时间序列处理方法、装置、电子设备及存储介质与流程

1.本发明涉及计算机技术领域，特别是涉及一种时间序列处理方法、装置、电子设备及存储介质。


背景技术：

2.时间序列是指将某一个统计指标在不同时间上的各数据，按时间先后顺序排列而形成的序列。时间序列预测则可以通过历史时刻的时间序列挖掘时间序列本身的规律，从而得到时间序列的预测值。相关技术中的时间序列预测方式中，一般采用自回归模型，例如自回归积分滑动平均模型(arima，autoregressive integrated moving average model)，或者采用时间序列分解模型，例如facebook开源的预言者(prothet)，简称fbprophet，进行时间序列预测。但是，由于指标对应的时间序列可能会受到一些外来因素的影响，这些外来因素是无法从历史时刻的时间序列中拟合得到的，导致预测值存在着偏差。举例来说，广告等资源投放业务中，指标之间往往不是互相独立的，其会受到其它指标的影响，这些外来的波动因素无法从历史的时间序列中拟合得到，导致预测值存在着偏差。


技术实现要素：

3.本发明实施例的目的在于提供一种时间序列处理方法、装置、电子设备及存储介质，以实现待预测指标的预测数据的准确性的提升。具体技术方案如下：
4.在本发明实施的第一方面，首先提供了一种时间序列处理方法，包括：
5.获取待预测指标的时间序列，所述时间序列中每个历史时刻对应的数据包括所述待预测指标的历史数据以及与所述待预测指标相关的指标的历史数据；
6.将所述历史时刻对应的数据转换成第一特征向量；
7.基于所述第一特征向量，生成第二特征向量，所述第二特征向量中包含所述待预测指标的历史数据的特征与所述待预测指标的历史数据之外的数据的特征所形成的组合特征；
8.基于各所述历史时刻对应的所述第二特征向量，生成特征向量序列；
9.将所述特征向量序列，输入预设的预测模型，得到所述待预测指标的预测数据。
10.在一种可能的实施方式中，每个所述历史时刻对应的数据还包括时间数据，所述时间数据用于表征所述历史时刻。
11.在一种可能的实施方式中，所述基于所述第一特征向量，生成第二特征向量，包括：
12.利用因子分解机，对所述第一特征向量进行处理，生成第二特征向量。
13.在一种可能的实施方式中，所述基于各所述历史时刻对应的所述第二特征向量，生成特征向量序列，包括：
14.对所述第二特征向量，进行至少一次全连接，以得到第三特征向量；
15.利用各历史时刻对应的所述第三特征向量，形成所述特征向量序列。
16.在一种可能的实施方式中，所述将所述特征向量序列，输入预设的预测模型，得到所述待预测指标的预测数据，包括：
17.将所述特征向量序列，输入lstm或者gru，得到第四特征向量；
18.对所述第四特征向量进行至少一次全连接，得到所述待预测指标的预测数据。
19.在一种可能的实施方式中，所述时间数据包括影响所述待预测指标的时间数据。
20.在本发明实施的又一方面，提供一种时间序列处理装置，包括：
21.数据获取模块，用于获取待预测指标的时间序列，所述时间序列中每个历史时刻对应的数据包括所述待预测指标的历史数据以及与所述待预测指标相关的指标的历史数据；
22.向量转换模块，用于将所述历史时刻对应的数据转换成第一特征向量；
23.向量生成模块，用于基于所述第一特征向量，生成第二特征向量，所述第二特征向量中包含所述待预测指标的历史数据的特征与所述待预测指标的历史数据之外的数据的特征所形成的组合特征；
24.序列生成模块，用于基于各所述历史时刻对应的所述第二特征向量，生成特征向量序列；
25.指标预测模块，用于将所述特征向量序列，输入预设的预测模型，得到所述待预测指标的预测数据。
26.在一种可能的实施方式中，每个所述历史时刻对应的数据还包括时间数据，所述时间数据用于表征所述历史时刻。
27.在一种可能的实施方式中，向量生成模块，具体用于利用因子分解机，对所述第一特征向量进行处理，生成第二特征向量。
28.在一种可能的实施方式中，序列生成模块，具体用于对所述第二特征向量，进行至少一次全连接，以得到第三特征向量；利用各历史时刻对应的所述第三特征向量，形成所述特征向量序列。
29.在一种可能的实施方式中，指标预测模块，具体用于将所述特征向量序列，输入lstm或者gru，得到第四特征向量；对所述第四特征向量进行至少一次全连接，得到所述待预测指标的预测数据。
30.在一种可能的实施方式中，所述时间数据包括影响所述待预测指标的时间数据。
31.在本发明实施的又一方面，还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中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的时间序列处理方法。
32.在本发明实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的时间序列处理方法。
33.本发明实施例提供的方案中，由于获取的待预测指标的时间序列中，每个历史时刻对应的数据中除了包括待预测指标本身的历史数据以外，还包括与该待预测指标相关的指标的历史数据，也就是说，考虑了待检测指标相关的指标带来的影响，将每个历史时刻对应的数据转换成第一特征向量之后，利用该第一特征向量，生成第二特征向量，待预测指标的历史数据和待预测指标的历史数据之外的数据为离散的数据，而该第二特征向量中包含了待预测指标的历史数据的特征与待预测指标的历史数据之外的数据的特征所形成的组
合特征，因此，建立起了待预测指标的历史数据与待预测指标的历史数据之外的数据之间的关联，如此，基于各历史时刻对应的第二特征向量生成特征向量序列后，输入预设的预测模型，能够更好地挖掘待预测指标与该待预测指标相关的指标之间的关系，消除了外来因素的影响带来的偏差，从而得到了更加准确的待预测指标的预测数据。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
35.图1为本发明实施例中一种示例性的时间序列处理方法的流程图。
36.图2为本发明实施例中一种示例性的时间序列处理方法的流程图。
37.图3为本发明实施例中一种示例性的时间序列处理装置的示意图。
38.图4为本发明实施例中一种示例性的电子设备的示意图。
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
40.图1为本发明实施例中一种示例性的时间序列处理方法的流程图。如图1所示，本实施例提供的一种时间序列处理方法，至少包括如下步骤：
41.步骤101、获取待预测指标的时间序列，该时间序列中每个历史时刻对应的数据包括待预测指标的历史数据以及与待预测指标相关的指标的历史数据。
42.实际应用中，待预测指标即需要预测未来时刻的数据的指标。与待预测指标相关的指标则可以为影响待预测指标的数据的指标。如果一个指标的数据发生变化，能够使得待预测指标的数据也随之发生变化，该指标即为影响待预测指标的数据的指标。待预测指标可以为天气指标，也可以为业务指标，等等。以天气指标举例来说，相关的指标可以为是否突发自然灾害事件等。再以广告等资源投放业务的指标举例，待预测指标可以为资源投放业务的收入指标，相关的指标则可以为资源库存或者资源曝光等，这些都是可能影响资源投放业务的收入指标的因素。
43.时间序列是由多个历史时刻对应的数据按照产生的时间顺序排列而成的序列。每个历史时刻对应的数据即该历史时刻所产生的数据。在每个历史时刻，都产生了待预测指标的数据，也产生了与待预测指标相关的指标的数据，即每个历史时刻对应的数据中均包括待预测指标的历史数据以及与待预测指标相关的指标的历史数据，将每个历史时刻对应的数据按照产生的时间顺序排列起来，从而得到时间序列。具体的，时间序列中的多个历史时刻可以是最近时间段内的多个历史时刻。最近时间段的时长可以根据实际需要设置。
44.以广告等资源投放的场景为例，待预测指标可以为资源投放业务的收入指标，相关的指标则可以包括资源库存和资源曝光，可以利用最近28天内每1分钟所产生的数据(xn)，包括资源投放业务的收入指标的数据，资源库存的数据和资源曝光的数据，形成一个按照时间顺序排列的时间序列：x1,x2，x3，
……
,xn。其中，n为正整数。
45.步骤102、将历史时刻对应的数据转换成第一特征向量。
46.步骤103、基于第一特征向量，生成第二特征向量，第二特征向量中包含待预测指标的历史数据的特征与待预测指标的历史数据之外的数据的特征所形成的组合特征。
47.这里，待预测指标的历史数据之外的数据即历史时刻对应的数据中除待预测指标的历史数据之外的数据。本步骤中，待预测指标的历史数据之外的数据可以包括与待预测指标相关的指标的历史数据。
48.待预测指标的历史数据和待预测指标的历史数据之外的数据为离散的数据，通过待预测指标的历史数据的特征与待预测指标的历史数据之外的数据的特征所形成的组合特征，建立起待预测指标的历史数据与待预测指标的历史数据之外的数据之间的关联，有助于挖掘相互之间的影响关系。
49.步骤104、基于各历史时刻对应的第二特征向量，生成特征向量序列。
50.步骤105、将特征向量序列，输入预设的预测模型，得到待预测指标的预测数据。
51.本实施例中，由于获取的待预测指标的时间序列中，每个历史时刻对应的数据中除了包括待预测指标本身的历史数据以外，还包括与该待预测指标相关的指标的历史数据，也就是说，考虑了待检测指标相关的指标带来的影响，将每个历史时刻对应的数据转换成第一特征向量之后，利用该第一特征向量，生成第二特征向量，待预测指标的历史数据和待预测指标的历史数据之外的数据为离散的数据，而该第二特征向量中包含了待预测指标的历史数据的特征与待预测指标的历史数据之外的数据的特征所形成的组合特征，因此，建立起了待预测指标的历史数据与待预测指标的历史数据之外的数据之间的关联，如此，基于各历史时刻对应的第二特征向量生成特征向量序列后，输入预设的预测模型，能够更好地挖掘待预测指标与该待预测指标相关的指标之间的关系，消除了外来因素的影响带来的偏差，从而得到了更加准确的待预测指标的预测数据。
52.在示例性实施例中，每个历史时刻对应的数据还可以包括时间数据，该时间数据用于表征历史时刻。
53.实际应用中，还可以对表征历史时刻的时间数据进行记录，并包括在每个历史时刻对应的数据中。相应的，上述待预测指标的历史数据之外的数据还可以包括时间数据。
54.本实施例中，进一步引入了时间数据，有助于发现不同时间段内的数据规律。以资源投放业务举例来说，由于不同的时间段人们的工作、生活的情况不同，对所投放的资源的观看情况也就不同，相应的资源投放业务的指标也就是不同的。因此，结合时间数据之后，能够进一步挖掘出不同时间段的规律，待预测指标的预测数据的结果更加准确。
55.在示例性实施例中，上述时间数据可以包括影响待预测指标的时间数据。影响待预测指标的时间数据能够使得待预测指标的数据随着时间的变化而呈现出不断变化的趋势，以便挖掘出其中的规律。如此，结合影响待预测指标的时间数据，有助于进一步挖掘出时间序列中隐含的规律，从而提高待预测指标的预测数据的结果的准确性。
56.实际应用中，以设定的时长为周期表示不同时刻，得到的时间数据即周期性的时间数据。其中的设定的时长可以为1星期或者1分钟等等，相应的，周期性的时间数据可以包括星期数据，还可以包括分钟数据。一般，每个周期内的数据类似，因此，周期性的时间数据利于挖掘出一般性的规律。基于此，上述影响待预测指标的时间数据可以包括星期数据，还可以包括分钟数据。而一些表征零散分布的特殊时刻的时间数据，则为非周期性的时间数据，例如，表征是否为节假日的时间数据，表征是否为特殊事件的日期的时间数据，等等。非周期性的时间数据带来的影响，则打破了一般性的规律，需要进一步挖掘其中的规律。基于此，上述影响待预测指标的时间数据可以包括表征是否为节假日的时间数据，还可以包括
表征是否为特殊事件的日期的时间数据。
57.星期数据为一周中的星期几。分钟数据为一天中的几点几分钟。节假日则为春节等放假的节日。仍以资源投放业务举例来说，一天中晚上，一周中的星期六、星期日，一般都是人们休息娱乐的时间，对所投放的资源的观看会集中在这些时间，相应的资源投放业务的指标可能会升高，这是明显的一般性的规律。而节假日等时间段，有可能会举办一些特殊的活动，使得资源投放业务的指标的升高更加明显，而这其中隐含的规律正是需要挖掘的。
58.可以理解的是，每个历史时刻对应的数据还可以包括其它的数据，此处不再一一列举，实际应用中，可以根据实际情况进行设置。
59.在示例性实施例中，将历史时刻对应的数据转换成第一特征向量，可以包括：将历史时刻对应的数据中包括的每个数据转换成特征向量，并将每个数据转换而来的特征向量拼接在一起，形成一个原始特征向量，即第一特征向量。
60.举例来说，历史时刻对应的数据包括：待预测指标的历史数据、与待预测指标相关的指标的历史数据、星期数据、分钟数据，可以先将星期数据转换成向量长度为7的特征向量，将分钟数据转换成向量长度为1440的特征向量，将待检测指标的历史数据转换成向量长度1440的特征向量，将相关指标的历史数据转换成向量长度1440的特征向量，最后将每个数据转换而来的特征向量拼接在一起，形成一个向量长度为7 1440 1440 1440的原始特征向量，即第一特征向量。
61.在示例性实施例中，第一特征向量中包含基于时间数据转换而来的独热(one hot)编码。时间数据转换而来的独热(one hot)编码也即上述时间数据转换而来的特征向量。相应的，基于第一特征向量，生成第二特征向量，其具体实现方式可以包括：利用因子分解机(factorization machines,fm)，对第一特征向量进行处理，生成第二特征向量。
62.独热编码的基本思想是将离散型的数据中的每一个数据都看成一种状态，如果有n个不相同的数据，则可以形成n种不同的状态，采用n位状态寄存器来对n个状态进行编码，每个状态都有其独立的寄存器位，任何时候只有一位有效。以星期数据举例来说，一周包括星期一至星期日7天，这组离散的数据则可以看成7种不同的状态，对每种状态进行编码，例如，星期一可以编码成1000000，星期二可以编码成0100000，
……
，星期日则可以编码成0000001。
63.具体的，基于如下公式(1)中的fm对第一特征向量进行二阶特征组合。
[0064][0065]
其中，y
fm
为输出的特征向量，n表示特征的数量，xi表示第i个特征，xj表示第j个特征，xixj为特征xj与特征xi的组合特征，w0、wi、《vi,vj》均为权重系数。
[0066]
举例来说，特征xj是星期数据对应的特征，特征xi为是否为节假日对应的特征，二者组合形成的组合特征就是星期几是否为节假日。
[0067]
由此可以看出，独热编码的特征较为稀疏，而fm则对于稀疏特征的特征组合表现较为优异，通过两两特征组合，建立了特征之间的关联，也即引入了组合特征(也称关联特征)，从而解决了特征稀疏的问题，从而提高了待预测指标的预测数据的准确性。
[0068]
在示例性实施例中，基于各历史时刻对应的第二特征向量，生成特征向量序列，其具体实现方式可以包括：对第二特征向量，进行至少一次全连接，以得到第三特征向量；利用各历史时刻对应的第三特征向量，形成特征向量序列。
[0069]
其中，进行全连接的次数可以为一次，也可以为多次，可以根据实际情况设置预测准确的次数。示例性的，进行全连接的次数为两次。对第二特征向量进一步进行全连接处理，可以提高非线性表示能力。
[0070]
另外，还可以进一步限制特征向量的维度，上述的第三特征向量为预设维度的特征向量。如此，如果特征向量的维度较高，可以通过降维处理，达到预设维度。通过对特征向量的维度的限制可以提高处理效率。实施中，可以根据实际情况设置处理效率和预测准确性较好的预设维度，本发明实施例对此不做具体限定。
[0071]
需要说明的是，也可以直接基于各历史时刻对应的上述第一特征向量，得到特征向量序列。
[0072]
在示例性实施例中，将特征向量序列，输入预设的预测模型，得到待预测指标的预测数据，其具体实现方式可以包括：将特征向量序列，输入长短期记忆网络(lstm，long short-term memory)或者门控循环单元(gru，gate recurrent unit)，得到第四特征向量；对第四特征向量进行至少一次全连接，得到待预测指标的预测数据。
[0073]
gru和lstm都可以保留长期历史数据中的周期性以及趋势性规律，在时间序列预测上可以拟合长期与短期的时序特征，如此，得到的待预测指标的偏差更小。在本实施例中，还进一步对lstm或者gru的输出的特征向量，通过至少一次全连接进行缩放处理，得到最终的待预测指标的预测数据。这里，进行全连接的次数可以为一次，也可以为多次，可以根据实际情况设置预测准确的次数。示例性的，进行全连接的次数为三次。通过全连接的处理，进一步的提高了非线性表示能力，从而更好地提取出特征之间的关系。
[0074]
在示例性实施例中，可以将待预测指标的预测数据作为动态阈值，监测待预测指标未来时刻的数据的异常。在已有待预测指标的预测数据的情况下，如果真实数据与动态阈值差异值达到预设差异值，即差异较大，确定出现异常，需要进行排查。以广告资源投放业务举例来说，想要预测某个时间点的广告收入，如果真实收入与预测收入的差异过大，那可能是广告系统哪里出了问题，需要人力去排查。如果预测不准，让人以为出了问题，则会浪费人力，也可能由于预测不准，让人以为没出问题，导致收入损失，而本实施例通过对待预测指标的数据的准确预测，避免了这些问题。
[0075]
下面以具体应用场景为例，对本发明实施例提供的一种时间序列处理方法进行更加详细地介绍。
[0076]
本实施例以广告资源投放为例进行说明。随着广告业务的发展，需要关注的业务指标也逐渐增多，人工监控已不再现实，因此需要通过一定的规则来监控异常。为了更加准确地进行异常检测，可以通过预测的方式得到指标的动态阈值。而相关技术的预测方式主要分为自回归模型如arima以及时间序列分解模型如fbprophet。这两类模型均通过挖掘时间序列本身的规律从而得到时间序列的预测数据。但在广告业务中，指标之间往往不是互相独立的，其会受到其它指标的影响，这些波动因素无法从历史数据中拟合得到，因此，上述方法也存在着预估偏差的问题。
[0077]
本实施例为了提高时间序列预测的准确性，提出一种基于lstm以及fm的深度学习模型(即上述预设的预测模块)进行时间序列的指标的预测。该预测模型依次包括fm、第一全连接层、第二全连接层、lstm、第三全连接层、第四全连接层和第五全连接层。实际应用中，可以预先采集待预测指标的时间序列样本，进行模型训练，以得到该预测模型，具体的
训练方式可以参考相关技术，此处不做赘述。考虑到指标间存在相关性，除了待预测指标外，还将与待预测指标相关的指标作为输入，辅助进行待预测指标的预测，并且引入时间独热编码向量作为时间特征向量，有助于发现不同时间段内的数据规律。fm对于稀疏特征的特征组合表现较为优异，通过使用fm可以得到输入向量的二阶组合特征。而lstm可以保留长期历史数据中的周期性以及趋势性规律，在时间序列预测上可以拟合长期与短期的时序特征。
[0078]
本实施例使用python实现，可以预先获取一定时间内(例如两周)的待预测指标的时间序列的原始数据，获取到待预测指标的时间序列的原始数据之后，主要分为数据预处理、使用fm进行数据特征提取、使用lstm进行时序特征提取以及通过全连接层转换得到预测数据四个流程。如图2所示，具体流程如下：
[0079]
步骤201、进行数据预处理以剔除异常点，构造输入特征向量(即上述第一特征向量)。
[0080]
具体的，本步骤中，对于输入的待检测指标的时间序列的原始数据，剔除异常点，即偏离正常规律的离群值，得到待检测指标的时间序列。该时间序列的每个历史时刻对应的数据包括待预测指标的历史数据、与待预测指标相关的指标的历史数据、星期数据、分钟数据。其中，待预测指标可以为广告资源投放业务的收入，与待预测指标相关的指标可以包括资源库存和资源曝光等等。然后，基于该时间序列，生成特定的特征向量序列，该特征向量序列中的每个特征向量(即上述第一特征向量)包括星期数据对应的独热编码形式的特征向量、分钟数据对应的独热编码形式的向量、待检测指标的历史数据对应的特征向量、相关的指标的历史数据对应的特征向量，组成输入特征向量。
[0081]
步骤202、使用fm进行特征组合。
[0082]
本步骤中，对输入特征向量，使用fm进行二阶特征组合，从而建立待检测指标与相关的指标间的数据关联性，最终得到组合后的特征向量(即上述第二特征向量)，随后，为了提高模型的非线性表示能力，在fm后面增加了两层，即第一全连接层和第二全连接层，同时将向量维度减少至64维，基于第一全连接层和第二全连接层对第二特征向量进行处理，得到上述第三特征向量，作为后续lstm的输入向量。示例性的，fm中，输入的特征向量的维度为128维,输出的特征向量的维度为64维。第一全连接层的特征向量的维度为128维，第二全连接层的特征向量的维度为64维。
[0083]
本步骤202对应于上述步骤102的相关实施例。
[0084]
步骤203、使用lstm处理时序特征，得到下一时刻(t 1)的待预测指标的特征向量。
[0085]
本步骤中，将上述第三特征向量作为lstm的输入，进行循环计算，输出下一时刻的特征向量(即上述第四特征向量)。
[0086]
步骤204、通过全连接层得到最终的待预测指标的预测数据。
[0087]
本步骤中，通过三层全连接层，即第三全连接层、第四全连接层、第五全连接层，对lstm输出的特征向量进行缩放，转化为下一时刻的待预测指标的预测数据。lstm中的特征向量的维度为512维。第三全连接层的特征向量的维度为128维，第四全连接层的特征向量的维度为64维，第五全连接层的特征向量的维度为1维。
[0088]
其中，上第一、第二、第三、第四全连接层可以通过激活函数relu实现。
[0089]
步骤203至步骤204对应于上述步骤101的相关实施例。
[0090]
本实施例中，在时间序列预测中引入与待预测指标的相关的指标的数据、时间数据的特征作为辅助特征，同时考虑了指标的关联特征与时序特征，引入fm进行关联特征的特征组合，得到比嵌入层(embedding)更好的向量表示，配合lstm进行时序特征的提取，得到比传统时间序列预测方法更低的预测偏差。
[0091]
本实施例的方案应用在广告资源投放收入指标的异常检测中，提高了异常检测的准确性，及早发现线上异常，避免线上异常对广告收入带来的损失。
[0092]
图3为本发明实施例提供的一种时间序列处理装置的结构示意图。如图3所示，还提供了一种时间序列处理装置300，包括：
[0093]
数据获取模块301，用于获取待预测指标的时间序列，时间序列中每个历史时刻对应的数据包括待预测指标的历史数据以及与待预测指标相关的指标的历史数据；
[0094]
向量转换模块302，用于将历史时刻对应的数据转换成第一特征向量；
[0095]
向量生成模块303，用于基于第一特征向量，生成第二特征向量，第二特征向量中包含待预测指标的历史数据的特征与待预测指标的历史数据之外的数据的特征所形成的组合特征；
[0096]
序列生成模块304，用于基于各历史时刻对应的第二特征向量，生成特征向量序列；
[0097]
指标预测模块305，用于将特征向量序列，输入预设的预测模型，得到待预测指标的预测数据。
[0098]
在一种可能的实施方式中，每个历史时刻对应的数据还包括时间数据，时间数据用于表征历史时刻。
[0099]
在一种可能的实施方式中，向量生成模块，具体用于利用因子分解机，对第一特征向量进行处理，生成第二特征向量。
[0100]
在一种可能的实施方式中，序列生成模块，具体用于对第二特征向量，进行至少一次全连接，以得到第三特征向量；利用各历史时刻对应的第三特征向量，形成特征向量序列。
[0101]
在一种可能的实施方式中，指标预测模块，具体用于将特征向量序列，输入lstm或者gru，得到第四特征向量；对第四特征向量进行至少一次全连接，得到待预测指标的预测数据。
[0102]
在一种可能的实施方式中，时间数据包括影响待预测指标的时间数据。
[0103]
本发明实施例提供的各装置中的各模块的功能可以参见上述时间序列处理方法实施例中的对应描述，在此不再赘述。
[0104]
本发明实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，
[0105]
存储器403，用于存放计算机程序；
[0106]
处理器401，用于执行存储器403上所存放的程序时，实现如下步骤：
[0107]
获取待预测指标的时间序列，时间序列中每个历史时刻对应的数据包括待预测指标的历史数据以及与待预测指标相关的指标的历史数据；
[0108]
将历史时刻对应的数据转换成第一特征向量；
[0109]
基于第一特征向量，生成第二特征向量，第二特征向量中包含待预测指标的历史数据的特征与待预测指标的历史数据之外的数据的特征所形成的组合特征；
[0110]
基于各历史时刻对应的第二特征向量，生成特征向量序列；
[0111]
将特征向量序列，输入预设的预测模型，得到待预测指标的预测数据。
[0112]
上述终端提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0113]
通信接口用于上述终端与其他设备之间的通信。
[0114]
存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0115]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0116]
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的时间序列处理方法。
[0117]
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的时间序列处理方法。
[0118]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0119]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备
所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0120]
本说明书中的各实施例均采用相关的方式描述，各实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0121]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。