技术特征：
1.一种sarima模型的训练方法，其特征在于，包括：获取初始数据集，并对所述初始数据集进行处理得到以单位时间为单元的训练数据集和验证集；根据所述训练数据集，建立sarima模型，所述sarima模型有系数及p、p、q、q、d、d和m共7个超参；根据所述初始数据集，设定超参m，所述超参m代表预设时间周期中单元的数量；基于预设的所述超参d、d的逻辑关系，对所述超参d、d进行网格搜索，得到四种所述超参d、d的组合；在已知四种所述超参d、d的组合时，通过auto arima进行自动拟合，确定每组中超参p、p、q、q的取值，得到四种sarima模型；通过所述四种sarima模型分别对所述验证集的单元进行预测，得到初始预测值；基于所述验证集，根据预设的评价指标，对所述初始预测值进行评价，选择评价误差最小的sarima模型为最优sarima模型；将所述验证集并入所述训练数据集中，得到目标训练数据集，并通过所述目标训练数据集对所述最优sarima模型进行训练，更新所述最优sarima模型的系数，得到目标sarima模型。2.如权利要求1所述的方法，其特征在于，所述超参p具体为：普通自回归项的项数；超参p具体为：季节性自回归项的项数；超参q具体为：普通移动平均项的项数；超参q具体为：季节性移动平均项的项数；超参d具体为：普通差分阶数；超参d具体为：季节性差分阶数。3.一种sarima模型的训练装置，其特征在于，包括数据处理模块、模型建立模块、超参设定模块、模型预测模块、误差分析模块和模型训练模块，其中：所述数据处理模块用于，获取初始数据集，并对所述初始数据集进行处理得到以单位时间为单元的训练数据集和验证集；所述模型建立模块用于，根据所述训练数据集，建立sarima模型，所述sarima模型有系数及p、p、q、q、d、d和m共7个超参；所述超参设定模块用于，根据所述初始数据集，设定超参m，所述超参m代表预设时间周期中单元的数量；所述超参设定模块还用于，基于预设的所述超参d、d的逻辑关系，对所述超参d、d进行网格搜索，得到四种所述超参d、d的组合；所述超参设定模块还用于，在已知四种所述超参d、d的组合时，通过auto arima进行自动拟合，确定每组中超参p、p、q、q的取值，得到四种sarima模型；所述模型预测模块用于，通过所述四种sarima模型分别对所述验证集的单元进行预测，得到初始预测值；所述误差分析模块用于，基于所述验证集，根据预设的评价指标，对所述初始预测值进行评价，选择评价误差最小的sarima模型为最优sarima模型；所述模型训练模块用于，将所述验证集并入所述训练数据集中，得到目标训练数据集，并通过所述目标训练数据集对所述最优sarima模型进行训练，更新所述最优sarima模型的系数，得到目标sarima模型。4.一种设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。5.一种存储介质，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权利要求1至2中任一项所述的方法的步骤。
技术总结
本发明提供一种SARIMA模型的训练方法、装置、设备及存储介质，其中，方案通过将初始数据集分为训练数据集和验证集，基于训练数据集建立SARIMA模型，且建立SARIMA模型时，通过超参d、D的网格搜索，并用AutoArima进行自动拟合，从而得到四种SARIMA模型，再用利用验证集验证SARIMA模型，从而选取最优SARIMA模型，最终将验证集并入训练数据集中，得到目标训练数据集，并通过目标训练数据集对最优SARIMA模型进行训练，更新最优SARIMA模型的系数，得到目标SARIMA模型；从而提高SARIMA模型的泛化预测精度，极大缩短了模型训练时间，且在一定程度上控制了过拟合。控制了过拟合。控制了过拟合。
技术研发人员：张焯 曾华桥 唐明 王振峰 任奕林 周莉
受保护的技术使用者：永辉云金科技有限公司
技术研发日：2021.07.14
技术公布日：2021/9/3