拟合，通过处理更高维度的特征，以获得更高精度的预测值。

5、通过将任一时间节点输入至最终机器学习回归模型中，获得任一时间节点对应的预测值，使得所述最终机器学习回归模型可针对任一时间节点进行预测。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。

在该计算机程序被处理器执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。

计算机存储器的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读信号介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括预测准备单元、模型训练单元、第一预测单元、数据重组单元以及第二预测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，数据重组单元还可以被描述为“基于当前获得的多个预测时间序列，结合真实时间序列，将每个第二预测模型在同一时间节点的预测值进行拼接，获得多个数据集的单元”。

作为另一方面，本申请还提供了一种计算机存储器，该计算机存储器可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机存储器承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取具有多个时间节点及每个时间节点对应的真实值的真实时间序列及至少两个第一预测模型，将所述真实时间序列输入至第一预测模型进行训练，获得第二预测模型，基于所述真实时间序列的多个时间节点，第二预测模型在相同的时间节点上进行预测获得预测时间序列，将每个第二预测模型在同一时间节点的预测值以及在同一时间节点对应的真实值进行拼接，获得多个数据集，将所述多个数据集输入至一初始机器学习回归模型进行训练，获得最终机器学习回归模型，通过所述最终机器学习回归模型对真实时间序列进行预测，获得预测结果。

以上仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。