CN111950810B - 一种基于自演化预训练的多变量时间序列预测方法和设备 - Google Patents
一种基于自演化预训练的多变量时间序列预测方法和设备 Download PDFInfo
- Publication number
- CN111950810B CN111950810B CN202010876972.2A CN202010876972A CN111950810B CN 111950810 B CN111950810 B CN 111950810B CN 202010876972 A CN202010876972 A CN 202010876972A CN 111950810 B CN111950810 B CN 111950810B
- Authority
- CN
- China
- Prior art keywords
- time
- prediction
- sequence
- time sequence
- univariate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 title claims abstract description 29
- 230000015654 memory Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000005311 autocorrelation function Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明公开了一种基于自演化预训练的多变量时间序列预测方法和设备,所述方法基于预训练策略与卷积网络、长短记忆网络深度序列模型,结合单变量自演化信息与多变量依赖关系信息进行建模,实现了多变量时间序列预测的优化算法,同时兼顾了整体预测精度和局部单变量的预测精度。本发明具有较好的整体预测精度,对于局部单变量的预测精度保障性方面优于现有的多变量时间序列预测方法。
Description
技术领域
本发明涉及时间序列预测,具体涉及一种多变量时间序列预测方法。
背景技术
采用时间序列预测方法、获得未来时刻的预测值,对于辅助决策、优化资源分配、提前采取干预措施等具有基础且重要的意义。在实时运行的信息***有着广泛的应用。许多***产生了大量的时间序列数据,主要包括***性能监测数据,而在这些监测数据的性能预测中产生了许多的应用价值,比如预测网络流量用于资源规划与异常发现,预测数据中心的磁盘故障以提前替换等。因此预测***性能的未来数据为现代信息***的日常操作、运维等提供了重要的帮助。最近几年有大量的研究关注实时***的时间序列预测问题。线性统计类算法(例如AR、ARIMA)对时间序列预测领域产生了影响。然而由于线性模型在很多实际应用中缺乏适用性,非线性时间序列分析和预测被提出并逐渐应用。除了经典的统计方法模型,机器学习模型已经成为时间序列预测领域的重要算法。研究人员将线性回归模型、支持向量机、决策树等机器学习模型应用于时间序列分析。基于机器学习的时间序列预测算法把时间序列预测作为监督学习任务,其中输入属性为历史观测的时间序列数据,输出标签为未来数据。然而,目前关注整体预测目标优化的多变量时间序列预测算法会带来局部变量预测精度损失的问题。例如,在多变量预测的回归任务中,现有算法以所有变量的整体预测误差(加权)和为最小化目标,通过优化这样的最小化目标提高整体预测精度。
发明内容
发明目的:为保障局部变量的预测精度,提出了基于自演化预训练的多变量时间序列预测算法。既可以实现多变量时间序列预测的优化算法,同时还能兼顾整体预测精度和局部单变量的预测精度
技术方案:为了能够预测实时运行的***的性能,从而针对预测值进行合理的操作和运维,第一方面,本发明提出一种基于自演化预训练的多变量时间序列预测方法,包括以下步骤:
S1、获取表征实时运行***性能的N维度指标数据,构成N个单变量时间序列,作为历史输入序列,并进行预处理;
S2、将N个单变量时间序列输入到基于差分特征构造的自演化预训练模型SE中,建立单变量时间序列线性回归模型,并将多阶差分信息显式地融入到线性自回归模型中,形成对应预测输出;
S3、将N个单变量时间序列组成的二维张量先进行大小不同的一维卷积操作,提取变量间依赖关系信息得到多个特征图;
S4、将特征图输入到长短记忆网络(LSTM)中对多尺度特征图进行时序建模,来捕捉多变量依赖关系的时序信息,对应的多变量建模的网络组件形成对应输出;
S5、将步骤S2和S4得到的输出进行向量元素的一一对应相加融合,构建多变量预测输出,并训练网络,得到训练完毕的模型;
S6、将需要进行预测的时间序列输入到步骤S5得到的已训练完毕的模型中,从而得到时间序列的预测值。
第二方面,本发明提出一种计算机设备,所述设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现根据本发明的第一方面所述的方法。
有益效果:本发明提出一种基于自演化预训练的多变量时间序列预测方法,基于预训练策略与卷积网络、长短记忆网络深度序列模型,结合单变量自演化信息与多变量依赖关系信息进行建模,实现了多变量时间序列预测的优化算法,同时兼顾了整体预测精度和局部单变量的预测精度。本发明具有较好的整体预测精度,对于局部单变量的预测精度保障性方面优于现有的多变量时间序列预测方法。
附图说明
图1是根据本发明实施例的多变量时间序列预测方法总体流程图;
图2是根据本发明实施例的多变量时间序列预测方法主要过程示意图;
图3是根据本发明实施例的模型训练阶段处理流程图;
图4是根据本发明实施例的模型运行阶段处理流程图。
具体实施方式
下面结合附图对本发明的技术方案做更进一步的说明。应当了解,以下提供的实施例仅是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的技术构思,本发明还可以用许多不同的形式来实施,并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
本发明的实施例中使用基于自演化预训练的多变量时间序列预测方法对时序进行预测。基于预训练策略与卷积网络、长短记忆网络深度序列模型,结合单变量自演化信息与多变量依赖关系信息进行建模,实现了多变量时间序列预测的优化算法,同时兼顾了整体预测精度和局部单变量的预测精度。参照图1和图2,本发明的方法包括以下步骤:
步骤S1,从实时运行的操作***中通过监控***采集相应的多变量时间序列数据,其中可能包括CPU负载、带宽利用率、带宽速度、内存利用率、响应时延、IO读写等多个关键性指标。在现实中,数据经常产生一些问题如数据缺失、数据不规则等,所以先对数据进行预处理操作,再将预处理后的数据作为模型的输入。此外,为了对时间序列有更好的建模效果,还需要评估时间序列的周期性得到历史窗口T。
对数据进行预处理操作,即以时间维度将数据集进行划分,需要留出训练集供模型进行训练,并将数据作标准化处理使得数据值能够映射到同一个区间,这样有利于模型的学习,如min-max标准化:
其中,minx为x的最小值,maxx为x中的最大值。通过自相关函数ACF来评估时间序列的周期性从而得到历史输入序列长度T。CPU负载、带宽利用率、带宽速度、内存利用率、响应时延、IO读写等多个关键性指标分别构成一个单变量时间序列,每个序列的长度为T,x表示这个序列的向量值。
步骤S2,将步骤S1预处理后的包括CPU负载、带宽利用率、内存利用率、响应时延等关键性指标N条单变量时间序列分布输入到基于差分特征构造的自演化预训练模型SE(Self-Evolution)中,建立单变量时间序列线性回归模型,此模型的作用在于能够保证实时***产生的单变量时间序列的预测精度。此外,考虑多阶差分信息可以在平稳、非平稳序列的预测中提高适用性、鲁棒性,则将多阶差分信息显式地融入到线性自回归模型中,形成对应预测输出。具体包括如下步骤:
步骤S2-1、将N个单变量时间序列输入到基于差分特征构造的自演化预训练模型SE中,建立单变量时间序列线性回归模型。对于第i个序列有:
其中表示第i个序列中第t-j时刻的时序值,/>为对应的线性权值,T为通过自相关函数ACF来评估时间序列的周期性而得到的历史输入序列长度。
步骤S2-2、考虑差分阶数q=1时,有即可见一阶差分下预测值含有/>把等差分特征显式地融入到线性自回归模型中,形成对应预测输庄/>
为差分特征的融合权值用于训练,限制为非负实数,softmax为对应的归一化操作,Q为最大差分阶数;/>为标准的线性自回归项,xt-T:t-1表示从t-1时刻到t-T时刻的时间序列,T为历史输入序列长度。
步骤S3,将N个单变量时间序列组成的二维张量先进行大小不同的一维卷积操作,提取变量间依赖关系信息得到多个特征图。
本发明采用多个卷积核的一维CNN层的时序卷积对多元时间序列之间的复杂依赖关系进行表示,为了能够得到蕴含多变量序列的局部依赖关系多层次信息的特征图(feature map)。对于输入序列进行变量维度上的一维卷积操作,表示如下:
C(k)=W(k)*Xt-T:t-1
W(k)为第k个卷积核,C(k)是卷积结果,即从变量间依赖关系中提取的特征图。在卷积网络中,通常采用k个卷积核W(1),W(2),...,W(k)形成多个通道的特征图C(1),C(2),...,C(k)。不同于现有算法将所有卷积核设定为相同尺寸,本发明采用可变尺寸的卷积核。与同尺度卷积核相比,多尺度卷积核显式地描述了不同尺度的关联时间段特征。C(1),C(2),...,C(k)蕴含着多变量时间序列的局部依赖关系的多层次信息。
步骤S4,将特征图输入到长短记忆网络(Long Short-Term Memory,LSTM)中对多尺度特征图进行时序建模,来捕捉多变量依赖关系的时序信息,将每个特征图分别输入到对应的LSTM并从而得到对应的输出。
LSTM是一种经典的循环神经网络,可以解决序列的长期依赖问题。本发明中基于多变量建模的网络组件就是多个LSTM基本记忆单元构成的结构,每个LSTM相应地输入一个特征图。具体地,将步骤S3得到第k个卷积核所有通道的特征图C(k)按时间维度进行拼接,其中通道数由时间序列数据本身维数决定,拼接后的特征图然后作为对应的第k个长短记忆网络的输入;对应网络单元的隐藏输出输入到全连接层,形成输出向量h(k)∈RN×1。K个相同的LSTM总计输出h(1),h(2),...,h(K),这些输出包含了序列的依赖信息。据此将所有向量h(1),h(2),...,h(K)相加形成多变量依赖关系建模输出结果
步骤S5,将步骤S2和S4得到的输出进行向量元素的一一对应相加融合,构建多变量预测输出,并训练网络,得到训练完毕的模型。步骤具体如下:
将步骤S2和S4得到的输出进行向量元素的一一对应相加融合,融合方法如下:
W(se),W(id)为融合权值,通过人工设置作为模型的超参数,表示元素乘法。这样的两部分加性融合具有明确实际含义,增加了算法的可解释性,通过让损失函数达到最小,这样既可以控制局部单变量的精度损失不会变大,同时也可以控制整体预测精度损失,从而达到算法的目的。例如,第i个变量的预测值/>那么对于该变量的预测,两项取值的相对大小便直接反映了两部分信息在预测中的占比。完成模型构建后,为训练模型,构造优化目标对应的损失函数如下:
整体模型可基于梯度下降法进行优化。模型训练的权值为Self-Evolution,CNN和LSTM模型的权重。此模型为单步预测模型,那么最后的输出为一个多变量向量值。
上述步骤S1-S5即为模型训练阶段,如图3所示,通过历史时间序列数据对基于自演化预训练的多变量时间序列预测模型进行训练。
步骤S6,利用训练好的模型对待预测的时间序列进行预测。
如图4所示,在模型运行阶段,将需要进行预测的时间序列进行预处理后输入到步骤S5得到的已训练完毕的模型中,得到时间序列的预测值,即为模型最终得到关于实时***的预测输出,在本实施例中,为CPU负载、带宽利用率、内存利用率、响应时延等关键性指标的预测值,可以为***的实时监测和运维提供有力的参考。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中。在本发明的上下文中,所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (5)
1.一种基于自演化预训练的多变量时间序列预测方法,其特征在于,该方法包括以下步骤:
S1、获取表征实时运行***性能的N维度指标数据,包括CPU负载、带宽利用率、带宽速度、内存利用率、响应时延、IO读写,构成N个单变量时间序列,作为历史输入序列,并进行预处理;
S2、将N个单变量时间序列输入到基于差分特征构造的自演化预训练模型中,建立单变量时间序列线性回归模型,将多阶差分信息显式地融入到线性回归模型中,形成对应预测输出包括:
S2-1、将包括CPU负载、带宽利用率、带宽速度、内存利用率、响应时延、IO读写指标数据的N个单变量时间序列输入到基于差分特征构造的自演化预训练模型SE中,建立单变量时间序列线性回归模型,对于第i个序列有:
其中表示第i个序列中时刻t-j的时序值,/>为对应的线性权值,T为历史输入序列长度;
S2-2、将多阶差分信息显式地融入到线性回归模型中,形成对应预测输出
为差分特征的融合权值,softmax为对应的归一化操作,Q为最大差分阶数;为标准的线性自回归项,xt-T∶t-1表示从t-1时刻到t-T时刻的时间序列;
S3、将N个单变量时间序列组成的二维张量进行大小不同的一维卷积操作,提取变量间依赖关系信息得到多个特征图,一维卷积操作如下:
C(k)=W(k)*Xt-T:t-1
W(k)为第k个卷积核,C(k)是卷积结果,即从变量间依赖关系中提取的特征图,Xt-T:t-1表示N个单变量时间序列组成的二维张量,xt-T∶t-1表示从t-1时刻到t-T时刻的时间序列,T为历史输入序列长度;
S4、将特征图输入到长短记忆网络中对多尺度特征图进行时序建模,来捕捉多变量依赖关系的时序信息,对应的多变量建模的网络组件形成对应输出
S5、将步骤S2和S4得到的输出和/>进行向量元素的一一对应相加融合,构建多变量预测输出模型,并进行训练,得到训练完毕的模型;
S6、将需要进行预测的时间序列进行预处理后输入到步骤S5得到的已训练完毕的模型中,从而得到时间序列的预测值。
2.根据权利要求1所述的预测方法,其特征在于,所述步骤S4包括:将步骤S3得到第k个卷积核所有通道的特征图C(l)按时间维度进行拼接,然后作为对应的第k个长短记忆网络的输入;对应网络单元的隐藏输出输入到全连接层,形成输出向量h(k)∈RN×1,K个相同的LSTM总计输出h(1),h(2),...,h(K),将所有向量h(1),h(2),...,h(K)相加形成多变量依赖关系建模输出结果
3.根据权利要求1所述的预测方法,其特征在于,所述步骤S5中将步骤S2和S4输出的结果进行加权融合,融合方法如下:
W(se),W(id)为融合权值,表示元素乘法。
4.根据权利要求3所述的预测方法,其特征在于,所述步骤S5中训练模型,构造优化目标对应的损失函数如下:
N为多变量时间序列的维数。
5.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个处理器执行,所述程序被处理器执行时实现如权利要求1-4中的任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876972.2A CN111950810B (zh) | 2020-08-27 | 2020-08-27 | 一种基于自演化预训练的多变量时间序列预测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876972.2A CN111950810B (zh) | 2020-08-27 | 2020-08-27 | 一种基于自演化预训练的多变量时间序列预测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950810A CN111950810A (zh) | 2020-11-17 |
CN111950810B true CN111950810B (zh) | 2023-12-15 |
Family
ID=73366711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010876972.2A Active CN111950810B (zh) | 2020-08-27 | 2020-08-27 | 一种基于自演化预训练的多变量时间序列预测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950810B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112860526A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 异常监控方法、装置、电子设备以及计算机可读存储介质 |
CN113627591A (zh) * | 2021-07-30 | 2021-11-09 | 马上消费金融股份有限公司 | 动态图数据的处理方法、装置、电子设备及存储介质 |
CN113807951A (zh) * | 2021-09-23 | 2021-12-17 | 中国建设银行股份有限公司 | 一种基于深度学习的交易数据趋势预测方法和*** |
CN114186711A (zh) * | 2021-10-27 | 2022-03-15 | 中山大学 | 一种基于多任务时序学习的工业原料消耗量预测方法 |
CN114039758B (zh) * | 2021-11-02 | 2024-06-21 | 中邮科通信技术股份有限公司 | 一种基于事件检测模式的网络安全威胁识别方法 |
CN114565149A (zh) * | 2022-02-23 | 2022-05-31 | 重庆邮电大学 | 一种基于cga融合模型的时间序列数据预测方法、装置及计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648457A (zh) * | 2018-06-28 | 2018-10-12 | 苏州大学 | 一种速度预测的方法、装置和计算机可读存储介质 |
CN108830430A (zh) * | 2018-08-01 | 2018-11-16 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
-
2020
- 2020-08-27 CN CN202010876972.2A patent/CN111950810B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648457A (zh) * | 2018-06-28 | 2018-10-12 | 苏州大学 | 一种速度预测的方法、装置和计算机可读存储介质 |
CN108830430A (zh) * | 2018-08-01 | 2018-11-16 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
Non-Patent Citations (2)
Title |
---|
一种基于自演化预训练的多变量时间序列预测算法;万晨;计算机学报;第45卷(第3期);513-525 * |
基于CNN-LightGBM模型的高速公路交通量预测;张振;曾献辉;;信息技术与网络安全(02);18-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950810A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
US10360517B2 (en) | Distributed hyperparameter tuning system for machine learning | |
CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
JP2022500769A (ja) | 電力システム熱負荷の予測方法及び予測装置 | |
CN111277434A (zh) | 一种基于vmd和lstm的网络流量多步预测方法 | |
KR20210032140A (ko) | 뉴럴 네트워크에 대한 프루닝을 수행하는 방법 및 장치 | |
US20230108920A1 (en) | System and method for providing robust artificial intelligence inference in edge computing devices | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及*** | |
CN115618269A (zh) | 基于工业传感器生产的大数据分析方法及*** | |
CN115936159A (zh) | 基于自动特征挖掘的可解释信贷违约率预测方法、*** | |
Zhou et al. | Deep learning-based intelligent multilevel predictive maintenance framework considering comprehensive cost | |
Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
CN113159441A (zh) | 银行业务项目实施情况的预测方法及装置 | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
JP7424373B2 (ja) | 分析装置、分析方法及び分析プログラム | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
CN114065460A (zh) | 火电发电***中模型处理方法、存储介质和电子装置 | |
KR102531291B1 (ko) | 건물의 에너지 소비량 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
CN114254764B (zh) | 基于反馈的机器学习模型搜索方法、***、设备及介质 | |
CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及*** | |
CN113344142A (zh) | Sarima模型的训练方法、装置、设备及存储介质 | |
JP4440828B2 (ja) | 類似事例に基づく予測を行う予測装置および方法 | |
Kaur et al. | Remaining Useful Life Improvement for Electrical Machines Using Ensemble Learning Technique | |
WO2021207797A1 (en) | Method and system for conditioning data sets for efficient computational | |
Yamamoto et al. | Design of a Database-Driven Modeling Based on Variable Selection Using a Random Forest |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |