数据预测方法以及数据预测装置与流程

技术特征：
1.一种数据预测方法，其特征在于，包括：获取目标时间信息，所述目标时间信息用于表示对目标对象的预测项目进行预测对应的时间信息；将所述目标时间信息输入至预先训练的第一模型，得到所述预测项目的初始预测值，其中，所述第一模型用于在输入时间信息的情况下，预测与所述时间信息对应的所述预测项目的初始预测值；将目标时间标识输入至预先训练的第二模型，得到所述预测项目的偏差值，其中，所述目标时间标识是根据所述目标时间信息得到的，所述第二模型用于在输入时间标识的情况下，预测所述时间标识对应的所述预测项目的偏差值，所述第二模型是通过机器学习算法或者统计算法学习多个残差值与历史时间标识的关联关系得到的，所述多个残差值是指与所述目标对象为相同目标分类的多个对象输出的残差值，所述多个残差值包括第一残差值，所述第一残差值是指在所述第一模型中输入历史时间信息得到的所述预测项目的初始预测值与所述历史时间信息对应的所述预测项目的真值之间的差异，所述历史时间标识是根据所述历史时间信息得到的；根据所述预测项目的初始预测值与所述预测项目的偏差值得到所述预测项目的预测结果。2.如权利要求1所述的方法，其特征在于，还包括：对所述目标对象进行分类，得到所述目标分类；根据所述目标分类中包括的多个对象对应的所述预测项目的历史数据进行训练，得到所述第二模型。3.如权利要求2所述的方法，其特征在于，所述对所述目标对象进行分类，得到所述目标分类，包括：根据所述目标对象的时间序列，得到所述目标分类，所述时间序列用于表示所述目标对象的预测项目的历史数据随时间的变化趋势。4.如权利要求3所述的方法，其特征在于，所述根据所述目标对象的时间序列，得到所述目标分类，包括：根据所述目标对象的所述时间序列与所述目标对象的空间特征，得到所述目标分类，其中，所述空间特征包括所述目标对象的空间坐标、所述目标对象的所在位置的功能区类型以及空间相似性。5.如权利要求1至4中任一项所述的方法，其特征在于，所述第一模型是通过多个样本数据训练得到的，其中，所述多个样本训练数据中的一个样本训练数据包括所述历史时间信息以及与所述历史时间信息对应的所述预测项目的历史数据。6.如权利要求1至5中任一项所述的方法，其特征在于，所述第一模型是通过超参数优化处理后得到的模型，所述超参数优化处理中的超参数是根据所述目标分类确定的。7.如权利要求1至6中任一项所述的方法，其特征在于，所述第一模型与所述第二模型是指同一分层模型中包括的不同层的模型。8.如权利要求1至7中任一项所述的方法，其特征在于，所述目标对象的预测项目包括以下中的任意一项：目标基站小区的网络流量、目标基站小区的物理资源块利用率、目标基站小区的用户
数量、目标门店的商品销售量以及目标网站的网页流量。9.一种数据预测装置，其特征在于，包括：获取单元，用于获取目标时间信息，所述目标时间信息用于表示对目标对象的预测项目进行预测对应的时间信息；处理单元，用于将所述目标时间信息输入至预先训练的第一模型，得到所述预测项目的初始预测值，其中，所述第一模型用于在输入时间信息的情况下，预测所述时间信息对应的所述预测项目的初始预测值；将目标时间标识输入至预先训练的第二模型，得到所述预测项目的偏差值，其中，所述目标时间标识是根据所述目标时间信息得到的，所述第二模型用于在输入时间标识的情况下，预测所述时间标识对应的所述预测项目的偏差值，所述第二模型是通过机器学习算法或者统计算法学习多个残差值与历史时间标识的关联关系得到的，所述多个残差值是指与所述目标对象为相同目标分类的多个对象输出的残差值，所述多个残差值包括第一残差值，所述第一残差值是指在所述第一模型中输入历史时间信息得到的所述预测项目的初始预测值与所述历史时间信息对应的所述预测项目的真值之间的差异，所述历史时间标识是根据所述历史时间信息得到的；根据所述预测项目的初始预测值与所述预测项目的偏差值得到所述预测项目的预测结果。10.如权利要求9所述的装置，其特征在于，所述处理单元还用于：对所述目标对象进行分类，得到所述目标分类；根据所述目标分类中包括的多个对象对应的所述预测项目的历史数据进行训练，得到所述第二模型。11.如权利要求10所述的装置，其特征在于，所述处理单元具体用于：根据所述目标对象的时间序列，得到所述目标分类，所述时间序列用于表示所述目标对象的预测项目的历史数据随时间的变化趋势。12.如权利要求11所述的装置，其特征在于，所述处理单元具体用于：根据所述目标对象的所述时间序列与所述目标对象的空间特征，得到所述目标分类，其中，所述空间特征包括所述目标对象的空间坐标、所述目标对象的所在位置的功能区类型以及空间相似性。13.如权利要求9至12中任一项所述的装置，其特征在于，所述第一模型是通过多个样本数据训练得到的，其中，所述多个样本训练数据中的一个样本训练数据包括所述历史时间信息以及与所述历史时间信息对应的所述预测项目的历史数据。14.如权利要求9至13中任一项所述的装置，其特征在于，所述第一模型是通过超参数优化处理后得到的模型，所述超参数优化处理中的超参数是根据所述目标分类确定的。15.如权利要求9至14中任一项所述的装置，其特征在于，所述第一模型与所述第二模型是指同一分层模型中包括的不同层的模型。16.如权利要求9至15中任一项所述的装置，其特征在于，所述目标对象的预测项目包括以下中的任意一项：目标基站小区的网络流量、目标基站小区的物理资源块利用率、目标基站小区的用户数量、目标门店的商品销售量以及目标网站的网页流量。17.一种数据预测装置，其特征在于，包括至少一个处理器和存储器，所述至少一个处理器与所述存储器耦合，用于读取并执行所述存储器中的指令，以执行如权利要求1至8中
任一项所述的方法。18.一种计算机可读介质，其特征在于，所述计算机可读介质存储有程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行如权利要求1至8中任一项所述的方法。

技术总结
本申请提供了一种数据预测方法以及装置，包括：获取目标时间信息，目标时间信息用于表示对目标对象的预测项目进行预测对应的时间信息；将目标时间信息输入至预先训练的第一模型，得到预测项目的初始预测值，第一模型用于在输入时间信息的情况下，预测所述时间信息对应的预测项目的初始预测值；将目标时间标识输入至预先训练的第二模型，得到预测项目的偏差值，第二模型用于在输入时间标识的情况下，预测时间标识对应的预测项目的偏差值，第二模型是通过机器学习算法或者统计算法学习多个残差值与历史时间标识的关联关系得到的；根据预测项目的初始预测值与预测项目的偏差值得到预测项目的预测结果。基于本申请的方案能够提高预测结果的准确性。高预测结果的准确性。高预测结果的准确性。


技术研发人员：徐灏 刘鑫 陈旭峰
受保护的技术使用者：华为技术有限公司
技术研发日：2020.08.14
技术公布日：2022/2/23