一种时序预测方法和系统与流程

本技术涉及时序预测，特别是涉及一种时序预测方法和系统。

背景技术：

1、商业智能bi系统在企业决策和市场分析中起到至关重要的作用。时序预测是其中的重要功能之一，通过对现有历史数据的分析和学习，可以预测未来一段时大多没有时序间的趋势，为企业提供更加合理的决策支持。然而现有的bi系统中的预测功能，就算有也是多为基于统计模型的方法，缺乏对复杂时序关系的深入挖掘。

2、现有bi系统的预测结果高度依赖于输入数据的质量和一致性。如果输入数据存在缺失、错误或不一致等问题，可能会对预测结果产生严重影响。因此，确保数据的高质量和一致性对于提高预测准确性至关重要。现有bi系统的时序预测通常需要处理大量的时间序列数据，这可能导致数据处理过程较为耗时。对于需要实时决策的场景，如果系统无法在合理的时间范围内生成准确的预测结果，可能会导致决策的延迟或不准确性。

技术实现思路

1、本技术提供一种时序预测方法和系统，旨在解决现有bi系统的预测结果高度依赖于输入数据的质量和一致性，以及现有时序预测数据处理过程较为耗时的问题。

2、第一方面，一种时序预测方法，所述方法包括：

3、收集并存储实时数据；

4、对存储的实时数据进行预处理和特征提取；

5、定义lstm网络结构，并初始化lstm模型参数，定义损失函数，通过反向传播算法和优化方法更新lstm模型参数，将实时数据特征输入lstm模型并重复训练过程得到训练好的lstm模型，并使用所述训练好的lstm模型进行时序预测；

6、定义rnn网络结构，并初始化rnn模型参数，定义损失函数，通过反向传播算法和优化方法更新rnn模型参数，将实时数据特征输入rnn模型并重复训练过程得到训练好的rnn模型，在所述rnn模型顶部添加一个共享隐藏层，所述共享隐藏层接收来自所述lstm模型和所述rnn模型的输出，通过所述共享隐藏层的输出进行时序数据的预测；

7、将待预测数据按照时间窗口大小切分成多个序列，将每个序列分别输入所述训练好的lstm模型和所述训练好的rnn模型，获取所述共享隐藏层的输出，得到下一时刻的预测结果，并将所述预测结果与实际数据进行对比，根据对比结果调整优化模型参数；

8、将所述共享隐藏层的预测结果数据进行可视化展示。

9、上述方案中，可选地，所述收集并存储实时数据中，所述实时数据包括销售数据和用户行为数据，所述实时数据来自数据库或传感器。

10、上述方案中，可选地，所述对存储的实时数据进行预处理和特征提取具体包括：对所述实时数据进行数据清洗、数据转换和填充缺失值操作，得到处理后的数据，并提取所述处理后的数据特征，得到实时数据特征值。

11、上述方案中，可选地，所述对所述实时数据进行数据清洗、数据转换和填充缺失值操作具体为：

12、数据清洗包括去除异常值、纠正错误数据，数据转换包括将数据转换为模型所需的格式，填充缺失值为根据数据的缺失情况选择填充缺失值的策略，所述填充缺失值的策略包括使用均值或中位数填充。

13、上述方案中，可选地，所述定义lstm网络结构，并初始化lstm模型参数，定义损失函数，通过反向传播算法和优化方法更新lstm模型参数，将实时数据特征输入lstm模型并重复训练过程得到训练好的lstm模型，具体为：

14、定义lstm网络结构包括输入层、隐藏层和输出层，所述隐藏层中的记忆单元和门控机制捕捉时间序列数据中的长期依赖关系；

15、初始化lstm模型参数包括权重和偏置；

16、定义损失函数，包括定义均方误差，用于衡量模型预测结果与实际数据之间的差异；

17、通过反向传播算法和优化方法更新模型参数包括随机梯度下降，减小损失函数，提高模型的预测准确性；

18、将实时数据特征输入lstm模型并重复训练过程包括将所述实时数据特征输入lstm模型训练，直到达到预定的训练次数或满足收敛条件再停止训练得到训练好的lstm模型；

19、使用训练好的lstm模型进行时序预测，根据输入的历史数据预测未来的趋势和数值。

20、上述方案中，可选地，所述定义rnn网络结构，并初始化rnn模型参数，定义损失函数，通过反向传播算法和优化方法更新rnn模型参数，根据实时数据特征重复训练过程得到训练好的rnn模型，具体为：选择合适的rnn层数、隐藏层大小参数，并初始化模型的权重和偏置；

21、选择适当的损失函数，衡量预测结果与实际数据之间的差异；

22、通过反向传播算法和优化方法更新模型参数，减小损失函数的值；

23、将清洗、转换和特征提取后的实时特征数据输入rnn模型，按照一定的训练次数或收敛条件进行多次迭代训练。

24、上述方案中，可选地，所述根据对比结果调整优化模型参数，具体为：所述根据对比结果调整优化模型参数包括调整网络结构、调整超参数、增加训练数据量和应用正则化技术。

25、第二方面，一种时序预测系统，所述系统包括：

26、数据存储模块：用于收集并存储实时数据；

27、数据加工模块：用于对存储的实时数据进行预处理和特征提取；

28、第一时序预测模块：用于定义lstm网络结构，并初始化lstm模型参数，定义损失函数，通过反向传播算法和优化方法更新lstm模型参数，将实时数据特征输入lstm模型并重复训练过程得到训练好的lstm模型，并使用所述训练好的lstm模型进行时序预测；

29、第二时序预测模块：用于定义rnn网络结构，并初始化rnn模型参数，定义损失函数，通过反向传播算法和优化方法更新rnn模型参数，将实时数据特征输入rnn模型并重复训练过程得到训练好的rnn模型，在所述rnn模型顶部添加一个共享隐藏层，所述共享隐藏层接收来自所述lstm模型和所述rnn模型的输出，通过所述共享隐藏层的输出进行时序数据的预测；

30、第三时序预测模块：用于将待预测数据按照时间窗口大小切分成多个序列，将每个序列分别输入所述训练好的lstm模型和所述训练好的rnn模型，获取所述共享隐藏层的输出，得到下一时刻的预测结果，并将所述预测结果与实际数据进行对比，根据对比结果调整优化模型参数；

31、展示模块：用于将所述共享隐藏层的预测结果数据进行可视化展示。相比现有技术，本技术至少具有以下有益效果：

32、本技术基于对现有技术问题的进一步分析和研究，认识到现有bi系统的预测结果高度依赖于输入数据的质量和一致性，以及现有时序预测数据处理过程较为耗时的问题，本技术通过收集并存储实时数据，对存储的实时数据进行预处理和特征提取，定义lstm网络结构，并初始化lstm模型参数，定义损失函数，通过反向传播算法和优化方法更新lstm模型参数，将实时数据特征输入lstm模型并重复训练过程得到训练好的lstm模型，并使用所述训练好的lstm模型进行时序预测，定义rnn网络结构，并初始化rnn模型参数，定义损失函数，通过反向传播算法和优化方法更新rnn模型参数，将实时数据特征输入rnn模型并重复训练过程得到训练好的rnn模型，在所述rnn模型顶部添加一个共享隐藏层，所述共享隐藏层接收来自所述lstm模型和所述rnn模型的输出，通过所述共享隐藏层的输出进行时序数据的预测，将待预测数据按照时间窗口大小切分成多个序列，将每个序列分别输入所述训练好的lstm模型和所述训练好的rnn模型，获取所述共享隐藏层的输出，得到下一时刻的预测结果，并将所述预测结果与实际数据进行对比，根据对比结果调整优化模型参数，将所述共享隐藏层的预测结果数据进行可视化展示。本发明时序预测方法充分利用了lstm和rnn等算法模型的优势，能够更准确地预测未来的趋势，并通过前端页面展示给用户，提供决策支持。