基于语义增量更新的时序数据趋势预测方法

本发明涉及时序数据处理，具体涉及基于语义增量更新的时序数据趋势预测方法。

背景技术：

1、随着电子商务、社交媒体和数字零售的发展，服装、鞋靴、箱包、饰品等时尚商品在设计、销售和传播过程中积累了大量数字化数据，包括商品图像、商品属性、用户浏览、收藏、搜索、购买、评论以及社交传播等信息。如何利用多源时尚数据准确预测未来流行趋势，为产品设计、商品企划、库存管理、精准营销和按需生产提供决策支持，已成为时尚产业数字化发展的重要研究方向。

2、现有时尚趋势预测方法主要包括人工经验判断方法和数据驱动预测方法。传统人工预测主要依赖设计师、买手或行业分析人员根据市场经验和流行文化变化进行趋势研判，虽然能够结合行业知识和审美经验，但具有较强的主观性，难以处理海量细粒度时尚元素及不同消费群体之间复杂的偏好差异。

3、近年来，随着机器学习和深度学习技术的发展，基于时序数据预趋势预测方法逐渐成为主流。在时序数据趋势预测领域，现有技术通常采用基于历史数据的统计模型或机器学习模型进行预测。统计模型通过拟合历史序列中的趋势项、周期项和残差项来估计未来取值，机器学习模型则通过构建多层非线性映射学习历史序列中的时序依赖关系，以端到端的方式实现未来值的预测。上述模型在训练完成后通常以固定参数形式部署，直接利用输入数据输出对应的预测结果。

4、在实际应用中，时序数据的分布特性会随时间动态变化。然而，上述模型一旦训练完成即保持固定参数，当数据分布发生变化时，固定参数的预测模型预测精度会持续下降。现有技术通常在模型精度下降后通过周期性全量重训或在线学习来更新模型，但此类更新方式缺乏对更新时机的精准判断机制，无法区分数据的正常随机波动与可能导致模型失效的结构性变化，导致更新时机滞后于数据分布的实际变化，或因响应短期噪声而执行不必要的更新，造成计算资源浪费。

技术实现思路

1、本发明提供了基于语义增量更新的时序数据趋势预测方法，目的在于解决现有技术中因缺乏对预测模型更新时机的精准判断，导致周期性全量重训计算资源消耗大或因模型更新滞后致使预测精度持续下降的技术问题。

2、鉴于上述问题，本发明提供了基于语义增量更新的时序数据趋势预测方法，包括：

3、获取多个产品品类的用户交互数据，将用户交互数据输入预训练的多品类时序预测模型，输出趋势预测结果，其中，用户交互数据包括多个产品品类在连续时间点上的点击率序列和用户特征数据；

4、根据点击率序列生成语义描述文本，将语义描述文本编码为语义向量，并获取历史语义向量滑动窗口，根据历史语义向量滑动窗口与语义向量，计算语义漂移量；

5、统计语义漂移量连续超过预设预警阈值的累计持续周数，将累计持续周数达到预设周数的产品品类组成漂移事件组，并对漂移事件组内的语义漂移量进行加权聚合得到综合漂移评分；

6、当综合漂移评分超过预设触发阈值时，对多品类时序预测模型进行局部增量更新，继续输出趋势预测结果。

7、本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

8、本发明提供了基于语义增量更新的时序数据趋势预测方法，通过获取多个产品品类的用户交互数据并输入预训练的多品类时序预测模型以输出趋势预测结果，在此基础上根据点击率序列生成语义描述文本并将语义描述文本编码为语义向量，通过获取历史语义向量滑动窗口并根据历史语义向量滑动窗口与语义向量计算语义漂移量，实现对数据分布变化程度的量化度量；通过统计语义漂移量连续超过预警阈值的累计持续周数，将累计持续周数达到预设周数的产品品类组成漂移事件组，并对漂移事件组内的语义漂移量进行加权聚合得到综合漂移评分，实现从漂移程度、持续时间和品类重要性三个维度对数据分布结构性变化的综合判定；当综合漂移评分超过触发阈值时，对多品类时序预测模型进行局部增量更新，继续输出趋势预测结果。本发明实现了更新时机的精准判断，避免因响应短期噪声执行不必要更新或因更新滞后导致预测精度下降，同时局部增量更新相比全量重训减少了计算资源消耗。

1.基于语义增量更新的时序数据趋势预测方法，其特征在于，方法包括：

2.如权利要求1的基于语义增量更新的时序数据趋势预测方法，其特征在于，获取多个产品品类的用户交互数据，将用户交互数据输入预训练的多品类时序预测模型，输出趋势预测结果，包括：

3.如权利要求2的基于语义增量更新的时序数据趋势预测方法，其特征在于，构建并训练多品类时序预测模型，包括：

4.如权利要求1的基于语义增量更新的时序数据趋势预测方法，其特征在于，根据点击率序列生成语义描述文本，将语义描述文本编码为语义向量，包括：

5.如权利要求4的基于语义增量更新的时序数据趋势预测方法，其特征在于，获取历史语义向量滑动窗口，根据历史语义向量滑动窗口与语义向量，计算语义漂移量，包括：

6.如权利要求1的基于语义增量更新的时序数据趋势预测方法，其特征在于，统计语义漂移量连续超过预设预警阈值的累计持续周数，将累计持续周数达到预设周数的产品品类组成漂移事件组，并对漂移事件组内的语义漂移量进行加权聚合得到综合漂移评分，包括：

7.如权利要求6的基于语义增量更新的时序数据趋势预测方法，其特征在于，获取漂移事件组内各产品品类在目标平台中的历史用户交互量占比，根据历史用户交互量占比确定各产品品类的权重系数，包括：

8.如权利要求1的基于语义增量更新的时序数据趋势预测方法，其特征在于，当综合漂移评分超过预设触发阈值时，对多品类时序预测模型进行局部增量更新，继续输出趋势预测结果，包括：

9.如权利要求8的基于语义增量更新的时序数据趋势预测方法，其特征在于，确定漂移事件组所对应的目标用户分群，包括：