CN117035842A - 模型训练方法、业务量预测方法、装置、设备和介质 - Google Patents

Abstract

本公开的实施例公开了模型训练方法、业务量预测方法、装置、设备和介质。该方法的一具体实施方式包括：获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列；将第一实际业务量序列和第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到第一预测业务量序列；获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取第三特征数据序列；根据第二特征数据序列、第三特征数据序列、第二实际业务量序列和第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。该实施方式与人工智能有关，利用业务量拟合预测模型，可以生成更为精准的预测业务量。

Description

模型训练方法、业务量预测方法、装置、设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及模型训练方法、业务量预测方法、装置、设备和介质。

背景技术

目前，业务量预测方法可以是预测未来预定时间点的业务量。对于业务量的预测，通常采用的方式为：通过多模型预测方法或者单模型递归预测方法，来预测未来时间点的业务量。

然而，发明人发现，当采用上述方式来预测业务量，经常会存在如下技术问题：

第一，多模型预测方法包括的各个模型是独立训练的，多个时间步的预测数据缺乏相关依赖，可能导致业务量预测不准确。

第二，单模型递归预测存在误差扩散现象，可能导致业务量预测不准确。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了模型训练方法、业务量预测方法、装置、设备和介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种模型训练方法，包括：获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列；将上述第一实际业务量序列和上述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列；获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对上述第一未来时间序列的第三特征数据序列；根据上述第二特征数据序列、上述第三特征数据序列、上述第二实际业务量序列和上述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。

可选地，上述业务量时序预测模型通过以下步骤训练：获取第三历史时间序列对应的第三实际业务量序列和待预测时间信息对应的业务量标签；确定针对上述第三历史时间序列的第四特征数据序列；将上述第三实际业务量序列和上述第四特征数据序列作为模型输入，上述业务量标签作为预测输出，对初始业务量时序预测模型进行时序模型训练，以生成业务量时序预测模型。

可选地，上述第二特征数据序列中的第二特征数据包括以下至少一项：节假日编码数据、业务量趋势编码数据和影响事件编码数据。

可选地，上述业务量趋势编码数据通过以下步骤编码：对于上述第二特征数据序列中的每个第二特征数据，执行以下编码步骤：根据上述第二实际业务量序列，从上述第二历史时间序列中筛选出对应第二实际业务量满足预设业务量拐点条件的第二历史时间，得到第二历史时间子序列；确定上述第二特征数据对应第二历史时间，作为目标历史时间；确定上述第二历史时间子序列中的、与上述目标历史时间存在时间先后关联的第二历史时间组；根据上述第二历史时间组，确定针对上述第二特征数据的业务量趋势编码数据。

第二方面，本公开的一些实施例提供了一种模型训练装置，包括：第一获取单元，被配置成获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列；第一输入单元，被配置成将上述第一实际业务量序列和上述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列；第二获取单元，被配置成获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对上述第一未来时间序列的第三特征数据序列；训练单元，被配置成根据上述第二特征数据序列、上述第三特征数据序列、上述第二实际业务量序列和上述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。

第三方面，本公开的一些实施例提供了一种业务量预测方法，包括：获取第四历史时间序列对应的第四实际业务量序列和第五特征数据序列；根据上述第四实际业务量序列和上述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列，其中，上述业务量拟合预测模型是基于本公开的模型训练方法生成的；获取第五实际业务量序列和第六特征数据序列，其中，上述第五实际业务量序列是针对当前时间信息的业务量序列；将上述第五实际业务量序列和上述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，上述第二未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第三未来时间序列之前的时间信息序列。

可选地，上述方法还包括：获取第五实际业务量序列和第六特征数据序列，其中，上述第五实际业务量序列是针对当前时间信息的业务量序列；将上述第五实际业务量序列和上述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，上述第二未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第三未来时间序列之前的时间信息序列。

可选地，上述根据上述第四实际业务量序列和上述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列，包括：确定与上述第四历史时间序列存在同期时间关系的至少一个第五历史时间序列；将至少一个第六实际业务量序列和至少一个第七特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，上述至少一个第五历史时间序列对应的实际业务量序列为至少一个第六实际业务量序列，至少一个第五历史时间序列对应的特征数据序列为至少一个第七特征数据序列。

第四方面，本公开的一些实施例提供了一种业务量预测装置，包括：第三获取单元，被配置成获取第四历史时间序列对应的第四实际业务量序列和第五特征数据序列；生成单元，被配置成根据上述第四实际业务量序列和上述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列，其中，上述业务量拟合预测模型是基于本公开的模型训练方法生成的；第四获取单元，被配置成获取第五实际业务量序列和第六特征数据序列，其中，上述第五实际业务量序列是针对当前时间信息的业务量序列；第二输入单元，被配置成将上述第五实际业务量序列和上述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，上述第二未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第三未来时间序列之前的时间信息序列。

可选地，生成单元可以进一步被配置成：确定与上述第四历史时间序列存在同期时间关系的至少一个第五历史时间序列；将至少一个第六实际业务量序列和至少一个第七特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，上述至少一个第五历史时间序列对应的实际业务量序列为至少一个第六实际业务量序列，至少一个第五历史时间序列对应的特征数据序列为至少一个第七特征数据序列。

第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面和第三方面中任一实现方式描述的方法。

第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面和第三方面中任一实现方式描述的方法。

第七方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面和第三方面中任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的模型训练方法，利用业务量拟合预测模型，可以生成更为精准的预测业务量。具体来说，造成相关的业务量预测不够精确的原因在于：第一，多模型预测方法包括的各个模型是独立训练的，多个时间步的预测数据缺乏相关依赖，可能导致业务量预测不准确。第二，单模型递归预测存在误差扩散现象，可能导致业务量预测不准确。基于此，本公开的一些实施例的模型训练方法，首先，获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列，以用于后续生成针对第一未来时间序列的第一预测业务量序列。然后，将上述第一实际业务量序列和上述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列。在这里，通过业务量时序预测模型，直接预测第一未来时间序列对应的第一预测业务量序列，避免了误差扩散的现象，提高了第一预测业务量序列的准确度。进而，获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对上述第一未来时间序列的第三特征数据序列。在这里，所获取的第二实际业务量序列、第二特征数据序列和第三特征数据序列用于后续初始业务量拟合预测模型的训练。最后，根据上述第二特征数据序列、上述第三特征数据序列、上述第二实际业务量序列和上述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到生成拟合业务量更为精准的业务量拟合预测模型。在这里，通过业务量和对应特征数据拟合的方式来对业务量拟合预测模型进行训练，所得到的业务量拟合预测模型即考虑了时间步数据的依赖关系，还通过学习第三特征数据序列和第一预测业务量序列对应的拟合关系，来避免递归预测的误差扩散问题的发生。综上，通过业务量时序预测模型和业务量拟合预测模型来预测未来时间段内的业务量，不仅考虑多个时间步数据的依赖关系，还考虑了递归预测所带来的误差扩散问题。由此，可以生成更为精准地预测业务量。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的模型训练方法的一个应用场景的示意图；

图2是根据本公开的模型训练方法的一些实施例的流程图；

图3是根据本公开的业务量预测方法的一些实施例的流程图；

图4是根据本公开的业务量预测方法的另一些实施例的流程图；

图5是根据本公开的模型训练装置的一些实施例的结构示意图；

图6是根据本公开的业务量预测装置的一些实施例的结构示意图；

图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的模型训练方法的一个应用场景的示意图。

在图1的应用场景中，首先，电子设备101可以获取针对第一历史时间序列102的第一实际业务量序列103和第一特征数据序列104。然后，电子设备101可以将上述第一实际业务量序列103和上述第一特征数据序列104对应输入至预先训练的业务量时序预测模型105，得到针对第一未来时间序列107的第一预测业务量序列106。接着，电子设备101可以获取针对第二历史时间序列108的第二实际业务量序列109和第二特征数据序列110，以及获取针对上述第一未来时间序列107的第三特征数据序列111。最后，电子设备101可以根据上述第二特征数据序列110、上述第三特征数据序列111、上述第二实际业务量序列109和上述第一预测业务量序列106，对初始业务量拟合预测模型112进行训练，得到业务量拟合预测模型113。

需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。

继续参考图2，示出了根据本公开的模型训练方法的一些实施例的流程200。该模型训练方法，包括以下步骤：

步骤201，获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列。

在一些实施例中，上述模型训练方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式来获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列。其中，第一历史时间序列中的第一历史时间可以是当前时间之前的时间信息。上述第一历史时间序列中的各个第一历史时间之间存在预定间隔时长(即存在对应的时间步)。例如，预定间隔时长可以是1星期。第一实际业务量序列中的第一实际业务量与第一历史时间序列中的第一历史时间存在一一对应关系。第一实际业务量可以是可以针对实际业务场景的业务需求而确定的实际业务量。实践中，上述第一实际业务量可以是订单销售额，还可以是客服业务量，又可以是用户咨询量。第一特征数据序列中的第一特征数据与第一历史时间序列中的第一历史时间存在一一对应关系。第一特征数据可以表征对应第一历史时间发生的、针对对应实际业务场景的特征数据。例如，针对实际业务场景为销售场景，对应第一特征数据包括：销售活动时长，销售量，销售类型，销售人群。

可选地，上述第一特征数据序列中的第一特征数据包括以下至少一项：节假日编码数据、业务量趋势编码数据和影响事件编码数据。

其中，节假日编码数据可以是对第二特征数据对应第二历史时间是否为节假日进行编码后的编码数据。业务量趋势编码数据可以是对业务量进行编码后的编码数据。影响事件编码数据可以是对对应第一历史时间内发生的影响事件进行编码后的编码数据。实践中，节假日编码数据可以由3个数字表征。其中，第一个数字表征昨天的节假日情况。第二个数字表征今天的节假日情况。第三个数字表征明天的节假日情况。具体的，节假日可以用“1”来表征，不为节假日可以用“0”来表征。节假日编码数据可以包括：000、001、010、011、100、110、111。

步骤202，将上述第一实际业务量序列和上述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列。

在一些实施例中，上述执行主体可以将上述第一实际业务量序列和上述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列。其中，业务量时序预测模型可以是预测未来时间点对应业务量的时序神经网络模型。实践中，业务量时序预测模型可以是长短期记忆(Long Short-Term Memory，LSTM)。第一未来时间序列中的第一未来时间可以是当前时间信息之后的时间信息序列。例如，当前时间信息为“1月1日”。第一未来时间序列可以包括：“1月7日”，“1月14日”，“1月21日”，“1月28日”。第一预测业务量序列中的第一预测业务量可以是对应第一未来时间下的预测业务量。即第一预测业务量序列中的第一预测业务量与第一未来时间序列中的第一未来时间存在一一对应关系。

在一些实施例的一些可选的实现方式中，上述业务量时序预测模型通过以下步骤训练：

第一步，获取第三历史时间序列对应的第三实际业务量序列和待预测时间信息对应的业务量标签。

其中，第三历史时间序列中各个第三历史时间之间的预定时间间隔可以与第一历史时间序列对应的预定时间间隔相同。第三历史时间序列与第一历史时间序列对应的时间间隔、对应时间段可以是不同的。第三实际业务量序列具体不再赘述，可以参见第一实际业务量序列的解释。待预测时间信息对应的业务量标签可以是待预测时间点的实际业务量。

例如，第三历史时间序列包括：“2月1日”，“2月2日”，“2月3日”，“2月4日”。即，第三历史时间序列对应的预定时间间隔为1天。第三实际业务量序列包括：“2月1日”对应的销售量，“2月2日”对应的销售量，“2月3日”对应的销售量，“2月4日”对应的销售量。待预测时间信息可以是“2月5日”。业务量标签可以是“2月5日”对应的销售量。

第二步，确定针对上述第三历史时间序列的第四特征数据序列。其中，第四特征数据序列具体不再赘述，具体可以参见第一特征数据序列的解释。

可选地，上述第四特征数据序列中的第四特征数据包括以下至少一项：节假日编码数据、业务量趋势编码数据和影响事件编码数据。

第三步，将上述第三实际业务量序列和上述第四特征数据序列作为模型输入，上述业务量标签作为预测输出，对初始业务量时序预测模型进行时序模型训练，以生成业务量时序预测模型。

步骤203，获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对上述第一未来时间序列的第三特征数据序列。

在一些实施例中，上述执行主体可以获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对上述第一未来时间序列的第三特征数据序列。具体的，第二历史时间序列、第二实际业务量序列、第二特征数据序列和第三特征数据序列的具体解释不再解释，可以参见上述第一历史时间序列、第一实际业务量序列和第一特征数据序列。同样地，第三特征数据序列不再赘述，参见第一特征数据序列的解释。

需要说明的是，上述第二历史时间序列与第一历史时间序列对应的时间步不同。第二历史时间序列中的第二历史时间与第二实际业务量序列中的第二实际业务量存在一一对应关系。第二历史时间序列中的第二历史时间与第二特征数据序列中的第二特征数据存在一一对应关系。第一未来时间序列中的第一未来时间与第三特征数据序列中的第三特征数据存在一一对应关系。

在一些实施例的一些可选的实现方式中，上述第二特征数据序列中的第二特征数据包括以下至少一项：节假日编码数据、业务量趋势编码数据和影响事件编码数据。

可选地，上述业务量趋势编码数据通过以下步骤编码：

对于上述第二特征数据序列中的每个第二特征数据，执行以下编码步骤：

子步骤1，根据上述第二实际业务量序列，从上述第二历史时间序列中筛选出对应第二实际业务量满足预设业务量拐点条件的第二历史时间，得到第二历史时间子序列。

其中，预设业务量拐点条件可以是第二实际业务量在第二实际业务量序列构成的业务量曲线上为拐点位置的业务量。业务量曲线可以表征第二实际业务量序列中的各个第二实际业务量的大小变换。

子步骤2，确定上述第二特征数据对应第二历史时间，作为目标历史时间。

子步骤3，确定上述第二历史时间子序列中的、与上述目标历史时间存在时间先后关联的第二历史时间组。其中，时间先后关联可以是时间处于先后关系。例如，第二历史时间子序列包括：“1月1日”，“1月8日”，“1月11日”，“1月18日”。则与目标历史时间存在时间先后关联的第二历史时间组包括：“1月8日”和“1月11日”。

子步骤4，根据上述第二历史时间组，确定针对上述第二特征数据的业务量趋势编码数据。

作为示例，首先，上述执行主体可以目标历史时间减去第二历史时间组中最早的第二历史时间，得到第一相减数值。然后，上述执行主体可以将第二历史时间组中最晚的第二历史时间减去第二历史时间组中的最早的第二历史时间，得到第二相减数值。接着，将第一相减数值除以第二相减数值，得到相除数值。进而，确定第二历史时间组中两个第二历史时间之间的时间步数。再接着，根据时间步数，确定业务量趋势编码数据的向量维度。最后，根据上述目标历史时间与最早的第二历史时间之间的时间步数、相除数值和两个第二历史时间之间的时间步数，生成业务量趋势编码数据。例如，两个第二历史时间之间的时间步数之间的时间步数为6。上述目标历史时间与最早的第二历史时间之间的时间步数为2。相除数值为3。则业务量趋势编码数据可以是(0，0，3，0，0，0)。

步骤204，根据上述第二特征数据序列、上述第三特征数据序列、上述第二实际业务量序列和上述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。

在一些实施例中，上述执行主体可以根据上述第二特征数据序列、上述第三特征数据序列、上述第二实际业务量序列和上述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。其中，初始业务量拟合预测模型可以是还未训练结束的业务拟合预测模型，上述业务拟合预测模型可以是实现拟合回归的网络模型。实践中，上述业务拟合预测模型可以是卷积神经网络(Convolutional Neural Networks，CNN)模型。

作为示例，上述执行主体可以将第二特征数据序列和第三特征数据序列作为模型输入，将第二实际业务量序列和第一预测业务量序列作为拟合目标，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的模型训练方法，利用业务量拟合预测模型，可以生成更为精准的预测业务量。具体来说，造成相关的业务量预测不够精确的原因在于：第一，多模型预测方法包括的各个模型是独立训练的，多个时间步的预测数据缺乏相关依赖，可能导致业务量预测不准确。第二，单模型递归预测存在误差扩散现象，可能导致业务量预测不准确。基于此，本公开的一些实施例的模型训练方法，首先，获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列，以用于后续生成针对第一未来时间序列的第一预测业务量序列。然后，将上述第一实际业务量序列和上述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列。在这里，通过业务量时序预测模型，直接预测第一未来时间序列对应的第一预测业务量序列，避免了误差扩散的现象，提高了第一预测业务量序列的准确度。进而，获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对上述第一未来时间序列的第三特征数据序列。在这里，所获取的第二实际业务量序列、第二特征数据序列和第三特征数据序列用于后续初始业务量拟合预测模型的训练。最后，根据上述第二特征数据序列、上述第三特征数据序列、上述第二实际业务量序列和上述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到生成拟合业务量更为精准的业务量拟合预测模型。在这里，通过业务量和对应特征数据拟合的方式来对业务量拟合预测模型进行训练，所得到的业务量拟合预测模型即考虑了时间步数据的依赖关系，还通过学习第三特征数据序列和第一预测业务量序列对应的拟合关系，来避免递归预测的误差扩散问题的发生。综上，通过业务量时序预测模型和业务量拟合预测模型来预测未来时间段内的业务量，不仅考虑多个时间步数据的依赖关系，还考虑了递归预测所带来的误差扩散问题。由此，可以生成更为精准地预测业务量。

进一步参考图3，示出了根据本公开的业务量预测方法的一些实施例的流程300。该业务量预测方法，包括以下步骤：

步骤301，获取第四历史时间序列对应的第四实际业务量序列和第五特征数据序列。

在一些实施例中，执行主体(例如，电子设备)可以获取第四历史时间序列对应的第四实际业务量序列和第五特征数据序列。其中，第四历史时间序列可以是与第一历史时间序列不同的时间信息序列。具体含义可以参见第一历史时间序列的解释。第四历史时间序列中的第四历史时间与第四实际业务量序列中的第四实际业务量存在一一对应关系。第四历史时间序列中的第四历史时间与第五特征数据序列中的第五特征数据存在一一对应关系。

可选地，上述第五特征数据序列中的第五特征数据包括以下至少一项：节假日编码数据、业务量趋势编码数据和影响事件编码数据。

步骤302，根据上述第四实际业务量序列和上述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列。

在一些实施例中，上述执行主体可以根据上述第四实际业务量序列和上述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列。其中，上述业务量拟合预测模型是基于本公开的模型训练方法生成的。

作为示例，上述执行主体可以将第四实际业务量序列和第五特征数据序列输入至预先训练的业务量拟合预测模型，以生成针对第二未来时间序列的第二预测业务量序列。

步骤303，获取第五实际业务量序列和第六特征数据序列。

在一些实施例中，上述执行主体可以获取第五实际业务量序列和第六特征数据序列。其中，第五实际业务量序列具体不再赘述，可以参见第一实际业务量序列的解释。同样地，第六特征数据序列具体不再赘述，可以参见第一特征数据序列的解释。

可选地，上述第六特征数据序列中的第六特征数据包括以下至少一项：节假日编码数据、业务量趋势编码数据和影响事件编码数据。

步骤304，将上述第五实际业务量序列和上述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列。

在一些实施例中，上述执行主体可以将上述第五实际业务量序列和上述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列。其中，上述第二未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第三未来时间序列之前的时间信息序列。例如，当前时间信息为“1月1日”，第二未来时间序列可以包括：“1月2日”，“1月3日”，“1月4日”，“1月5日”。第三未来时间序列可以包括：“1月6日”，“1月7日”，“1月8日”，“1月9日”。其中，第三未来时间序列中的第三未来时间与第三预测业务量序列中的第三预测业务量存在一一对应关系。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的业务量预测方法，利用业务量时序预测模型和业务量拟合预测模型，可以精准地预测出未来预定时间段内的业务量。

进一步参考图4，示出了根据本公开的业务量预测方法的另一些实施例的流程400。该业务量预测方法，包括以下步骤：

步骤401，获取第四历史时间序列对应的第四实际业务量序列和第五特征数据序列。

步骤402，确定与上述第四历史时间序列存在同期时间关系的至少一个第五历史时间序列。

在一些实施例中，执行主体(例如，电子设备)可以确定与上述第四历史时间序列存在同期时间关系的至少一个第五历史时间序列。

步骤403，将至少一个第六实际业务量序列和至少一个第七特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列。

在一些实施例中，上述执行主体可以将至少一个第六实际业务量序列和至少一个第七特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列。其中，上述至少一个第五历史时间序列对应的实际业务量序列为至少一个第六实际业务量序列。至少一个第五历史时间序列对应的特征数据序列为至少一个第七特征数据序列。

可选地，上述第七特征数据序列中的第七特征数据包括以下至少一项：节假日编码数据、业务量趋势编码数据和影响事件编码数据。

步骤404，获取第五实际业务量序列和第六特征数据序列。

步骤405，将上述第五实际业务量序列和上述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列。

本公开的上述各个实施例具有如下有益效果：本公开的一些实施例的业务量预测方法，通过添加同期时间关系的至少一个历史时间序列，可以让业务量时序预测模型考虑更多特征信息，可以更为精准地预测未来预定时间段内的业务量。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该模型训练装置具体可以应用于各种电子设备中。

如图5所示，一种模型训练装置500包括：第一获取单元501、第一输入单元502、第二获取单元503和训练单元504。其中，第一获取单元501，被配置成获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列；第一输入单元502，被配置成将上述第一实际业务量序列和上述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列；第二获取单元503，被配置成获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对上述第一未来时间序列的第三特征数据序列；训练单元504，被配置成根据上述第二特征数据序列、上述第三特征数据序列、上述第二实际业务量序列和上述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。

在一些实施例的一些可选的实现方式中，上述业务量时序预测模型通过以下步骤训练：获取第三历史时间序列对应的第三实际业务量序列和待预测时间信息对应的业务量标签；确定针对上述第三历史时间序列的第四特征数据序列；将上述第三实际业务量序列和上述第四特征数据序列作为模型输入，上述业务量标签作为预测输出，对初始业务量时序预测模型进行时序模型训练，以生成业务量时序预测模型。

在一些实施例的一些可选的实现方式中，上述第二特征数据序列中的第二特征数据包括以下至少一项：节假日编码数据、业务量趋势编码数据和影响事件编码数据。

在一些实施例的一些可选的实现方式中，上述业务量趋势编码数据通过以下步骤编码：对于上述第二特征数据序列中的每个第二特征数据，执行以下编码步骤：根据上述第二实际业务量序列，从上述第二历史时间序列中筛选出对应第二实际业务量满足预设业务量拐点条件的第二历史时间，得到第二历史时间子序列；确定上述第二特征数据对应第二历史时间，作为目标历史时间；确定上述第二历史时间子序列中的、与上述目标历史时间存在时间先后关联的第二历史时间组；根据上述第二历史时间组，确定针对上述第二特征数据的业务量趋势编码数据。

可以理解的是，该模型训练装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于模型训练装置500及其中包含的单元，在此不再赘述。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种业务量预测装置的一些实施例，这些装置实施例与图3所示的那些方法实施例相对应，该业务量预测装置具体可以应用于各种电子设备中。

如图6所示，一种模型训练装置600包括：第三获取单元601、生成单元602、第四获取单元603和第二输入单元604。其中，第三获取单元601，被配置成获取第四历史时间序列对应的第四实际业务量序列和第五特征数据序列；生成单元602，被配置成根据上述第四实际业务量序列和上述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列，其中，上述业务量拟合预测模型是基于本公开的模型训练方法生成的；第四获取单元603，被配置成获取第五实际业务量序列和第六特征数据序列，其中，上述第五实际业务量序列是针对当前时间信息的业务量序列；第二输入单元604，被配置成将上述第五实际业务量序列和上述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，上述第二未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第三未来时间序列之前的时间信息序列。

在一些实施例的一些可选的实现方式中，上述生成单元602可以进一步被配置成：确定与上述第四历史时间序列存在同期时间关系的至少一个第五历史时间序列；将至少一个第六实际业务量序列和至少一个第七特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，上述至少一个第五历史时间序列对应的实际业务量序列为至少一个第六实际业务量序列，至少一个第五历史时间序列对应的特征数据序列为至少一个第七特征数据序列。

可以理解的是，该业务量预测装置600中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于业务量预测装置600及其中包含的单元，在此不再赘述。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备101)700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器702中的程序或者从存储装置708加载到随机访问存储器703中的程序而执行各种适当的动作和处理。在随机访问存储器703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、只读存储器702以及随机访问存储器703通过总线704彼此相连。输入/输出接口705也连接至总线704。

通常，以下装置可以连接至输入/输出接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从只读存储器702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机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。而在本公开的一些实施例中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机可读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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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该电子设备执行时，使得该电子设备：获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列；将上述第一实际业务量序列和上述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列；获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对上述第一未来时间序列的第三特征数据序列；根据上述第二特征数据序列、上述第三特征数据序列、上述第二实际业务量序列和上述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。获取第四历史时间序列对应的第四实际业务量序列和第五特征数据序列；根据上述第四实际业务量序列和上述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列，其中，上述业务量拟合预测模型是基于模型训练方法生成的；获取第五实际业务量序列和第六特征数据序列，其中，上述第五实际业务量序列是针对当前时间信息的业务量序列；将上述第五实际业务量序列和上述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，上述第二未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第三未来时间序列之前的时间信息序列。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、第一输入单元、第二获取单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。

本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的任一种模型训练方法和业务量预测方法。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种模型训练方法，包括：

获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列；

将所述第一实际业务量序列和所述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列；

获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对所述第一未来时间序列的第三特征数据序列；

根据所述第二特征数据序列、所述第三特征数据序列、所述第二实际业务量序列和所述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。

2.根据权利要求1所述的方法，其中，所述业务量时序预测模型通过以下步骤训练：

获取第三历史时间序列对应的第三实际业务量序列和待预测时间信息对应的业务量标签；

确定针对所述第三历史时间序列的第四特征数据序列；

将所述第三实际业务量序列和所述第四特征数据序列作为模型输入，所述业务量标签作为预测输出，对初始业务量时序预测模型进行时序模型训练，以生成业务量时序预测模型。

3.根据权利要求1所述的方法，其中，所述第二特征数据序列中的第二特征数据包括以下至少一项：节假日编码数据、业务量趋势编码数据和影响事件编码数据。

4.根据权利要求3所述的方法，其中，所述业务量趋势编码数据通过以下步骤编码：

对于所述第二特征数据序列中的每个第二特征数据，执行以下编码步骤：

根据所述第二实际业务量序列，从所述第二历史时间序列中筛选出对应第二实际业务量满足预设业务量拐点条件的第二历史时间，得到第二历史时间子序列；

确定所述第二特征数据对应第二历史时间，作为目标历史时间；

确定所述第二历史时间子序列中的、与所述目标历史时间存在时间先后关联的第二历史时间组；

根据所述第二历史时间组，确定针对所述第二特征数据的业务量趋势编码数据。

5.一种业务量预测方法，包括：

获取第四历史时间序列对应的第四实际业务量序列和第五特征数据序列；

根据所述第四实际业务量序列和所述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列，其中，所述业务量拟合预测模型是基于权利要求1-4之一所述的方法生成的；

获取第五实际业务量序列和第六特征数据序列，其中，所述第五实际业务量序列是针对当前时间信息的业务量序列；

将所述第五实际业务量序列和所述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，所述第二未来时间序列为对应时间段处于所述当前时间信息之后、且对应时间段处于所述第三未来时间序列之前的时间信息序列。

6.根据权利要求5所述的方法，其中，所述根据所述第四实际业务量序列和所述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列，包括：

确定与所述第四历史时间序列存在同期时间关系的至少一个第五历史时间序列；

将至少一个第六实际业务量序列和至少一个第七特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，所述至少一个第五历史时间序列对应的实际业务量序列为至少一个第六实际业务量序列，至少一个第五历史时间序列对应的特征数据序列为至少一个第七特征数据序列。

7.一种模型训练装置，包括：

第一获取单元，被配置成获取针对第一历史时间序列的第一实际业务量序列和第一特征数据序列；

第一输入单元，被配置成将所述第一实际业务量序列和所述第一特征数据序列对应输入至预先训练的业务量时序预测模型，得到针对第一未来时间序列的第一预测业务量序列；

第二获取单元，被配置成获取针对第二历史时间序列的第二实际业务量序列和第二特征数据序列，以及获取针对所述第一未来时间序列的第三特征数据序列；

训练单元，被配置成根据所述第二特征数据序列、所述第三特征数据序列、所述第二实际业务量序列和所述第一预测业务量序列，对初始业务量拟合预测模型进行训练，得到业务量拟合预测模型。

8.一种业务量预测装置，包括：

第三获取单元，被配置成获取第四历史时间序列对应的第四实际业务量序列和第五特征数据序列；

生成单元，被配置成根据所述第四实际业务量序列和所述第五特征数据序列，利用预先训练的业务量拟合预测模型，生成针对第二未来时间序列的第二预测业务量序列，其中，所述业务量拟合预测模型是基于权利要求1-4之一所述的方法生成的；

第四获取单元，被配置成获取第五实际业务量序列和第六特征数据序列，其中，所述第五实际业务量序列是针对当前时间信息的业务量序列；

第二输入单元，被配置成将所述第五实际业务量序列和所述第六特征数据序列输入至预先训练的业务量时序预测模型，得到针对第三未来时间序列的第三预测业务量序列，其中，所述第二未来时间序列为对应时间段处于所述当前时间信息之后、且对应时间段处于所述第三未来时间序列之前的时间信息序列。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

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1-6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，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。