，实施本发明实施例，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。
[0171] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以 通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质 中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁 碟、光盘、只读存储记忆体（Read-OnlyMemory,ROM)或随机存储记忆体（RandomAccess Memory，RAM)等。
[0172] 以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范 围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
【主权项】
1. 一种时间序列预测方法，其特征在于，包括： 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； 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； 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； 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。2. 如权利要求1所述的方法，其特征在于，所述对时间序列的时间粒度进行多维划分 之前，还包括： 针对业务实时生成时间序列，并存储不同时间粒度对应的时间序列。3. 如权利要求2所述的方法，其特征在于，所述存储的时间序列包括第一时间粒度的 时间序列，以及第二时间粒度的时间序列；其中 在同一时段中，当所述第一时间粒度中至少两个时间单元的时长之和等于所述第二时 间粒度中的一个时间单元的时长，则所述第一时间粒度中至少两个时间单元对应的真实时 间序列值之和等于所述第二时间粒度中的一个时间单元对应的真实时间序列值。4. 如权利要求1所述的方法，其特征在于，所述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包括： 对时间序列的时间粒度进行划分，划分出至少两级时间粒度；并根据划分出的每级时 间粒度的粒度特性进行划分，划分出每级时间粒度对应的第一时间维度； 所述获取划分出的每个时间维度的时间序列包括： 获取划分出的每级时间粒度的时间序列，以及获取所述每级时间粒度对应的第一时间 维度的时间序列。5. 如权利要求4所述的方法，其特征在于，所述根据划分出的每级时间粒度的粒度特 性进行划分，划分出每级时间粒度对应的第一时间维度之后，还包括： 根据所述第一时间维度的维度特性进行划分，划分出所述每级时间粒度对应的第二时 间维度； 所述获取划分出的每个时间维度的时间序列还包括： 获取所述每级时间粒度对应的第二时间维度的时间序列。6. 如权利要求4所述的方法，其特征在于，所述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 时间划分预测模型包括： 根据所述获取的时间序列通过预测算法进行预测，得到第一预测结果； 根据所述第一预测结果，从划分出的每级时间粒度及其对应的第一时间维度中组合出 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。7. 如权利要求5所述的方法，其特征在于，所述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 时间划分预测模型包括： 根据所述获取的时间序列通过预测算法进行预测，得到第一预测结果； 根据所述第一预测结果，从划分出的每级时间粒度及其对应的第一时间维度中，或从 划分出的每级时间粒度及其对应的第二时间维度中，组合出预测组合； 根据所述预测组合生成多维度时间划分预测模型。8. 如权利要求1-7任一项所述的方法，其特征在于，所述根据所述预测组合生成多维 度时间划分预测模型之后，还包括： 获取当前时刻的误差修正因子，所述误差修正因子为通过计算当前时刻的预测时间序 列值与真实时间序列值的误差而得出的误差修正因子；所述当前时刻的预测时间序列值为 根据当前时刻之前的上一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 在当前时刻的时间序列值而得到的预测时间序列值； 所述得到当前时刻之后的下一时刻的预测时间序列值之后，还包括： 根据所述误差修正因子修正所述当前时刻之后的下一时刻的预测时间序列值。9. 一种时间序列预测系统，其特征在于，包括： 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； 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； 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； 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。10. 如权利要求9所述的系统，其特征在于，还包括： 生成存储模块，用于在所述多维划分模块对时间序列的时间粒度进行多维划分之前， 针对业务实时生成时间序列，并存储不同时间粒度对应的时间序列。11. 如权利要求10所述的系统，其特征在于，所述存储的时间序列包括第一时间粒度 的时间序列，以及第二时间粒度的时间序列；其中 在同一时段中，当所述第一时间粒度中至少两个时间单元的时长之和等于所述第二时 间粒度中的一个时间单元的时长，则所述第一时间粒度中至少两个时间单元对应的真实时 间序列值之和等于所述第二时间粒度中的一个时间单元对应的真实时间序列值。12. 如权利要求9所述的系统，其特征在于，所述多维划分模块包括： 第一划分单元，用于对时间序列的时间粒度进行划分，划分出至少两级时间粒度； 第二划分单元，用于根据划分出的每级时间粒度的粒度特性进行划分，划分出每级时 间粒度对应的第一时间维度； 所述时间序列获取模块包括： 第一获取单元，用于获取划分出的每级时间粒度的时间序列； 第二获取单元，用于获取所述每级时间粒度对应的第一时间维度的时间序列。13. 如权利要求12所述的系统，其特征在于，所述多维划分模块还包括： 第三划分单元，用于在所述第二划分单元根据划分出的每级时间粒度的粒度特性进行 划分，划分出每级时间粒度对应的第一时间维度之后，根据所述第一时间维度的维度特性 进行划分，划分出所述每级时间粒度对应的第二时间维度； 所述时间序列获取模块还包括： 第三获取单元，用于获取所述每级时间粒度对应的第二时间维度的时间序列。14. 如权利要求12所述的系统，其特征在于，所述预测模型生成模块包括： 第一预测单元，用于根据所述获取的时间序列通过预测算法进行预测，得到第一预测 结果； 第一预测组合单元，用于根据所述第一预测结果，从划分出的每级时间粒度及其对应 的第一时间维度中组合出预测组合； 第一模型生成单元，用于根据所述预测组合生成多维度时间划分预测模型。15. 如权利要求13所述的系统，其特征在于，所述预测模型生成模块包括： 第二预测单元，用于根据所述获取的时间序列通过预测算法进行预测，得到第一预测 结果； 第二预测组合单元，用于根据所述第一预测结果，从划分出的每级时间粒度及其对应 的第一时间维度中，或从划分出的每级时间粒度及其对应的第二时间维度中，组合出预测 组合； 第二模型生成单元，用于根据所述预测组合生成多维度时间划分预测模型。16. 如权利要求10-15任一项所述的系统，其特征在于，还包括： 修正因子获取模块，用于在所述预测模型生成模块生成多维度时间划分预测模型之 后，获取当前时刻的误差修正因子，所述误差修正因子为通过计算当前时刻的预测时间序 列值与真实时间序列值的误差而得出的误差修正因子；所述当前时刻的预测时间序列值为 根据当前时刻之前的上一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 在当前时刻的时间序列值而得到的预测时间序列值； 预测修正模块，用于在所述预测模块得到当前时刻之后的下一时刻的预测时间序列值 之后，根据所述误差修正因子修正所述当前时刻之后的下一时刻的预测时间序列值。
【专利摘要】本发明实施例公开了时间序列预测方法，包括：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；获取划分出的每个时间维度的时间序列；获取的时间序列为在当前时刻之前的一段时间序列；根据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，根据预测组合生成多维度时间划分预测模型；获取并根据当前时刻的真实时间序列值，通过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；采用本发明，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。
【IPC分类】G06F19/00
【公开号】CN105205297
【申请号】CN201410261902
【发明人】杨凡, 黄立
【申请人】腾讯科技（深圳）有限公司
【公开日】2015年12月30日
【申请日】2014年6月12日