一种数据预测方法及相关装置与流程

本申请属于预测，特别是一种数据预测方法及相关装置。

背景技术：

1、基于时间序列的数据预测是利用过去一段时间内的针对待预测对象得到的时间序列数据来预测未来一段时间内该待预测对象的某一个指标的数值或多个特征的数值。时间序列数据可以记录被观测对象随时间变化的过程，状态变化的过程又往往蕴含着变化规律，掌握这些变化规律，可以帮助人们在不同的领域达到规避风险，优化决策，优化资源配置甚至提高生产力等目的。因此，基于时间序列的数据预测已经成为大数据分析的一个重要组成部分，广泛存在于气象，交通，金融以及网络流量等经济、工程和自然科技等领域，举例而言，气象部门可以利用某一台风已经产生的数据来预测未来台风的路径，进而发布预警；交通管理部门可以利用交通流量时间序列数据预测交通状况来规划道路安排，金融分析师可以利用时间序列数据来预测未来的股价变化趋势；在工业生产中，工程师利用时间序列数据来检测产品质量，分析和预测资源使用情况。

2、现有的数据预测大多采用一种预测模型进行预测，因模型自身的局限，导致预测的准确性不高。

技术实现思路

1、本申请的目的是提供一种数据预测方法及相关装置，旨在提高预测的准确性。

2、本申请的一个实施例提供了一种数据预测方法，所述方法包括：

3、获得受影响因素影响呈现时间序列特征的连续型变量；

4、通过连续型变量确定表征连续型变量差异化的具有时间序列特征的差值；

5、基于连续型变量和影响因素训练第一机器学习预测模型，并基于训练好的第一机器学习预测模型获得目标时间的连续型变量的初始预测值；

6、基于差值训练第二机器学习预测模型，并基于训练好的第二机器学习预测模型获得目标时间的预测差值；第一机器学习预测模型的复杂度大于第二机器学习预测模型的复杂度。

7、基于所述初始预测值和所述预测差值，获得所述目标时间的连续型变量的最终预测值。

8、可选的，所述最终预测值是利用所述初始预测值和所述预测差值进行算术运算得到的。

9、可选的，所述最终预测值为所述初始预测值与所述预测差值之和。

10、可选的，第一机器学习预测模型为基于核矩阵的机器学习模型；第二机器学习预测模型为基于门控机制的机器学习模型。

11、可选的，第一机器学习预测模型和第二机器学习预测模型中的至少一个为量子机器学习模型。

12、可选的，所述第一机器学习预测模型为量子支持向量机回归预测模型；

13、所述第二机器学习预测模型为量子长短时记忆网络。

14、可选的，受影响因素影响呈现时间序列特征的连续型变量是下列之一：

15、不同时间段内广告的点击率；不同时间段接待的患者数量；不同时间段记录的气温记录；在不同时间段网站的访问量或点击率；在不同时间段的用电量。

16、可选的，所述时间序列特征为下列之一或者其组合：

17、连续型变量的变化趋势、残差。

18、本申请的又一实施例提供了一种数据预测装置，所述装置包括：

19、第一获得模块，用于获得受影响因素影响呈现时间序列特征的连续型变量；

20、确定模块，用于通过连续型变量确定表征连续型变量差异化的具有时间序列特征的差值；

21、第二获得模块，用于基于连续型变量和影响因素训练第一机器学习预测模型，并基于训练好的第一机器学习预测模型获得目标时间的连续型变量的初始预测值；

22、第三获得模块，用于基于差值训练第二机器学习预测模型，并基于训练好的第二机器学习预测模型获得目标时间的预测差值；第一机器学习预测模型的复杂度大于第二机器学习预测模型的复杂度；

23、第四获得模块，用于基于所述初始预测值和所述预测差值，获得所述目标时间的连续型变量的最终预测值。

24、本申请的又一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质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能够实现上述任一实施例中所述的方法。

25、本申请的又一实施例提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中所述的方法。

26、与现有技术相比，本申请提供了一种数据预测方法，先通过获取具有时间序列特征的连续型变量，能够充分考虑数据在时间维度上的变化规律，为后续的预测提供更符合实际动态变化的数据基础，确定表征连续型变量差异化的差值，可以挖掘出连续型变量在不同时间点之间的变化细节，这些差值信息能够为预测模型提供额外的有价值的特征，有助于提高预测的准确性，然后通过两个机器学习预测模型分别对连续变量和连续变量的差值进行预测，后续通过初始预测值和预测差值，确定最终预测值。相较于现有技术，本申请采用一个机器学习预测模型学习连续变量的变化趋势，获得在目标时间的预测值，一个机器学习预测模型学习连续变量的差值变化趋势，从而获得在目标时间的预测差值。利用复杂度相对较高的机器学习预测模型进行连续变量的预测，利用复杂度相对较低的机器学习预测模型进行连续变量的差值的预测，不同复杂度的模型处理不同的预测，通过第一机器学习预测模型和第二机器学习预测模型的组合方式具有互补性，突破模型本身的局限，第一模型的初始预测值提供了对目标时间连续型变量的一个基础估计，而第二模型的预测差值可以对初始预测值进行修正，利用一个模型的预测结果修正另一个模型的预测结果，从而提高预测的准确性。

1.一种数据预测的方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述最终预测值是利用所述初始预测值和所述预测差值进行算术运算得到的。

3.如权利要求2所述的方法，其特征在于，所述最终预测值为所述初始预测值与所述预测差值之和。

4.如权利要求1所述的方法，其特征在于，第一机器学习预测模型为基于核矩阵的机器学习模型；第二机器学习预测模型为基于门控机制的机器学习模型。

5.如权利要求4所述的方法，其特征在于，第一机器学习预测模型和第二机器学习预测模型中的至少一个为量子机器学习模型。

6.如权利要求5所述的方法，其特征在于，所述第一机器学习预测模型为量子支持向量机回归预测模型；

7.如权利要求1-6任一项所述的方法，其特征在于，受影响因素影响呈现时间序列特征的连续型变量是下列之一：

8.如权利要求1-6任一项所述的方法，其特征在于，所述时间序列特征为下列之一或者其组合：

9.一种数据预测装置，其特征在于，所述装置包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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能够实现所述权利要求1-8任一项中所述的方法。

11.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-8任一项中所述的方法。