时间序列信号预测方法、装置、设备和存储介质与流程

本技术涉及人工智能，尤其涉及时间序列信号预测方法、装置、设备和存储介质。

背景技术：

1、时间序列预测是指基于历史时序数据，利用统计学或机器学习等方法来预测未来一段时间内的数值或趋势。

2、相关技术中，利用循环神经网络、长短期记忆网络或卷积神经网络模型等方法进行时序信号的预测。由于时间序列信号通常为持续性连续信号，因此在进行数据预测时，输入信号越长，其包含的信息越多，信号预测的结果就越准确。但是相关技术中时序预测算法对于输入的长时间序列信号的处理效率较低，当输入信号越长，其对应的处理时间就指数级增长。

技术实现思路

1、本技术实施例的主要目的在于提出时间序列信号预测方法、装置、设备和存储介质，提升长时间序列信号的处理效率和预测准确率。

2、为实现上述目的，本技术实施例的第一方面提出了一种时间序列信号预测方法，包括：

3、获取由预设数量的初始采样数据构成的初始时间序列信号；所述初始采样数据的数据位数为第一数量；

4、将所述初始采样数据的数据位数更新为第二数量，得到采样数据；所述采样数据构成时间序列信号，所述第二数量小于所述第一数量；

5、获取基于所述第二数量生成的字典库，并根据所述采样数据在所述字典库中的位置对所述时间序列信号进行位置编码，得到输入矩阵；

6、将所述输入矩阵进行嵌入得到嵌入矩阵，并将所述嵌入矩阵输入预先训练好的信号预测模型进行预测，得到预测信号；所述信号预测模型在训练过程中损失函数由多个子损失函数通过预设阶数的加权系数进行加权计算得到。

7、在一些实施例，所述数据位数指小数位数；所述将所述初始采样数据的数据位数更新为第二数量，得到采样数据，包括：

8、获取所述初始采样数据的整数数据和小数数据；

9、将所述小数数据按照所述第二数量进行四舍五入得到更新数据，并基于所述整数数据和所述小数数据得到所述采样数据。

10、在一些实施例，所述获取基于所述第二数量生成的字典库之前，所述方法还包括：

11、获取整数取值序列，并从中选取第一目标取值，获取所述第一目标取值的第三数量；

12、获取所述第二数量中每个数位的小数取值序列，根据所述小数取值序列、所述第二数量和所述第三数量生成所述字典库的词数量；

13、按照所述第二数量遍历所述小数取值序列，生成候选小数；

14、逐一选取所述整数取值序列中的目标数值，将所述目标数值与所述候选小数进行组合，得到与所述词数量对应的候选词；

15、将所述候选词按照预设顺序进行排列，生成所述字典库。

16、在一些实施例，所述根据所述小数取值序列、所述第二数量和所述第三数量生成所述字典库的词数量，包括：

17、获取所述小数取值序列的第四数量，将所述第二数量作为所述第四数量的幂指数，得到第一词数量；

18、将所述第三数量和所述第一词数量相乘得到第二词数量；

19、从所述整数取值序列中获取第二目标取值，并获取所述第二目标取值的第五数量，并基于所述第五数量和所述第二词数量得到所述词数量。

20、在一些实施例，所述根据所述采样数据在所述字典库中的位置对所述时间序列信号进行位置编码，得到输入矩阵，包括：

21、在所述字典库中查找与所述采样数据一致的所述候选词作为采样候选词；

22、根据所述词数量和所述预设数量生成初始向量；所述初始向量中元素均为零；

23、根据所述采样候选词在所述字典库中的位置定位所述初始向量中对应位置的所述元素，并将所述元素置一，得到所述输入矩阵。

24、在一些实施例，所述子损失函数包括平均误差函数、连续积累分布函数、对数平方根误差函数、对称平均绝对百分比误差函数；所述信号预测模型的训练过程中获取每个所述子损失函数对应的加权系数的过程包括：

25、获取所述连续积累分布函数的第一加权系数；

26、获取所述平均误差函数的第二加权系数；

27、获取所述对数平方根误差函数的第三加权系数；

28、获取所述对称平均绝对百分比误差函数的第四加权系数；所述第一加权系数为一阶系数，所述第二加权系数和所述第四加权系数为二阶系数，所述第三加权系数为四阶系数。

29、在一些实施例，所述信号预测模型的训练过程包括以下步骤：

30、按照所述加权系数对所述子损失函数对应的子损失值进行加权求和，得到总损失值；

31、计算所述总损失值对所述第一加权系数的第一微分值、对所述第二加权系数的第二微分值、对所述第三加权系数的第三微分值以及对所述第四加权系数的第四微分值；

32、根据所述第一加权系数和所述第一微分值更新所述第一加权系数；

33、根据所述第二加权系数和所述第二微分值更新所述第二加权系数；

34、根据所述第三加权系数和所述第三微分值更新所述第三加权系数；

35、根据所述第四加权系数和所述第四微分值更新所述第四加权系数；

36、基于更新后的所述加权系数计算更新总损失值，基于所述更新总损失值调节所述信号预测模型的模型权重，直至达到迭代终止条件，得到训练后的所述信号预测模型。

37、为实现上述目的，本技术实施例的第二方面提出了一种时间序列信号预测装置，包括：

38、初始信号获取模块：用于获取由预设数量的初始采样数据构成的初始时间序列信号；所述初始采样数据的数据位数为第一数量；

39、精度剪裁模块：用于将所述初始采样数据的数据位数更新为第二数量，得到采样数据；所述采样数据构成时间序列信号，所述第二数量小于所述第一数量；

40、位置编码模块：用于获取基于所述第二数量生成的字典库，并根据所述采样数据在所述字典库中的位置对所述时间序列信号进行位置编码，得到输入矩阵；

41、预测模块：用于将所述输入矩阵进行嵌入得到嵌入矩阵，并将所述嵌入矩阵输入预先训练好的信号预测模型进行预测，得到预测信号；所述信号预测模型在训练过程中损失函数由多个子损失函数通过预设阶数的加权系数进行加权计算得到。

42、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

43、为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

44、本技术实施例提出的时间序列信号预测方法、装置、设备和存储介质，通过获取由预设数量的初始采样数据构成的初始时间序列信号；初始采样数据的数据位数为第一数量；将初始采样数据的数据位数更新为第二数量，得到采样数据，其中，采样数据构成时间序列信号，第二数量小于第一数量；获取基于第二数量生成的字典库，并根据采样数据在字典库中的位置对时间序列信号进行位置编码，得到输入矩阵；将输入矩阵进行嵌入得到嵌入矩阵，并将嵌入矩阵输入预先训练好的信号预测模型进行预测，得到预测信号。本技术实施例将长时间序列信号进行精度剪裁，从而降低长时间序列信号的数据位数，再通过与数据位数对应的字典库对时间序列信号进行位置编码，利用位置编码进一步降低数据复杂度，从而减少长时间序列信号的处理复杂度，提升处理效率。同时为了避免由于精度剪裁影响预测准确率，在训练信号预测模型时，利用预设阶数的加权系数确保不同的子损失函数在整个损失函数的计算中贡献接近，提升信号预测模型的预测准确率。