一种时间序列预测方法及系统的制作方法
【技术领域】
[0001] 本发明涉及计算机领域，尤其涉及一种时间序列预测方法及系统。
【背景技术】
[0002] 时间序列预测分析技术是基于与时间顺序相关联的有序观测数据集，利用随机过 程理论和数理统计学方法，研究所述数据集所遵从的统计规律，从而推测数据发展趋势指 导解决实际问题。科学正确地对各种实际时间序列进行预测分析可产生巨大的经济效益和 与社会效益，时间序列预测分析技术已广泛应用到工业、地址、生态、经济、气象、医学等领 域。
[0003] 当前时间序列的实时预测一般使用自回归滑动平均模型（Autoregressive moving average model，ARMA)、多层神经网络（Back propagation Natural Network，BPNN) 或者支持向量机（Support Vector Machines，SVM)等方法。其中，最常用的是ARMA及其变 化模型。ARMA是自回归模型AR和滑动平均模型MA的混合，自回归模型计算当前值与历史 值之间的关系，滑动平均模型计算自回归模型的累计误差。ARMA常用于消费行为模式变迁 研究，在零售研究中，用于具有季节变动特征的销售量、市场规模的预测等。
[0004] 然而，ARMA模型在预测时，往往固定使用时间序列的一种时间粒度，比如，按照季 度，月，星期等粒度。这种预测方法无法反应时间序列在时间粒度的特征，对于多种时间粒 度上的时间序列的预测效果往往较差，预测结果的波动范围较大。而使用SVM，BPNN等模型 预测时，为了保证预测的精度，预测模型的复杂度一般都较高，不适用于多种时间粒度的时 间序列实时预测。
【发明内容】
[0005] 本发明实施例所要解决的技术问题在于，提供一种时间序列预测方法及系统，通 过对时间粒度进行多维划分，在不同的时间维度上对时间序列进行预测，解决了现有技术 中时间序列在多维时间粒度上预测精度的问题，提高了业务预测的准确性。
[0006] 为了解决上述技术问题，本发明实施例第一方面公开了一种时间序列预测方法， 包括
[0007] 对时间序列的时间粒度进行多维划分，划分出至少两个时间维度；
[0008] 获取划分出的每个时间维度的时间序列；所述获取的时间序列为在当前时刻之前 的一段时间序列；
[0009] 根据所述获取的时间序列通过预测算法进行预测，根据预测结果组成不同时间维 度的预测组合，根据所述预测组合生成多维度时间划分预测模型；
[0010] 获取并根据当前时刻的真实时间序列值，通过所述多维度时间划分预测模型预测 在当前时刻之后的下一时刻的时间序列值，得到当前时刻之后的下一时刻的预测时间序列 值。
[0011] 本发明实施例第二方面公开了一种时间序列预测系统，包括：
[0012] 多维划分模块，用于对时间序列的时间粒度进行多维划分，划分出至少两个时间 维度；
[0013] 时间序列获取模块，用于获取划分出的每个时间维度的时间序列；所述获取的时 间序列为在当前时刻之前的一段时间序列；
[0014] 预测模型生成模块，用于根据所述获取的时间序列通过预测算法进行预测，根据 预测结果组成不同时间维度的预测组合，根据所述预测组合生成多维度时间划分预测模 型；
[0015] 预测模块，用于获取并根据当前时刻的真实时间序列值，通过所述多维度时间划 分预测模型预测在当前时刻之后的下一时刻的时间序列值，得到当前时刻之后的下一时刻 的预测时间序列值。
[0016] 实施本发明实施例，具有如下有益效果：
[0017] 通过对时间序列的时间粒度进行多维划分，组成不同时间维度的预测组合，生成 多维度时间划分预测模型，实现了在不同的时间维度上对时间序列进行预测，解决了现有 技术中时间序列在多维时间粒度上预测精度的问题，提高了业务预测的准确性，同时生成 的预测模型复杂度低，容易实现，可以满足实时预测的需求；另外还可以针对生成的预测模 型获取误差修正因子来修正预测时间序列值，从而不断地更新预测模型的参数，进一步提 高业务预测的准确性。
【附图说明】
[0018] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0019] 图1是本发明实施例提供的时间序列预测方法的流程示意图；
[0020] 图2是本发明提供的时间序列预测方法的另一实施例的流程示意图；
[0021] 图3是本发明提供的时间序列预测方法的另一实施例的流程示意图；
[0022] 图4是本发明提供的时间序列预测方法的另一实施例的流程示意图；
[0023] 图5是本发明实施例提供的对某网络业务的预测准确率趋势图；
[0024] 图6是本发明提供的时间序列预测系统的结构示意图；
[0025] 图7是本发明提供的时间序列预测系统的另一实施例的结构示意图；
[0026] 图8是本发明提供的时间序列预测系统的另一实施例的结构示意图；
[0027] 图9是本发明提供的时间序列预测系统的另一实施例的结构示意图；
[0028] 图10是本发明实施例提供的预测模型生成模块的结构示意图；
[0029] 图11是本发明提供的预测模型生成模块的另一实施例是结构示意图；
[0030] 图12是本发明提供的时间序列预测系统的另一实施例的结构示意图；
[0031] 图13是本发明提供的时间序列预测系统的另一实施例的结构示意图。
【具体实施方式】
[0032] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0033] 参见图1，是本发明实施例提供的时间序列预测方法的流程示意图，该方法包括：
[0034] 步骤S100 :对时间序列的时间粒度进行多维划分，划分出至少两个时间维度；
[0035] 具体地，时间序列的时间粒度可以包括季度、月份、星期、天、小时等等时间粒度， 艮P，步骤S100可以将时间序列的时间粒度进行多维划分，划分出月份和天两个时间维度， 或者划分出天和每天中第1个小时（即〇点到1点）两个时间维度，或者划分出月份、每月 份中第一个星期和每星期中第二天三个时间维度，等等，只要将时间粒度进行划分，划分出 至少两个时间维度即可。
[0036] 需要说明的是，本发明各个实施例中的时间序列可以为针对业务的时间序列，t匕 如某网络业务量的时间序列，或者某地方天气雨量的时间序列，或者某网站浏览点击量的 时间序列，等等，本发明各实施例中不做限定。
[0037] 步骤S102 :获取划分出的每个时间维度的时间序列；所述获取的时间序列为在当 前时刻之前的一段时间序列；
[0038] 具体地，当前时刻为t，那么获取的时间序列为当前时刻t之前的一段时间序列， 比如从t。到t-1时刻这段时间的时间序列，或者从tfn到t-m这段时间的时间序列，n和 m可以为自然数，只要to+n小于t-m,且t-m小于t即可；
[0039] 例如，步骤S100中划分出月份和天两个时间维度，那么可以获取从t。到t_l时刻 这段时间中，每个月的时间序列和每天的时间序列；又例如，步骤S100中划分出每天、每天 中工作日和每天中每小时三个时间维度，那么可以获取从t。到t-1时刻这段时间中，每天 的时间序列、每天中工作日的时间序列和每天中每小时的时间序列。
[0040] 步骤S104 :根据所述获取的时间序列通过预测算法进行预测，根据预测结果组成 不同时间维度的预测组合，根据所述预测组合生成多维度时间划分预测模型；
[0041] 具体地，对步骤S102中获取的时间序列可以通过回归模型，ARMA等预测算法进行 预测得出预测结果，根据预测结果组合出最优的时间维度得到预测组合，可理解的，预测组 合也可以为某个最优的时间维度；
[0042] 例如，根据预测结果获知使用每个星期的时间序列来预测每个月的时间序列值， 预测的准确率最高，那么使用每个星期这个时间维度来生成多维度时间划分预测模型；又 如，根据预测结果获知组合使用每天中工作日和该工作日中每小时的时间序列来预测每个 月的时间序列值，预测的准确率最高，那么组成每天中工作日和该工作日中每小时的预测 组合，然后根据该预测组合生成多维度时间划分预测模型；
[0043] 步骤S106 :获取并根据当前时刻的真实时间序列值，通过所述多维度时间划分预 测模型预测在当前时刻之后的下一时刻的时间序列值，得到当前时刻之后的下一时刻的预 测时间序列值。
[0044] 具体地，假如步骤S104中是使用每个星期这个时间维度来生成多维度时间划分 预测模型，那么获取当前时刻的真实时间序列值即获取当前这个星期的真实时间序列值， 然后通过该生成的多维度时间划分预测模型来预测当前这个星期之后的下一个星期的时 间序列值，得到预测时间序列值；
[0045] 又如，步骤S104中是使用每天中工作日和该工作日中每小时的预测组合生成多 维度时间划分预测模型，那么获取当前时刻的真实时间序列值即获取当