时间序列的预测方法和电子设备，及计算机存储介质与流程

1.本发明涉及数据处理领域，尤其涉及一种时间序列的预测方法和电子设备，及计算机存储介质。


背景技术：

2.目前，相关技术中各行业常通过对已有历史时间序列进行分析来一定程度上达到对未来长期或者短期的变化进行预测；如零售行业可以基于历史库存量和销售情况进行未来短期库存的需求预测，电力系统可以基于用户历史用电情况进行未来用电负荷的需求预测。
3.由于各行业普遍具有典型的多层级结构，那么时间序列的预测问题便成为针对多层级结构的时间序列预测，如零售行业的库存管理机制具有典型的多层级结构，各个零售区域网点的库存需求预测依赖于商店级的需求预测，总体库存的需求预测又依赖于各个零售区域网点的需求预测。鉴于此，如何保证多层级结构中各层级预测的准确性以及各层级之间预测的一致性成为关键。


技术实现要素：

4.为解决上述技术问题，本发明实施例期望提供一种时间序列的预测方法和电子设备，及计算机存储介质。
5.本发明的技术方案是这样实现的：
6.本发明实施例提供一种时间序列的预测方法，所述方法包括：
7.基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，所述目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，所述高层级为所述目标层级中除最底层级之外的其他层级；
8.根据所述历史时间序列、所述各层级在至少一个历史时间点的特征参数以及所述各层级在至少一个预测时间点的特征参数对所述最底层级在至少一个预测时间点的数据进行预测处理，得到所述最底层级的目标预测时间序列。
9.本发明实施例提供了一种电子设备，所述电子设备包括：
10.生成单元，用于基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，所述目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，所述高层级为所述目标层级中除最底层级之外的其他层级；
11.预测单元，用于根据所述历史时间序列、所述各层级在至少一个历史时间点的特征参数以及所述各层级在至少一个预测时间点的特征参数对所述最底层级在至少一个预测时间点的数据进行预测处理，得到所述最底层级的目标预测时间序列。
12.本发明实施例提供了一种电子设备，所述电子设备包括处理器、存储有所述处理器可执行指令的存储器，当所述指令被所述处理器执行时，实现如上所述的时间序列的预测方法。
13.本发明实施例提供一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现如上所述的时间序列的预测方法。
14.本发明实施例提供的时间序列的预测方法通过基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，高层级为目标层级中除最底层级之外的其他层级；根据历史时间序列、各层级在至少一个历史时间点的特征参数以及各层级在至少一个预测时间点的特征参数对最底层级在至少一个预测时间点的数据进行预测处理，得到最底层级的目标预测时间序列。如此，通过使用不同层级的有效信息进行时间序列的预测，在保证多层级结构中各层级预测的准确性的同时实现端到端的一致性预测结果输出。
附图说明
15.图1为示例性的零售行业库存管理层级结构；
16.图2为示例性的门店级的销售管理层级结构对应的时间序列；
17.图3为本发明实施例提供的时间序列的预测方法的实现流程示意图一；
18.图4为本发明实施例提出的时间序列的预测方法的实现流程示意图二；
19.图5为本发明实施例提供的时间序列的预测方法的实现流程示意图三；
20.图6为本发明实施例提供的时间序列的预测方法的实现流程示意图四；
21.图7为本发明实施例提供的时间序列的预测方法的实现流程示意图五；
22.图8为本技术实施例提出的时间序列的预测方法的场景架构示意图；
23.图9为本发明实施例提出的电子设备的结构示意图一；
24.图10为本发明实施例提出的电子设备的结构示意图二。
具体实施方式
25.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
26.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
27.在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
28.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
29.目前，相关技术中各行业常通过对已有历史时间序列进行分析来一定程度上达到对未来长期或者短期的变化进行预测；如零售行业可以基于历史库存量和销售情况进行未来短期库存的需求预测，电力系统可以基于用户历史用电情况进行未来用电负荷的需求预
测。
30.由于各行业普遍具有典型的多层级结构，那么时间序列的预测问题便成为针对多层级结构的时间序列预测，如零售行业的库存管理机制具有典型的多层级结构，图1为示例性的零售行业库存管理层级结构，如图1所示，该零售行业库存管理层级结构主要包括三层，最底层级结构为商店层级(商店1、商店2、商店3以及商店4)；中间层级结构为各个零售区域网点层级(网点1和网点2)；最高层级结构为总部中心层级。其中，基于图1所示的多层级结构可以看出，各个零售区域网点的库存需求预测依赖于商店级的需求预测，总体库存的需求预测又依赖于各个零售区域网点的需求预测，也就是说，高层级结构的相关数据依赖于底层级结构的相关数据，数据相互关联性较强。
31.另外，图2为示例性的门店级的销售管理层级结构对应的时间序列，如图2所示，该销售管理层级结构主要包括两层，最底层级结构为产品层级，即图2中的一体机(all in one，aio)、集成box、游戏机gming、平板电脑pad、think、二合一、常规本、游戏本、轻薄本各个类型电子产品；最高层级为门店层级即整个门店total所有电子产品；其中，整个门店电子产品总的销售量依赖于底层级各个类型电子产品分别的销售量。基于图2可知，多层级结构中的高层级门店层级与底层级各个产品层级其销售量的数据规律与值域都具有较大的差异，不利于实现时间序列一致性预测。
32.综上可见，多层级结构的时间序列预测具有较大的挑战性，针对此多层级结构，相关技术中提出了自下而上(bottom
‑
up)、自上而下(top
‑
down)以及中间向外(middle
‑
out)以及预测与后处理相结合的层级预测等时间序列预测解决方案。然而，针对第一种预测解决方案bottom
‑
up，由于底层级时间序列通常具有较高的稀疏性，且受噪声干扰程度大，自下而上的聚合方法往往无法得到准确的底层级预测结果，从而影响高层级的预测值；第二种预测解决方案top
‑
down，由于该方法则需要依据历史数据对顶层预测按比例拆分，当低层数据较为稀疏或者经过多层级拆分后，低层预测往往不准确，且该比例会随时间变化。并且上述三种解决方案目前都是在本质上实现了使用单层级数据进行单层时间序列的预测，然后按照一定的规则向其他层级扩展，数据具有较高的稀疏性使得时间序列预测结构不够准确。
33.另一方面，针对预测与后处理相结合的层级预测的解决方案，虽然这种解决方案使用到了不同层级中的有效信息，但是在实现全层级时间序列预测后，需要对预测结果进行修正以使各层级满足一致性的要求，这里修正的本质是对原有预测结果再次进行线性组合，其权值通过统计计算或者优化损失函数获得，使得时间序列的预测过程包含了预测和修正多个模块。
34.鉴于上述问题，如何在保证多层级结构中各层级预测的准确性的同时实现端到端的一致性预测结果输出，为本发明实施例所要讨论的内容，下面将结合以下具体实施例进行阐述。
35.本发明实施例提供一种时间序列的预测方法和电子设备，及计算机存储介质，基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，高层级为目标层级中除最底层级之外的其他层级；根据历史时间序列、各层级在至少一个历史时间点的特征参数以及各层级在至少一个预测时间点的特征参数对最底层级在至少一个预测时间
点的数据进行预测处理，得到最底层级的目标预测时间序列。如此，通过使用不同层级的有效信息进行时间序列的预测，在保证多层级结构中各层级预测的准确性的同时实现端到端的一致性预测结果输出。
36.本发明实施例提供的时间序列的预测方法应用于可实现时间序列的预测方法的电子设备中。下面说明本发明实施例提供的可实现时间序列的预测方法的电子设备的示例性应用，本发明实施例提供的三维包围框定标识的生成装置可以实施为手机、笔记本电脑，平板电脑，台式计算机，智能电视、车载设备、可穿戴设备、工业设备等，本技术对此不作具体限定。
37.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。
38.本发明一实施例提供了一种时间序列的预测方法，图3为本发明实施例提出的时间序列的预测方法的实现流程示意图一，如图3所示，在本发明的实施例中，执行时间序列的预测方法可以包括以下步骤：
39.s101、基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，高层级为目标层级中除最底层级之外的其他层级。
40.在本发明实施例中，可以先获取目标层级结构对应的历史时间序列。
41.可以理解的是，时间序列为按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周月等。比如通过统计每天商店某产品的销售数量形成了饼干销售数量对应的时间序列，这里可以通过统计历史周一至周五每天饼干的历史销售数量形成饼干销售数量的时间序列；或者通过统计每个月用户a的用电数据形成用户a用电数据对应的时间序列，这里可以统计前半年一月至六月每个月用户a的历史用电数据形成用户a用电数据的时间序列。
42.应理解，可以通过对这些时间序列的分析，从中发现和揭示数据发展变化的规律，如发现商店某种产品其销售数量变化的规律和用户a用电数据的变化规律。
43.需要说明的是，在本技术实施例中，目标层级结构可以为任意一种至少包括两层级的多层级结构，如图1所示的零售行业库存管理层级结构、电力行业用电(供电)管理层级结构等，本技术对此不作具体限定。
44.这里，目标层级结构中包括最底层级和除最底层级之外的其他至少一个高层级至少一个高层级；其中，在目标层级结构中，任一高层级的时间序列均由相邻下一层级与之关联的时间序列聚合而成。
45.如图1所示的零售行业库存管理层级结构，时间序列为历史周一至周五饼干的销售数量，高层级网点1在历史周一至周五饼干的销售数量的时间序列由相邻下一底层级的商店1和商店2在历史周一至周五饼干的销售数量的时间序列聚合而成，高层级网点2在历史周一至周五饼干的销售数量的时间序列，由相邻下一层级的商店3和商店4在历史周一至周五饼干的销售数量的时间序列聚合而成，进一步的，高层级总店中心在历史周一至周五饼干的销售数量的时间序列，由相邻下一层级网点1和网点2在历史周一至周五饼干的销售数量的时间序列聚合而成。
46.可见，利用最底层级的在至少一个历史时间点的数据按照目标层级结构对应的聚
合规则进行依次向上聚合，便可以得到整个目标层级结构中每一层级在相同至少一个历史时间点的数据，换言之，基于最底层级的时间序列按照目标层级结构对应的聚合规则依次向上聚合，便得到各高层级对应的时间序列，进而得到整个目标层级结构中每一层级的时间序列。
47.进一步的，在本技术的实施例中，在获得目标层级结构在历史时间段各层级的时间序列之后，可以进一步基于在历史时间段各层级的时间序列对目标层级结构在未来时间段的时间序列进行预测。
48.步骤102、根据历史时间序列、各层级在至少一个历史时间点的特征参数以及各层级在至少一个预测时间点的特征参数对最底层级在至少一个预测时间点的数据进行预测处理，得到最底层级的目标预测时间序列。
49.在本发明实施例中，基于目标层级结构在至少一个历史时间点的数据生成历史时间段的时间序列之后，可以进一步结合在同样的至少一个历史时间点的特征参数以及目标层级结构在未来时间段至少一个预测时间点的特征参数进行目标层级结构在未来时间段的时间序列的预测处理。
50.应理解，进行目标层级结构在未来时间段的预测时，有可能存在一些其他相关因素会对时间序列的预测产生一定影响，因此除了考虑到按照时间间隔排列的时间序列中存在的规律变化，还需要考虑历史时间段存在的不定的外在动态因素和固定的内在属性因素。
51.这里，不定的外在因素指随着时间变化的动态特征参数，由于动态特征参数只与时间有关，而目标层级结构每一层级对应相同的历史时间点，那么每一层级对应的动态特征参数都是相同的。固定的内在属性因素指不存时间变化的静态特征参数，由于静态特征参数与时间无关，只与分析对象本体属性相关，因此目标层级结构中每一层级所对应的分析对象是不同的，那么各层级的静态特征参数是存在差异的。
52.例如，零售行业库存管理层级结构中，时间序列为历史周一至周五每天的销售数量，这里，动态特征参数可以是周一至周五随着时间发生变化的参数，比如周三是节假日，周五是店庆等都是不定因素，每一层级结构中不论商店还是网点对应的动态时间参数都是同样的；静态特征参数可以是每一层级分析对象的地理位置，商店的店铺位置、网点的店铺位置以及总部中心的店铺位置都是不同的，即各层级的静态特征参数都是存在差异的。
53.需要说明的是，在时间序列上的各个时间点的数据，以及各个时间点动态特征参数以及静态特征参数之间是相关但是不关联的，只是同一时间点上的三种特性的因子，数据值、动态特征参数以及静态特征参数；并且在不知道数据值的前提下只要时间点是已知的，那么对应的动态特征参数和静态特征参数便可以提前得知。例如不知道周五饼干具体的销售数量的情况下，也可以提前知道周五是店庆日以及商店的位置在某某街道上。
54.应理解，进行目标层级结构在未来时间段的预测时，不仅要考虑历史时间段存在的不定的外在动态因素和固定的内在属性因素，还需要考虑需要预测的各个时间点的外在动态因素和固定的内在属性因素，也就是在至少一个预测时间点的特征参数，包括至少一个预测时间点的动态特征参数和静态特征参数。这里，在未来预测时间段的时间序列未知即预测时间段每一预测时间点上的数据值未知的情况下，该预测时间段每一预测时间点上的动态特征参数和静态特征参数是可以提前已知的。例如，预测周六周天饼干销售的时间
序列，各层级的静态特征参数是不变的可以提前得知，动态特征参数中可以知道周六周天是周末。
55.进一步的，获得历史时间段各层级的时间序列和与之相关的动态特征参数以及静态特征参数，以及预测时间段各层级的动态特征参数以及静态特征参数之后，便可以结合这些参数对未来预测时间段的底层级的时间序列进行预测。
56.可见，本技术是将各层级的时间序列以及相关动态特征参数以及静态特征参数进行结合构造输入数据集以进行底层级时间序列的预测，也就是利用多层级的有效信息更好的优化底层级时间序列的预测，克服了数据的稀疏性，可以更好地结合层级结构之间数据的关联性以及各层级数据之中的有用信息进行准确的时间序列的预测处理；同时本技术对时间序列的预测无需进行后续预测结果的修正，无需独立的预测模块和修正模块，实现预测结果的端对端输出。
57.本发明实施例提供一种时间序列的预测方法，可以基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，高层级为目标层级中除最底层级之外的其他层级；根据历史时间序列、各层级在至少一个历史时间点的特征参数以及各层级在至少一个预测时间点的特征参数对最底层级在至少一个预测时间点的数据进行预测处理，得到最底层级的目标预测时间序列。如此，通过使用不同层级的有效信息进行时间序列的预测，在保证多层级结构中各层级预测的准确性的同时实现端到端的一致性预测结果输出。
58.在本技术的再一实施例中，图4为本技术实施例提出的时间序列预测方法的实现流程示意图二，如图4所示，在根据历史时间序列、各层级在至少一个历史时间点的特征参数以及各层级在至少一个预测时间点的特征参数对最底层级在至少一个预测时间点的数据进行预测处理，得到最底层级的目标预测时间序列之后，即步骤102之后，执行时间序列预测的方法还包括以下步骤：
59.步骤103、基于预设层级聚合规则和最底层级的目标预测时间序列进行时间序列聚合处理，得到目标层级结构中各高层级的目标预测时间序列。
60.需要说明的是，在本技术的实施例中，预设层级聚合规则指目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到。
61.具体的，在预测得到目标层级结构中最底层级的时间序列即目标预测时间序列之后，可以按照层级结构依次向上进行聚合，便可以依次得到各高层级的时间序列，直至得到目标层级结构中各个层级的预测时间序列。
62.例如，经步骤101至步骤102得到最底层级的预测时间序列为商店1至商店4各个商店未来周六周日两天的饼干销售数量的时间序列，那么可以对商店1和商店2底层级的饼干销售数量的时间序列进行聚合，便可以得到网点1未来周六周日两天的饼干销售数量的时间序列；对商店3和商店4底层级的饼干销售数量的时间序列进行聚合，便可以得到网点2未来周六周日两天的饼干销售数量的时间序列；继续依次向上对网点1和网点2中间层级的饼干销售数量的时间序列进行聚合，便可以得到总部中心未来周六周日两天的饼干销售数量的时间序列。
63.可见，在本技术实施例中，基于利用多层级有效信息准确预测底层级时间序列，然后按照层级结构进行聚合，便可得到层级结构中各层级的时间序列，实现了全部层级结构
一致性的预测结果。
64.基于上述实施例，在本发明的在一实施例中，图5为本发明实施例提出的时间序列的预测方法的实现流程示意图三，如图5所示，根据历史时间序列、各层级在至少一个历史时间点的特征参数以及各层级在至少一个预测时间点的特征参数对最底层级在至少一个预测时间点的数据进行预测处理，得到最底层级的目标预测时间序列的方法包括以下步骤：
65.步骤201、根据历史时间序列和各层级在至少一个历史时间点的特征参数构造第一输入向量，并对第一输入向量进行特征提取，得到第一特征向量。
66.在本技术实施例中，在进行时间序列的预测过程中，可以先利用目标层级结构中每一层级的历史时间序列以及与之相关的动态特征参数、静态特征参数构建输入数据集，也就是第一输入向量；进一步的，可以对该第一输入向量进行特征提取，提取出用于进行未来时间段时间序列预测的有效信息即第一特征向量。
67.在一些实施例中，可以通过构建神经网络模型来进行特征提取。目标预测网络模型指通过深度学习构建出的具备层级预测功能的神经网络模型，可以通过该目标预测网络模型进行特征提取以获取特征向量。可选的，目标预测网络模型可以为包括编码网络模块和解码网络模块的编码器
‑
解码器(encoder
‑
decoder)结构的网络模型，也可以为采用与encoder
‑
decoder类似架构的其他模型。
68.具体的，在本技术的实施例中，可以先将利用各层级历史时间序列和与之相关的动态特征参数以及静态特征参数构建的第一输入向量输入目标预测网络模型中的编码网络进行编码处理(包括压缩以及转换)以实现特征提取，进而输出与历史时间序列对应的语义向量即第一特征向量。
69.步骤202、根据第一特征向量和各层级在至少一个预测时间点的特征参数构建第二输入向量。
70.步骤203、根据第二输入向量对最底层级在至少一个预测时间点的数据进行预测处理，得到最底层级的目标预测时间序列。
71.在本技术的实施例中，在经对第一输入向量进行特征提取获得第一特征向量之后，可以利用第一特征向量和未来时间段各层级在每一预测时间点的特征参数构建第二输入向量，然后基于第二输入向量实现对目标层级结构中最底层级时间序列的预测。
72.在一些实施例中，可以通过该目标预测网络模型中的解码网络模块进行预测处理以获取底层级的时间序列。
73.具体的，在本技术的实施例中，可以将利用第一特征向量和各层级在每一预测时间点的动态特征参数以及静态特征参数够构造的第二输入向量输入目标预测网络模型中的解码网络进行解码处理以实现预测，这里，解码网络可以基于上述编码网络生成的历史时间序列对应的语义向量以及特征参数生成指定的序列，即直接输出最底层级的目标预测时间序列。
74.可见，在本技术实施例中，可以通过构建encoder
‑
decoder结构的可以实现层级预测的神经网络模型，从各层级的历史时间序列以及特征参数中提取不同层级的有效信息进行层级时间序列的预测，在保证多层级结构中各层级预测的准确性的同时实现端到端的一致性预测结果输出。
75.其中，图6为本发明实施例提出的时间序列的预测方法的实现流程示意图四，如图6所示，训练目标预测网络模型的方法包括以下步骤：
76.步骤301、构建训练样本数据集；其中，训练样本数据集包括预设时间段基于目标层级结构中各层级在多个时间点的数据生成的时间序列样本数据，以及目标层级结构中各层级在多个时间点的特征参数样本数据。
77.应理解，若要使用神经网络模型进行层级预测，首先需要进行神经网络模型的构建。
78.具体的，首先需要构建针对层级预测神经网络模型的训练样本数据集。该训练样本数据集主要包括已知的目标层级结构在一段时间内各层级的时间序列，即基于各层级在多个时间点的数据生成的时间序列样本数据；以及该一段时间各层级的特征参数，也就是与时间序列对应相同的各时间点上的特征参数。
79.步骤302、基于预测周期和预测时间长度对训练样本数据集进行划分处理，得到至少一批训练数据子集。
80.可以理解的是，在实际模型训练中，需要对训练样本数据集按批次进行划分，并按批次输入神经网络模型以进行多批次的模型训练过程。在本技术的实施例中，可以按照周期和长度对训练样本数据集进行多批次的划分，以得到多批次的训练数据子集。
81.需要说明的是，在基于历史时间段的时间序列进行未来时间段时间序列的预测过程中，历史时间段与未来时间段的时间和值即为一个时间周期即预测周期；例如利用一周中周一至周五饼干销售数量的历史时间序列去预测未来周六和周日两天饼干销售数量的时间序列，那么预测周期即为7天，对应的，预测时间长度即为2天。
82.具体的，图7为本技术实施例提出的时间序列的预测方法的实现流程示意图五，如图7所示，基于预测周期和预测时间长度进行训练数据子集的划分的方法具体包括：
83.步骤302a、根据预测周期确定目标滑动窗口，并利用目标滑动窗口对训练样本数据集按照时间先后顺序进行滚动切分，得到对应相同周期的多组样本数据子集。
84.步骤302b、针对任一组样本数据子集，按照预测时间长度进行时间划分处理，得到至少一个历史时间点的训练数据和至少一个预测时间点的训练数据；其中，至少一个预测时间点的训练数据对应的时间长度与预测时间长度相同。
85.步骤302c、基于至少一个历史时间点的训练数据和至少一个预测时间点的训练数据构成一批训练数据子集。
86.在本技术的实施例中，可以先基于预测周期先确定出固定长度的目标滑动窗口，如一周七天，然后利用该滑动窗口按照训练样本数据集时间由先到后的顺依次对全部层级的时间序列进行滚动切分，得到多组周期相同的样本数据子集。
87.进一步的，针对任意一组周期样本数据子集，根据预测时间长度将每一组样本数据子集分为训练用的历史数据集和训练用的预测数据集，其中，训练用的历史数据集包括作为至少一个历史时间点的训练数据以及特征参数，训练用的预测数据集包括作为至少一个预测时间点的训练数据以及特征参数。例如一周7天为一个样本数据子集，周一至周五每天作为历史时间点，其数据值以及特征参数构成训练用历史数据集，周六和周天两天作为预测时间点，其数据值和特征参数构成训练用预测数据集。
88.如此，通过对任意一组周期样本数据子集，基于预测时间长度进行划分为训练用
历史时间序列以及训练用预测时间序列，便得到任意一组用于进行层级预测网络模型训练的任意一批训练数据子集。
89.步骤303、针对每一批训练数据子集，基于训练数据子集经预测网络模型的输出结果计算时间序列的预测损失值；其中，预测损失值包括目标层级结构中各层级时间序列的预测损失值。
90.在本技术的实施例中，在得到任意一批训练数据子集之后，便可分批次的将训练数据子集输入初始层级预测神经网络模型进行训练，结合目标损失函数计算模型输出预测结果的损失值以进行模型参数的调整。
91.需要说明的是，在本技术的实施例中，进行层级预测网络模型的训练时，所使用的目标损失函数同时对各个层级的时间序列预测结果的误差进行约束，即在进行模型参数的调整时，需要考虑目标层级结构中各层级的预测结果损失值。模型训练时所采用的目标损失函数如下所示：
[0092][0093]
其中，公式(1)中，对于预测时刻t，第n个底层级时间序列的预测结果为对应的真实值为第m个高层级时间序列预测结果为对应的真实值为
[0094]
可以看到，损失函数中既包含了n条底层时间序列的预测误差，还包含了m个层级之间的约束，因此能够同时使用不同层级的有效信息，实现一致性的层级预测。
[0095]
具体的，层级预测网络模型的训练过程包括以下步骤：
[0096]
步骤303a、针对每一批训练数据子集，基于至少一个历史时间点的训练数据构造第一训练输入向量，并将第一训练输入向量输入预测网络模型中的编码网络，得到第一训练特征向量。
[0097]
步骤303b、基于第一训练特征向量和至少一个预测时间点的训练数据中的特征参数样本数据构造第二训练输入向量，并将第二训练输入向量输入预测网络模型中的解码网络，得到最底层级的预测时间序列。
[0098]
应理解，模型的训练过程与模型的应用过程同理，因此步骤303a至步骤303b的训练过程与步骤201至步骤203，此处不再赘述。
[0099]
步骤303c、根据最底层级的预测时间序列和预设层级聚合规则确定各高层级的预测时间序列；
[0100]
步骤303d、计算最底层级的预测时间序列与至少一个预测时间点的训练数据中最底层级的时间序列样本数据之间的第一预测损失值，以及计算各高层级的预测时间序列与至少一个预测时间点的训练数据中各高层级的时间序列样本数据之间的第二预测损失值。
[0101]
具体的，在本技术的实施例中，在层级预测网络模型的训练过程中，每利用一批训练数据子集输入其模型得到最底层级时间序列的预测结果之后，需要先基于目标层级结构之间的约束关系，换言之按照预设聚合规则依次向上进行聚合以获得各个层级的时间序列预测结果。
[0102]
这里，预测损失值指将各个层级的预测结果与训练用的预测数据集中各个层级的时间序列进行比较确定预测值与真值之间的误差，进而得到的预测网络模型对应的预测损失值；该预测损失值包括计算最底层级的预测时间序列与至少一个预测时间点的训练数据
中最底层级的时间序列样本数据之间的第一预测损失值，以及计算其他每一高层级的预测时间序列与至少一个预测时间点的训练数据中每一高层级的时间序列样本数据之间的第二预测损失值。
[0103]
步骤304、基于预测损失值对预测网络模型的模型参数进行更新调整，直至预测损失值小于预设阈值。
[0104]
在本技术的实施例中，通过计算各层级预测结果的误差确定层级预测网络模型对应的预测损失值，并利用该损失值对该模型的模型参数进行相应的校对调整，直至预测损失值逐渐收敛且小于预设阈值，便可以得到计算精度高且层级预测结果准确的高精度目标预测网络模型。
[0105]
可见，在本技术的实施例中，在构建训练层级预测网络模型的过程中，不仅在训练时应用到各层级的历史时间序列以及特征参数，而且在模型训练过程中考虑目标层级结构中各层级之间的约束关系，最终实现了高精度的多层级结构上时间序列的预测。
[0106]
基于上述实施例，在本技术的实施例中，图8为本技术实施例提出的时间序列的预测方法的场景架构示意图，如图8所示，针对特定的时间序列预测问题，如饼干销售数量的预测，首先构建其整体的层级结构，底层级为商店1至商店4即b1至b4的销售数量，中间层级为网点1至网点2即a1至a2的销售数量，最高层级为总部中心a3的销售数量，共有4条底层时间序列(b1，b2，b3，b4)，整体结构中含有3个高层级(a1，a2，a3)。基于固定长度的滑动窗口对全部层级的时间序列进行滚动切分，其中窗的尺寸可以为一周7天，进一步的，假设预测长度为周六周日2天，则将窗口对应的一周7天数据分为两组，第一组数据为周一至周五5天(t1至t5)的数据，第二组数据为周六周日两天(t6至t7)的数据，即层级预测模型编码网络部分输入长度为(t1至t5)，而解码网络部分输入长度与预测长度相同即(t6至t7)。
[0107]
这里除了每一天的数据值之外，还需要获取时间序列相关的特征，包括每一天的动态特征参数以及静态特征参数。然后基于(t1至t5)的数据值生成的历史时间序列以及(t1至t5)相关的动态特征参数和静态特征参数构建输入向量输入层级预测网络模型中的encoder部分进行编码处理，得到用于进行预测的语义特征向量；之后将得到的语义特征向量与(t6至t7)的动态特征参数以及静态特征参数输入层级预测网络模型中的decoder部分进行语义特征向量的解码处理，便可以输出得到最底层级b1至b4在(t6至t7)的时间序列，即格纹填充的部分，进而基于最底层级(t6至t7)的时间序列以及层级结构之间的约束关系按照预设聚合规则，依次向上聚合便得到a1、a2以及a3各高层级在(t6至t7)的时间序列即无填充部分。
[0108]
可见在本技术的实施例中，基于利用多层级有效信息准确预测底层级时间序列，然后按照层级结构进行聚合，便可得到层级结构中各层级的时间序列，实现了全部层级结构一致性且准确性的端对端预测结果的输出。
[0109]
基于上述实施例，在本发明的在一实施例中，图9为本发明实施例提出的电子设备的结构示意图一，如图9所示，所述电子设备包括生成单元11、预测单元12、聚合单元13、模型训练单元14，
[0110]
所述生成单元11，用于基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，所述目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，所述高层级为所述目标层级中除最底层级之外的其他层级；
[0111]
所述预测单元12，用于根据所述历史时间序列、所述各层级在至少一个历史时间点的特征参数以及所述各层级在至少一个预测时间点的特征参数对所述最底层级在至少一个预测时间点的数据进行预测处理，得到所述最底层级的目标预测时间序列。
[0112]
在一些实施例中，所述聚合单元13，用于基于预设层级聚合规则和所述最底层级的目标预测时间序列进行时间序列聚合处理，得到所述目标层级结构中各高层级的目标预测时间序列。
[0113]
在一些实施例中，所述特征参数包括随时间变化而不随层级变化的动态特征参数和不随时间变化而随层级变化的静态特征参数；其中，同一层级不同时间点的动态特征参数不同且静态特征参数相同，不同层级同一时间点的动态特征参数相同且静态特征参数不相同。
[0114]
在一些实施例中，所述预测单元12具体用于根据所述历史时间序列和所述各层级在至少一个历史时间点的特征参数构造第一输入向量；以及对所述第一输入向量进行特征提取，得到第一特征向量；以及根据所述第一特征向量和所述各层级在至少一个预测时间点的特征参数构建第二输入向量；以及根据所述第二输入向量对所述最底层级在至少一个预测时间点的数据进行预测处理，得到所述最底层级的目标预测时间序列。
[0115]
在一些实施例中，所述预测单元12，还具体用于所述第一输入向量输入目标预测网络模型中的编码网络，输出所述第一特征向量；以及将所述第二输入向量输入所述目标预测网络模型中的解码网络，输出所述最底层级的目标预测时间序列。
[0116]
在一些实施例中，所述模型训练单元14，用于构建训练样本数据集；其中，所述训练样本数据集包括预设时间段基于所述目标层级结构中各层级在多个时间点的数据生成的时间序列样本数据，以及所述目标层级结构中各层级在多个时间点的特征参数样本数据；以及基于预测周期和预测时间长度对所述训练样本数据集进行划分处理，得到至少一批训练数据子集；以及针对每一批所述训练数据子集，基于所述训练数据子集经预测网络模型的输出结果计算时间序列的预测损失值；其中，所述预测损失值包括所述目标层级结构中各层级时间序列的预测损失值；以及基于所述预测损失值对所述预测网络模型的模型参数进行更新调整，直至所述预测损失值小于预设阈值。
[0117]
在一些实施例中，所述模型训练单元14，具体用于根据所述预测周期确定目标滑动窗口，并利用所述目标滑动窗口对所述训练样本数据集按照时间先后顺序进行滚动切分，得到对应相同周期的多组样本数据子集；以及针对任一组样本数据子集，按照所述预测时间长度进行时间划分处理，得到至少一个历史时间点的训练数据和至少一个预测时间点的训练数据；其中，所述至少一个预测时间点的训练数据对应的时间长度与所述预测时间长度相同；以及基于所述至少一个历史时间点的训练数据和所述至少一个预测时间点的训练数据构成一批所述训练数据子集。
[0118]
在一些实施例中，所述模型训练单元14，还具体用于针对每一批所述训练数据子集，基于所述至少一个历史时间点的训练数据构造第一训练输入向量，并将所述第一训练输入向量输入所述预测网络模型中的编码网络，得到第一训练特征向量；以及基于所述第一训练特征向量和所述至少一个预测时间点的训练数据中的特征参数样本数据构造第二训练输入向量，并将所述第二训练输入向量输入所述预测网络模型中的解码网络，得到所述最底层级的预测时间序列；以及根据所述最底层级的预测时间序列和所述预设层级聚合
规则确定所述各高层级的预测时间序列；以及计算所述最底层级的预测时间序列与所述至少一个预测时间点的训练数据中最底层级的时间序列样本数据之间的第一预测损失值，以及计算所述各高层级的预测时间序列与所述至少一个预测时间点的训练数据中各高层级的时间序列样本数据之间的第二预测损失值。
[0119]
在本发明的实施例中，进一步地，图10为本发明提出的时间序列的预测装置的组成结构示意图二，如图10所示，本发明实施例提出的电子设备设备10还可以包括处理器15、存储有处理器15可执行指令的存储器16，进一步地，时间序列的预测装置10还可以包括通信接口17，和用于连接处理器15、存储器16以及通信接口17的总线18。
[0120]
在本发明的实施例中，上述处理器15可以为特定用途集成电路(application specific integrated circuit，asic)、数字信号处理器(digital signal processor，dsp)、数字信号处理装置(digital signal processing device，dspd)、可编程逻辑装置(programmable logic device，pld)、现场可编程门阵列(field programmable gate array，fpga)、中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本发明实施例不作具体限定。时间序列的预测装置10还可以包括存储器16，该存储器16可以与处理器15连接，其中，存储器16用于存储可执行程序代码，该程序代码包括计算机操作指令，存储器16可能包含高速ram存储器，也可能还包括非易失性存储器，例如，至少两个磁盘存储器。
[0121]
在本发明的实施例中，总线18用于连接通信接口17、处理器15以及存储器16以及这些器件之间的相互通信。
[0122]
在本发明的实施例中，存储器16，用于存储指令和数据。
[0123]
进一步地，在本发明的实施例中，上述处理器15，用于基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，所述目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，所述高层级为所述目标层级中除最底层级之外的其他层级；根据所述历史时间序列、所述各层级在至少一个历史时间点的特征参数以及所述各层级在至少一个预测时间点的特征参数对所述最底层级在至少一个预测时间点的数据进行预测处理，得到所述最底层级的目标预测时间序列。
[0124]
在实际应用中，上述存储器16可以是易失性存储器(volatile memory)，例如随机存取存储器(random
‑
access memory，ram)；或者非易失性存储器(non
‑
volatile memory)，例如只读存储器(read
‑
only memory，rom)，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid
‑
state drive，ssd)；或者上述种类的存储器的组合，并向处理器15提供指令和数据。
[0125]
另外，在本实施例中的各功能模块可以集成在一个推荐单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0126]
集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计
算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0127]
本发明实施例提供了一种进行时间序列预测的电子设备，该电子设备通过基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，高层级为目标层级中除最底层级之外的其他层级；根据历史时间序列、各层级在至少一个历史时间点的特征参数以及各层级在至少一个预测时间点的特征参数对最底层级在至少一个预测时间点的数据进行预测处理，得到最底层级的目标预测时间序列。如此，通过使用不同层级的有效信息进行时间序列的预测，在保证多层级结构中各层级预测的准确性的同时实现端到端的一致性预测结果输出。
[0128]
本发明实施例提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上所述的时间序列的预测方法。
[0129]
具体来讲，本实施例中的一种时间序列的预测方法对应的程序指令可以被存储在光盘，硬盘，u盘等存储介质上，当存储介质中的与一种时间序列的预测方法对应的程序指令被一电子设备读取或被执行时，包括如下步骤：
[0130]
基于目标层级结构中各层级在至少一个历史时间点的数据生成历史时间序列；其中，所述目标层级结构中的任一高层级的时间序列均由相邻下一层级的时间序列聚合得到，所述高层级为所述目标层级中除最底层级之外的其他层级；
[0131]
根据所述历史时间序列、所述各层级在至少一个历史时间点的特征参数以及所述各层级在至少一个预测时间点的特征参数对所述最底层级在至少一个预测时间点的数据进行预测处理，得到所述最底层级的目标预测时间序列。
[0132]
相应地，本发明实施例再提供一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，该计算机可执行指令用于实现本发明实施例提供的时间序列的预测方法中的步骤。
[0133]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0134]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的实现流程示意图和/或方框图来描述的。应理解可由计算机程序指令实现流程示意图和/或方框图中的每一流程和/或方框、以及实现流程示意图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0135]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0136]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0137]
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。