CN112396231B - 针对时空数据的建模方法、装置、电子设备及可读介质 - Google Patents
针对时空数据的建模方法、装置、电子设备及可读介质 Download PDFInfo
- Publication number
- CN112396231B CN112396231B CN202011291804.3A CN202011291804A CN112396231B CN 112396231 B CN112396231 B CN 112396231B CN 202011291804 A CN202011291804 A CN 202011291804A CN 112396231 B CN112396231 B CN 112396231B
- Authority
- CN
- China
- Prior art keywords
- target
- initial
- model
- space
- feature
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例提供一种针对时空数据的建模方法、装置、电子设备及可读介质,该方法包括:获取时空预测任务的初始时空数据;对所述初始时空数据的初始特征进行非线性处理,获得目标特征;采用集束搜索机制对所述目标特征进行评估,获得评估结果;将评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型;根据训练完成的所述时空数据模型执行所述时空预测任务。本公开实施例提供的针对时空数据的建模方法、装置、电子设备及可读介质,能够充分利用计算机的计算能力优化模型,提升时空预测任务的预测准确率。
Description
技术领域
本公开涉及人工智能领域,尤其涉及一种针对时空数据的建模方法、装置、电子设备及计算机可读介质。
背景技术
目前,在时空数据的预测问题上,缺少清晰明确的体系。在面对相似的时空数据预测任务时,需要进行重复的处理过程。且该处理过程需要大量人力干预,严重影响了建模时效,且无法充分利用计算机的计算能力提升时空预测效果。
因此,需要一种新的针对时空数据的建模方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开实施例提供一种针对时空数据的建模方法、装置、电子设备及计算机可读介质,能够充分利用计算机的计算能力优化模型,提升时空预测任务的预测准确率。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面,提出一种针对时空数据的建模方法,该方法包括:获取时空预测任务的初始时空数据;对所述初始时空数据的初始特征进行非线性处理,获得目标特征;采用集束搜索机制对所述目标特征进行评估,获得评估结果;将评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型;根据训练完成的所述时空数据模型执行所述时空预测任务。
在本公开的一种示例性实施例中,采用集束搜索机制对所述目标特征进行评估,获得评估结果包括:从所述目标特征中选取预定数量的目标特征作为当前评估特征集合;对所述当前评估特征集合中的所述目标特征进行评估,获得所述当前评估特征中各个目标特征的评估得分;将所述当前评估特征集合中所述评估得分最大的所述目标特征的评估结果确定为通过;循环执行上述步骤,并在循环次数大于循环次数阈值,或执行时间大于循环时间阈值,或所述目标特征均被评估完成时停止循环。
在本公开的一种示例性实施例中,对所述当前评估特征集合中的所述目标特征进行评估包括:计算获得所述初始时空数据的目标预测值和所述目标特征的关联系数;或对包含初始特征集和所述目标特征的线性回归模型进行测试,将获得的目标评价指标与初始评价指标进行比较,以对所述目标特征进行评估,所述初始评价指标是根据包含初始特征集的线性回归模型进行测试获得。
在本公开的一种示例性实施例中,对所述初始时空数据的初始特征进行非线性处理,获得目标特征包括:通过变换函数对所述初始特征进行处理,获得所述目标特征,所述变换函数包括单变量函数和多变量函数。
在本公开的一种示例性实施例中,对所述初始时空数据的初始特征进行非线性处理,获得目标特征包括:
将所述初始特征的数据转化为浮点数据,若转化失败,则确定所述初始特征为离散型特征,若转化成功,则确定所述初始特征为连续性数据;
将所述初始特征的数据转化为整型数据,若转化失败时,则确定所述初始特征为离散型特征,若转化成功,则统计获得所述初始特征中取值个数以及各个值的出现次数;若所述初始特征的取值个数小于取值个数阈值,则确定所述初始特征为离散型特征;若所述初始特征中存在出现次数大于所述初始特征的数据量与预设真分数的乘积的取值,则确定所述初始特征为离散型特征;根据所述初始特征的特征类型确定变换函数;根据所述变换函数对所述初始特征进行处理,获得所述目标特征。
在本公开的一种示例性实施例中,将评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型包括:在所述时空数据模型的搜索空间中采样获得当前参数组;利用所述当前参数组在所述时空数据模型的测试效果搜索获得目标参数组;根据包含所述目标参数组的所述时空数据模型对评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型。
在本公开的一种示例性实施例中,利用所述当前参数组在所述时空数据模型的测试效果搜索获得目标参数组包括:通过具有所述当前参数组的所述时空数据模型对评估结果为通过的所述目标特征进行处理和评估,获得当前模型评估指标;根据所述当前参数组和所述当前模型评估指标构建机器学习模型;利用所述机器学习模型进行拟合,获得拟合结果中所述机器学习模型输出的最大的模型评估指标;将所述最大的模型评估指标对应的参数组对所述当前参数组进行更新后,循环执行上述步骤,并在循环次数大于循环次数阈值,或所述最大的模型评估指标大于模型评估指标阈值时停止循环。
根据本公开实施例的第二方面,提出一种针对时空数据的建模装置,该装置包括:数据获取模块,配置为获取时空预测任务的初始时空数据;特征处理模块,配置为对所述初始时空数据的初始特征进行非线性处理,获得目标特征;特征评估模块,配置为采用集束搜索机制对所述目标特征进行评估,获得评估结果;模型训练模块,配置为将评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型;预测执行模块,配置为根据训练完成的所述时空数据模型执行所述时空预测任务。
根据本公开实施例的第三方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一项所述的针对时空数据的建模方法。
根据本公开实施例的第四方面,提出一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一项所述的针对时空数据的建模方法。
根据本公开某些实施例提供的针对时空数据的建模方法、装置、电子设备及计算机可读介质,对初始时空数据进行非线性处理获得目标特征后,采用集束搜索机制对目标特征进行评估,能够实现对目标特征的自动评估,实现特征的自动挖掘与优化,简化评估流程,节约人力物力,能够充分利用计算机的计算能力优化模型,提升时空预测任务的预测准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种针对时空数据的建模方法及装置的***框图。
图2是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。
图3是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。
图4是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。
图5是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。
图6是根据一示例性实施例示出的目标特征的示意图。
图7是根据一示例性实施例示出的时序特征提取的示意图。
图8是根据一示例性实施例示出的特征工程的框架图。
图9是根据一示例性实施例示出的针对时空数据的模型训练的架构图。
图10是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。
图11是根据一示例性实施例示出的特征工程的流程图。
图12是根据一示例性实施例示出的一种针对时空数据的建模装置的框图。
图13是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图仅为本发明的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
下面结合附图对本发明示例实施方式进行详细说明。
图1是根据一示例性实施例示出的一种针对时空数据的建模方法及装置的***框图。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所进行操作的针对时空数据的建模***提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的针对时空数据的建模请求等数据进行分析等处理,并将处理结果(例如训练完成的时空数据模型--仅为示例)反馈给终端设备。
服务器105可例如获取时空预测任务的初始时空数据;服务器105可例如对所述初始时空数据的初始特征进行非线性处理,获得目标特征;服务器105可例如采用集束搜索机制对所述目标特征进行评估,获得评估结果。服务器105可例如将评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型。服务器105可例如根据训练完成的所述时空数据模型执行所述预测任务。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,服务器105中的一部分可例如作为本公开中的针对时空数据的建模任务提交***,用于获取将要执行针对时空数据的建模命令的任务;以及服务器105中的一部分还可例如作为本公开中的针对时空数据的建模***,用于获取时空预测任务的初始时空数据;对所述初始时空数据的初始特征进行非线性处理,获得目标特征;采用集束搜索机制对所述目标特征进行评估,获得评估结果;将评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型;根据训练完成的所述时空数据模型执行所述预测任务。
根据本公开实施例提供的针对时空数据的建模方法及装置,能够充分利用计算机的计算能力优化模型,提升时空预测任务的预测准确率。
图2是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。本公开实施例提供的针对时空数据的建模方法可以由任意具备计算处理能力的电子设备执行,例如终端设备101、102、103和/或服务器105,在下面的实施例中,以服务器执行所述方法为例进行举例说明,但本公开并不限定于此。本公开实施例提供的针对时空数据的建模方法20可以包括步骤S201至S205。
如图2所示,在步骤S201中,获取时空预测任务的初始时空数据。
本公开实施例中,时空预测任务可例如为时空单点预测任务。该时空单点预测任务例如为地铁站点的人流量预测任务、社区需求预测任务等。其中,地铁站点的人流量预测任务用于预测地铁站点进站人流量和出站人流量。预测地铁站点的进展人流量到达情况用于辅助地铁站点合理安排值班人员,维护站点秩序,缓解地铁站点人流量过大造成的拥挤,避免人流量过大引起的恶性事件发生。社区需求预测任务指预测社区对于生活必需品的需求,如生鲜、米面粮油等商品。精准的社区需求预测可以带来多个方面的好处:1)进行物资的调配,特别是在疫情防控等特殊时刻,及时的物资调配可以满足社区居民的需求。2)商品的定向销售,帮助企业精准地定向销售商品,减少中间环节带来的消耗。
其中,时空预测任务的初始时空数据可为历史对应数据的统计,还可包括可能影响预测指标的外部因素。具体地,可将影响时空预测任务的外部因素分为以下两种情况:1)静态的外部特征,对于给定的时间段或时间点,外部特征部分发生变化。2)动态的外部特征,在不同的时间段或时间点,外部特征的值不同。如地铁站点人流量预测的静态外部特征可包括站点位置,地铁站点周围信息点(Point of Information,POI)的分布等,动态外部特征可包括天气特征、日期特征(小时、是否为工作日),周围站点的人流量特征等。
其中,在获取初始时空数据时,可基于城市时空数据进行获取。其中,城市时空数据的主要来源可包括城市中的传感器和基于位置服务(Location Based Service,LBS)记录的行为轨迹。
对于地铁站点人流量预测任务,初始时空数据的部分数据可来源于地铁站点的闸机刷卡数据,对于每个地铁站点,以5分钟为一个时间单位,统计时间段内站点各闸机的刷卡总次数作为地铁站点的历史人流量;外部天气数据使用当天的天气预报数据;日期特征从对应的时间戳中抽取,具体来说,抽取的时间特征包括时间戳对应的小时、时间戳对应所在星期的周几;周围地铁站点的人流量数据同该站点相似的方式获得。
对于社区需求预测任务,初始时空数据的部分数据可来源于社区的线上订单数据;以每天为一个时间单位,分品类统计订单收货地址为该社区的订单的销售量;外部天气数据使用当天的天气预报数据;日期特征从对应的时间戳中抽取,抽取的时间特征包括时间戳对应所在星期的周几。
在步骤S202中,对初始时空数据的初始特征进行非线性处理,获得目标特征。
本公开实施例中,目标特征可包括非线性处理获得的高阶特征和一阶特征。其中,可根据预设规则从初始时空数据中提取获得一阶特征;对初始时空数据的初始特征进行非线性处理,获得高阶特征。一阶特征指从初始时空数据中能够直接得到的特征,包括了时间上的近邻性特征、周期性特征、趋势性特征、融合的外部特征等。高阶特征指对于一阶特征进行数据处理后生成的新特征。其中,可通过下式获得目标特征:
yt=f(xt-1,xt-2,...,x1) (1)
即当前数据输出由全部历史数据确定,可例如采用时序预测模型ARIMA,Prophe。在实际的实现过程中,利用全量的历史数据进行预测是具有一定困难的。一方面是计算量的问题,需要建模大量的历史时间,利用全量数据进行预测的时间复杂度是O(N2),N为时间序列的长度。另一个方面是较远的数据会引入更多的噪音,使得容量小的模型难以拟合,容量大的模型容易学***台的购买量,具有一定的趋势性。趋势性反应了社区对商品的接受程度,或线上平台在社区中的渗透率。
高阶特征为特征之间交叉组合形成。单点时序预测不是特征之间的简单相加,往往需要建立复杂的非线性关系。为实现一阶特征之间的交叉组合,可采用特征工程的方法。特征工程的核心在于基于一阶特征产生高级特征,从而实现特征之间的非线性组合。如原始的两个特征分别为a,b,特征工程期望生成a,b的非线性组合如a*b,a/b等。如图5所示,特征工程的输入包括了原始数据和操作空间两个部分。原始数据指数据收集阶段得到了数据特征,具体地,将原始的数据特征分为离散型特征和连续型特征。其中连续性特征指特征的取值范围为一个连续的区间,不同的特征值之间具有大小、强弱的关系,如历史的人流量特征等。而离散型特征的每个值仅表示一个对应关系,不具有大小属性,不能相互比较,如天气数据的雨天、晴天等。历史的人流量特征可以用于建模人流量预测模型,例如适用历史均值作为预测值;而离散型变量如天气数据可以用于区分雨天和晴天两种不同情况下的人流量规模,在雨天时的人流量规模小于晴天时的人流量规模。更一般地,这种特征之间的关系通过机器学习模型自动学得。
在步骤S203中,采用集束搜索机制对目标特征进行评估,获得评估结果。
本公开实施例中,由于并不能确定步骤S202中获得的目标特征是否有效,高级特征的组合是无穷无尽的,且存在无效的特征组合,使得模型无法获得有效的信息。于是,可通过评估每个特征和标签的相关性以保证目标特征的在时空预测任务中的有效性。在时空预测任务中,可采用自回归的方式进行预测,所以样本数据的标签可以通过历史数据获得。可使用相关性计算(例如皮尔逊相关系数)或使用机器学习模型(例如线性回归模型)对特征进行评估。
图8是根据一示例性实施例示出的特征工程的框架图。如图8所示,可在每轮的迭代过程中从初始时空数据中的特征和操作空间802中选取相应的操作和特征生成新的特征803并进行特征评估804,如果评估的结果相比于原始的数据特征具有性能的特征,则将新特征加入目标特征中;并重复上述生成新特征和评估的过程,直到该过程重复了给定的轮次或生成的新特征的集合达到了给定的数据精度要求。
在步骤S204中,将评估结果为通过的目标特征和目标预测值进行模型训练,获得训练完成的时空数据模型。
本公开实施例中,可基于搜索空间和搜索策略进行模型训练。其中,搜索策略可例如但不限于为网格搜索、随机搜索、启发式搜索、贝叶斯搜索、基于强化学习的搜索算法等,具体来说,网格搜索将参数空间等距划分成网格,然后遍历每组参数的组合,在每个参数组合上计算模型的性能指标,评估选择最优的模型。随机搜索策略随机组合参数空间中的参数组,然后评估每个参数组的效果,选择最优的参数组。
在步骤S205中,根据训练完成的时空数据模型执行时空预测任务。
根据本公开实施例提供的针对时空数据的建模方法,对初始时空数据进行非线性处理获得目标特征后,采用集束搜索机制对目标特征进行评估,能够实现对目标特征的自动评估,实现特征的自动挖掘与优化,简化评估流程,节约人力物力,能够充分利用计算机的计算能力优化模型,提升时空预测任务的预测准确率。
在示例性实施例中,在步骤S202中,可通过变换函数对所述初始特征进行处理,获得所述目标特征,所述变换函数包括单变量函数和多变量函数。
如图8所示,初始时空数据801通过操作空间802进行非线性的变换,产生新的特征803。图11是根据一示例性实施例示出的特征工程的流程图。如图11所示,对于特征A、B、C、D进行特征交叉1101,获得AB、AC、AD、BC、BD、CD并进行特征评估1102,基于评估结果进行特征选择1103。特征交叉1101可例如通过图8所示的操作空间802执行。操作空间802可包括变换函数。变换函数中的单变量函数作用在一维特征上,通过非线性的变化产生新的特征,可例如但不限于为ln(x),exp(x),sin(x)等。变换函数中的多变量函数作用在多维特征上,通常使用是两个变量,例如,A+B,A-B,A*B,A/B等。
在示例性实施例中,可将所述初始特征的数据(例如给定字段的数据)转化为浮点数据,若转化失败,则确定所述初始特征为离散型特征,若转化成功,则确定所述初始特征为连续性数据。其中,转化失败是指初始特征的数据不能全部转化为浮点数据。可将所述初始特征的数据转化为整型数据,若转化失败时,则确定所述初始特征为离散型特征,若转化成功,则统计获得所述初始特征中取值个数以及各个值的出现次数;若所述初始特征的取值个数小于取值个数阈值,则确定所述初始特征为离散型特征;若所述初始特征中存在出现次数大于所述初始特征的数据量与预设真分数的乘积的取值,则确定所述初始特征为离散型特征;根据所述初始特征的特征类型确定变换函数;根据所述变换函数对所述初始特征进行处理,获得所述目标特征。
在示例性实施例中,在步骤S204中,获得训练完成的时空数据模型后,可对模型进行评估。其中,模型评估策略可包括评价指标、直接评估策略和基于策略的评估。评价指标可包括RMSE、平均绝对百分误差(MAPE)、均方误差(MAE)等。直接评估策略基于验证数据集,当模型基于参数组训练完成后,在验证数据集上计算评价指标,确定模型和参数组的性能。基于策略的评估算法包括但不限于为采样、早停、参数共享、代理评估等。
评价指标的计算方式可如下所示:
其中,y为实验测量值,n为测量值个数,为真实值。
具体来说,采样算法基于原始特征集合采样部分数据用于训练和评估模型在参数组上的性能;早停策略在模型不具有性能提升时及时停止训练过程,从而节省训练资源;假设原始的数据包括10万条,通过采样的方式从原始数据中随机获得1万条数据进行模型参数的评估,将参数不好的结果舍弃,保留评估效果较好的结果,然后在原始数据上训练完整的模型。
参数共享策略在模型训练时保持部分参数不发生变化,从而只需要训练部分参数;一种简单的参数共享方法是直接使用上一轮迭代的参数作为当前参数的初始化,这种方法在神经网络模型经常使用。假设在参数组p1上训练得到神经网络模型的参数为W,当参数组p2和参数组p1兼容时(如,p2使用了两层神经网络,且第一层神经网络的隐藏层单元和参数组p1一致),则可以使用p1训练得到的参数W直接初始化参数组p2对应的参数,这种方式能够加速模型的收敛,从而节省时间。
基于代理评估的策略使用简单的机器学习模型预测参数组最终的性能,当预测一个参数组不具有较好的潜质时,及时跳过不好的参数组。时空预测***实现了上述模型用于加速模型训练和评估过程。
图10是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。如图10所示,针对时空数据的建模方法可包括问题定义1001、数据收集1002、特征工程1003、模型训练1004、模型评估1005和模型应用1006。其中,模型评估1005的评估结果可反馈给特征工程1003、模型训练1004、模型评估1005阶段,以进行调优。通过配置上述过程形成一条机器学习流水线,然后迭代优化上述过程能够得到较好的模型和参数组合。
图3是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。上述图2实施例中的步骤S203可以包括步骤S301至S304。
如图3所示,在步骤S301中,从目标特征中选取预定数量的目标特征作为当前评估特征集合。
在步骤S302中,对当前评估特征集合中的目标特征进行评估,获得当前评估特征中各个目标特征的评估得分。
在示例性实施例中,可计算获得所述初始时空数据的目标预测值和所述目标特征的关联系数;或对包含初始特征集和所述目标特征的线性回归模型进行测试,将获得的目标评价指标与初始评价指标进行比较,以对所述目标特征进行评估,所述初始评价指标是根据包含初始特征集的线性回归模型进行测试获得。在该实施例中,通过计算目标预测值和目标特征的关联系数,能够直接反映目标特征与目标预测值之间的相关程度,进而据此表征目标特征与当前的时空预测任务之间是否强相关,实现对目标特征准确有效的评估。通过比较包含初始特征集的线性回归模型和包括初始特征集、目标特征的线性回归模型的评价指标进行比较,能够反映目标特征对模型训练任务训练过程的贡献程度,进而间接反映出目标特征与当前的时空任务预测任务之间是否强相关,实现对目标特征准确有效的评估。
其中,关联系数可例如通过下式计算:
其中,x为目标特征,y为目标预测值,μ*为对应变量的均值,σ*为对应变量的方差,ρx,y为关联系数。关联系数可作为目标特征的评估得分。
在使用线性回归模型测试目标特征时,初始特征集包括在初始时空数据中预先选择的一个或多个特征。设初始特征集为A、B、C、D,目标特征为AD。其中包含初始特征集的线性回归模型y1如下所示:
y1=w1A+w2B+w3C+w4D+b (6)
包含初始特征集和目标特征的线性回归模型y2如下所示:
y2=w1A+w2B+w3C+w4D+w5AD+b (7)
其中,wi为特征权重,i>0。
可分别使用历史训练数据训练两个模型y1和y2,然后使用测试数据测试两个模型的评价指标(例如均方根误差,Root Mean Squared Error,RMSE)的效果变化,如果模型y2的评价指标RMSE小于模型y1的评价指标,则可以认为新增的目标特征AD是有效的,其评估得分较高。反之,生成目标的特征是无效的,其评估得分较低。
在步骤S303中,将当前评估特征集合中评估得分最大的目标特征的评估结果确定为通过。
在步骤S304中,循环执行上述步骤,并在循环次数大于循环次数阈值,或执行时间大于循环时间阈值,或所述目标特征均被评估完成时停止循环。
根据本公开实施例提供的针对时空数据的建模方法,通过集束搜索的方式对目标特征进行评估,能够简化评估过程,并实现对目标特征的自动评估,节约人力物力,能够充分利用计算机的计算能力,提升时空预测效果。
图4是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。上述图2实施例中的步骤S204可以包括步骤S401至S403。
在步骤S401中,在时空数据模型的搜索空间中采样获得当前参数组。
本公开实施例中,可例如考虑如下的机器学习模型和对应的搜索空间:
1)差分整合移动平均自回归模型(Autoregressive Integrated Moving Averagemodel,ARIMA):ARIMA建立历史数据和待预测数据之间的关系,包括了自回归(AR)分量和滑动平均(MA)分量,通常情况下ARIMA使用历史时序数据作为输入。ARIMA模型能较好地处理数据的周期性,当历史数据的样本量较少时具有较好的结果。ARIMA模型对应的搜索空间如下:
表1 ARIMA模型搜索空间
2)时序模型(Prophet):Prophet模型使用了周期性、趋势性分量建模数据,对于商业和经济周期性活动具有较好的拟好效果。Prophet模型对应的搜索空间如下:
表2 Prophet模型搜索空间
3)极端梯度提升模型(XGBoost模型)/提升机器算法(LightGBM)模型:树模型对于离散特征的处理具有较好的效果,如果历史的数据足够多,那么使用树模型能够很好地刻画数据之间的关系。
表3 XGBoost/LightGBM模型搜索空间
4)序列到序列模型(Seq2Seq模型):Seq2Seq深度学习模型能够自动学习数据之间的关系,特别的利用长短时记忆网络(LSTM),可以处理时序数据间的依赖关系。Seq2Seq模型的搜素空间如下:
表4 Seq2Seq模型搜索空间
图9是根据一示例性实施例示出的针对时空数据的模型训练的架构图,如图9所示,首先优化器901从参数空间中采样得到一组新的超参数,如对于Seq2Seq模型得到的当前参数组为(units=16,num_layers=2,learning_rate=0.1,dropout=0.2)。
在步骤S402中,利用当前参数组在时空数据模型的测试效果搜索获得目标参数组。
本公开实施例中,可通过超参数学习算法(例如Tree-structured ParzenEstimator,TPE)建模已经探索的参数组的效果,然后通过最大化在未知参数组位置上的收益,指导下一个参数组的选择。其中,TPE算法根据过去的结果构建概率模型,并通过最大化预期的改进来决定下一组超参数以在目标函数中进行评估。
在步骤S403中,根据包含目标参数组的时空数据模型对评估结果为通过的目标特征和目标预测值进行模型训练,获得训练完成的时空数据模型。
图5是根据一示例性实施例示出的一种针对时空数据的建模方法的流程图。上述图4实施例中的步骤S402可以包括步骤S501至S504。
在步骤S501中,通过具有当前参数组的时空数据模型对评估结果为通过的目标特征进行处理和评估,获得当前模型评估指标。
如图9所示,可将历史数据输入模型训练得到一个模型M1;评估器903评估模型M1在测试数据集上的效果,得到评价指标v1。
在步骤S502中,根据当前参数组和当前模型评估指标构建机器学习模型。
如图9所示,优化器901对当前参数组和评价指标v1进行建立机器学习模型,例如但不限于为随机森林等。
在步骤S503中,利用机器学习模型进行拟合,获得拟合结果中机器学习模型输出的最大的模型评估指标。
本公开实施例中,优化器901建立的机器学习模型拟合了参数组在不同情况下的性能(即评价指标),然后基于已有拟合的结果推断可能具有较好评价指标的参数组的位置,产生一个新的参数组p2,即该机器学习模型输出的最大的模型评估指标。
在步骤S504中,将最大的模型评估指标对应的参数组对当前参数组进行更新后,循环执行上述步骤,并在循环次数大于循环次数阈值,或最大的模型评估指标大于模型评估指标阈值时停止循环。
本公开实施例中,最大的模型评估指标对应的参数组即上述举例中的参数组p2。
根据本公开实施例提供的针对时空数据的建模方法,通过搜索空间和搜索策略的模型训练方法,能够实现对参数组的自动优化搜索,提高优化效率与准确率,避免人工调参的人力时间浪费与低效率问题。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由中央处理器(Central Processing Unit,CPU)执行的计算机程序。在该计算机程序被中央处理器CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图12是根据一示例性实施例示出的一种针对时空数据的建模装置的框图。参照图12,本公开实施例提供的针对时空数据的建模装置1200可以包括:数据获取模块1201、特征处理模块1202、特征评估模块1203、模型训练模块1204和预测执行模块1205。
在针对时空数据的建模装置1200中,数据获取模块1201可配置为获取时空预测任务的初始时空数据。
特征处理模块1202可配置为对所述初始时空数据的初始特征进行非线性处理,获得目标特征。
特征评估模块1203可配置为采用集束搜索机制对所述目标特征进行评估,获得评估结果。
模型训练模块1204可配置为将评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型。
预测执行模块1205可配置为根据训练完成的所述时空数据模型执行所述时空预测任务。
根据本公开实施例提供的针对时空数据的建模装置,对初始时空数据进行非线性处理获得目标特征后,采用集束搜索机制对目标特征进行评估,能够实现对目标特征的自动评估,实现特征的自动挖掘与优化,简化评估流程,节约人力物力,能够充分利用计算机的计算能力优化模型,提升时空预测任务的预测准确率。
图13是根据一示例性实施例示出的一种电子设备的框图。
下面参照图13来描述根据本公开的这种实施方式的电子设备200。图13显示的电子设备200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图13所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同***组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图2,图3,图4,图5,图8,图10,图11中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
本公开示例性还公开一种用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取时空预测任务的初始时空数据;对所述初始时空数据的初始特征进行非线性处理,获得目标特征;采用集束搜索机制对所述目标特征进行评估,获得评估结果;将评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型;根据训练完成的所述时空数据模型执行所述时空预测任务。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种针对时空数据的建模方法,其特征在于,包括:
获取时空预测任务的初始时空数据;
对所述初始时空数据的初始特征进行非线性处理,获得目标特征;
采用集束搜索机制对所述目标特征进行评估,获得评估结果;
将评估结果为通过的所述目标特征和目标预测值进行模型训练,获得训练完成的时空数据模型;
根据训练完成的所述时空数据模型执行所述时空预测任务。
2.如权利要求1所述的方法,其特征在于,采用集束搜索机制对所述目标特征进行评估,获得评估结果包括:
从所述目标特征中选取预定数量的目标特征作为当前评估特征集合;
对所述当前评估特征集合中的所述目标特征进行评估,获得所述当前评估特征中各个目标特征的评估得分;
将所述当前评估特征集合中所述评估得分最大的所述目标特征的评估结果确定为通过;
循环执行上述步骤,并在循环次数大于循环次数阈值,或执行时间大于循环时间阈值,或所述目标特征均被评估完成时停止循环。
3.如权利要求2所述的方法,其特征在于,对所述当前评估特征集合中的所述目标特征进行评估包括:
计算获得所述初始时空数据的目标预测值和所述目标特征的关联系数;或
对包含初始特征集和所述目标特征的线性回归模型进行测试,将获得的目标评价指标与初始评价指标进行比较,以对所述目标特征进行评估,所述初始评价指标是根据包含初始特征集的线性回归模型进行测试获得。
4.如权利要求1所述的方法,其特征在于,对所述初始时空数据的初始特征进行非线性处理,获得目标特征包括:
通过变换函数对所述初始特征进行处理,获得所述目标特征,所述变换函数包括单变量函数和多变量函数。
5.如权利要求1所述的方法,其特征在于,对所述初始时空数据的初始特征进行非线性处理,获得目标特征包括:
将所述初始特征的数据转化为浮点数据,若转化失败,则确定所述初始特征为离散型特征,若转化成功,则确定所述初始特征为连续性数据;
将所述初始特征的数据转化为整型数据,若转化失败时,则确定所述初始特征为离散型特征,若转化成功,则统计获得所述初始特征中取值个数以及各个值的出现次数;
若所述初始特征的取值个数小于取值个数阈值,则确定所述初始特征为离散型特征;
若所述初始特征中存在出现次数大于所述初始特征的数据量与预设真分数的乘积的取值,则确定所述初始特征为离散型特征;
根据所述初始特征的特征类型确定变换函数;
根据所述变换函数对所述初始特征进行处理,获得所述目标特征。
6.如权利要求1所述的方法,其特征在于,将评估结果为通过的所述目标特征和目标预测值进行模型训练,获得训练完成的时空数据模型包括:
在所述时空数据模型的搜索空间中采样获得当前参数组;
利用所述当前参数组在所述时空数据模型的测试效果搜索获得目标参数组;
根据包含所述目标参数组的所述时空数据模型对评估结果为通过的所述目标特征和所述目标预测值进行模型训练,获得训练完成的时空数据模型。
7.如权利要求6所述的方法,其特征在于,利用所述当前参数组在所述时空数据模型的测试效果搜索获得目标参数组包括:
通过具有所述当前参数组的所述时空数据模型对评估结果为通过的所述目标特征进行处理和评估,获得当前模型评估指标;
根据所述当前参数组和所述当前模型评估指标构建机器学习模型;
利用所述机器学习模型进行拟合,获得拟合结果中所述机器学习模型输出的最大的模型评估指标;
将所述最大的模型评估指标对应的参数组对所述当前参数组进行更新后,循环执行上述步骤,并在循环次数大于循环次数阈值,或所述最大的模型评估指标大于模型评估指标阈值时停止循环。
8.一种针对时空数据的建模装置,其特征在于,包括:
数据获取模块,配置为获取时空预测任务的初始时空数据;
特征处理模块,配置为对所述初始时空数据的初始特征进行非线性处理,获得目标特征;
特征评估模块,配置为采用集束搜索机制对所述目标特征进行评估,获得评估结果;
模型训练模块,配置为将评估结果为通过的所述目标特征和目标预测值进行模型训练,获得训练完成的时空数据模型;
预测执行模块,配置为根据训练完成的所述时空数据模型执行所述时空预测任务。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291804.3A CN112396231B (zh) | 2020-11-18 | 2020-11-18 | 针对时空数据的建模方法、装置、电子设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291804.3A CN112396231B (zh) | 2020-11-18 | 2020-11-18 | 针对时空数据的建模方法、装置、电子设备及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396231A CN112396231A (zh) | 2021-02-23 |
CN112396231B true CN112396231B (zh) | 2023-09-29 |
Family
ID=74607308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011291804.3A Active CN112396231B (zh) | 2020-11-18 | 2020-11-18 | 针对时空数据的建模方法、装置、电子设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396231B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559971A (zh) * | 2021-02-25 | 2021-03-26 | 北京芯盾时代科技有限公司 | 一种概率预测方法、装置及计算机可读存储介质 |
CN113610106B (zh) * | 2021-07-01 | 2023-10-24 | 北京大学 | 模型间的特征兼容学习方法、装置、电子设备及介质 |
CN113722288A (zh) * | 2021-07-27 | 2021-11-30 | 张博 | 一种时空数据统计的建模方法 |
CN114282732A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种区域人流量的预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018052346A1 (en) * | 2016-09-14 | 2018-03-22 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems, apparatuses, and methods for enhanicing indoor maps with room type information |
CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控***时空数据预测方法 |
CN109508360A (zh) * | 2018-11-07 | 2019-03-22 | 武汉大学 | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 |
CN109657805A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 超参数确定方法、装置、电子设备及计算机可读介质 |
CN110689179A (zh) * | 2019-09-18 | 2020-01-14 | 北京工商大学 | 基于时空序列混合模型的水华预测方法 |
-
2020
- 2020-11-18 CN CN202011291804.3A patent/CN112396231B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018052346A1 (en) * | 2016-09-14 | 2018-03-22 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems, apparatuses, and methods for enhanicing indoor maps with room type information |
CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控***时空数据预测方法 |
CN109508360A (zh) * | 2018-11-07 | 2019-03-22 | 武汉大学 | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 |
CN109657805A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 超参数确定方法、装置、电子设备及计算机可读介质 |
CN110689179A (zh) * | 2019-09-18 | 2020-01-14 | 北京工商大学 | 基于时空序列混合模型的水华预测方法 |
Non-Patent Citations (1)
Title |
---|
基于时序建模的教学质量评估***的神经网络辨识;董秀芳;孙浩;;科学技术与工程(20);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112396231A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396231B (zh) | 针对时空数据的建模方法、装置、电子设备及可读介质 | |
CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
NO20230419A1 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
Ouyang et al. | A combined multivariate model for wind power prediction | |
Gupta et al. | Resource usage prediction of cloud workloads using deep bidirectional long short term memory networks | |
US11521221B2 (en) | Predictive modeling with entity representations computed from neural network models simultaneously trained on multiple tasks | |
Azadeh et al. | Integration of genetic algorithm, computer simulation and design of experiments for forecasting electrical energy consumption | |
US8010324B1 (en) | Computer-implemented system and method for storing data analysis models | |
US7251589B1 (en) | Computer-implemented system and method for generating forecasts | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
Jalali et al. | An advanced short-term wind power forecasting framework based on the optimized deep neural network models | |
US20200111174A1 (en) | Probabilistic Load Forecasting via Point Forecast Feature Integration | |
Liang et al. | Towards online deep learning-based energy forecasting | |
JP6782680B2 (ja) | 指示分析のためのシステムおよび方法 | |
Silva et al. | Distributed evolutionary hyperparameter optimization for fuzzy time series | |
US9324026B2 (en) | Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium | |
Yin et al. | A deep multivariate time series multistep forecasting network | |
CN110020739B (zh) | 用于数据处理的方法、装置、电子设备及计算机可读介质 | |
CN114091361B (zh) | 基于气象事件的transformer模型构建方法 | |
CN116227180A (zh) | 基于数据驱动的机组组合智能决策方法 | |
Xie et al. | Nonstop: A nonstationary online prediction method for time series | |
Talagala et al. | Meta‐learning how to forecast time series | |
Stødle et al. | Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation | |
AU2020326407B2 (en) | Extending finite rank deep kernel learning to forecasting over long time horizons | |
US20230267007A1 (en) | System and method to simulate demand and optimize control parameters for a technology platform |
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 | ||
CB02 | Change of applicant information |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: Jingdong Digital Technology Holding Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |