跨多个时间序列和外生因素的概率非线性关系的制作方法

1.本公开一般涉及用于时间序列建模的计算机实现的方法和系统，并且更具体地，涉及多元时间序列建模和预测。


背景技术：

2.跨大量时间序列数据建模和预测以捕获交叉序列效应仍然是一项艰巨的工作。
3.例如，手动启发式方法缺乏捕获交叉序列效应的灵活性，并且这样的方法是不可扩展的。存在可能在具有数千到甚至数十亿产品位置组合的需求预测中发生的交叉产品影响。
4.还缺乏捕获跨时间序列的基础非线性关系和效果的能力。此外，存在试图将与外因信息和其他因素的交叉关系考虑在内的问题。
5.结果是，基于有缺陷的模型做出了糟糕的、不正确的决策，导致效率降低、成本增加、资源浪费、机会错失以及生产劣质产品。
6.因此，需要一种对序列之间的非线性概率关系建模并将其并入改进预测的可扩展的自动化方式。


技术实现要素：

7.根据一个实施例，一种用于时间序列建模和预测的计算设备包括处理器和耦合到处理器的存储器。存储器存储指令以使处理器执行动作，包括对多元时间序列数据的输入进行编码，以及执行所编码的多元时间序列数据到较低维潜在空间的非线性映射。预测较低维潜在空间中的所编码的多元时间序列数据的时间上的后续值。将所预测的后续值和随机噪声映射回输入空间，以提供多元时间序列数据的后续时间点的预测分布样本。输出基于预测分布样本的一个或多个时间序列预测。在处理时间序列建模和预测的准确性和时间上有所改进。
8.在一个实施例中，计算设备被配置为训练神经网络深度学习模型以计算时间序列建模和一个或多个时间序列预测。神经网络的使用提高了时间序列建模和预测的效率。
9.在一个实施例中，深度学习模型的训练是无监督的。无监督训练的使用允许模式的更广泛的识别，并帮助发现隐藏的模式。
10.在一个实施例中，深度学习模型是使用随机梯度下降训练的端到端深度学习模型。端到端学习模型使得整个操作更有效，并且随机梯度下降的使用可以最小化输入空间预测误差。
11.在一个实施例中，端到端深度学习模型包括被配置为对多元时间序列数据的输入进行编码的编码器神经网络、被配置为根据从编码器神经网络接收的所编码的多元时间序列数据来预测时间上的后续值的时间预测器网络、以及被配置为将来自时间预测器网络的所预测的后续值映射到输入空间的解码器神经网络。神经网络的使用增加了操作的效率并有助于训练。
12.在一个实施例中，解码器神经网络还被配置为将随机噪声和潜在空间值的组合映射回输入空间。随机噪声用于增加模式检测。
13.在一个实施例中，编码器神经网络还被配置为在执行所编码的多元时间序列数据到较低维潜在空间的非线性映射之前，对每个序列的外生因素数据和输入多元时间序列数据的时间点进行编码。通过考虑在时间序列数据中未发现的因素，外生数据的使用改进了预测的准确性。
14.在一个实施例中，输入多元时间序列数据和外生因素数据被布置为3d阵列，具有对应于外生因素数据的特征的第三维。
15.在一个实施例中，编码器神经网络是时间自动编码器。时间自动编码器改进了时间矩阵分解。
16.在一个实施例中，编码器神经网络是概率时间自动编码器。概率时间自动编码器是一种相对简单的结构，其可以被引入到潜在变量上，具有经由解码器映射来对多元数据的复杂分布建模的持续能力。
17.在一个实施例中，由时间自动编码器输出的自动编码的时间模式的数量小于输入多元时间序列数据的数量。减少的数量加速了输出预报的时间。
18.根据一个实施例，一种计算机实现的多元时间序列建模和预测方法，该计算机实现的方法包括对多元时间序列数据的多个输入进行编码，将所编码的多元时间序列数据映射到较低维潜在空间，预测所编码的多元时间序列数据在较低维潜在空间中的时间上的后续值，以及将所预测的后续值和随机噪声映射回输入空间以提供多元时间序列数据的后续时间点的预测分布样本。基于预测分布样本，输出一个或多个时间序列预测。在处理时间序列建模和预测的准确性和时间上有所改进。
19.在一个实施例中，通过时间自动编码来执行多个多元时间序列数据的编码。时间自动编码器改进了时间矩阵分解。
20.在一个实施例中，通过概率时间自动编码来执行多个多元时间序列数据的编码。
21.在一个实施例中，自动编码的输入多元时间序列数据的数量大于由时间自动编码器输出的自动编码的时间模式的数量。处理速度提高。
22.在一个实施例中，非线性地执行所编码的多元时间序列数据到较低维潜在空间的映射。非线性映射可以增加隐藏模式的发现。
23.在一个实施例中，训练神经网络的深度学习模型以计算时间序列建模和一个或多个时间序列预测。
24.在一个实施例中，提供了端到端深度学习模型，并且使用随机梯度下降来训练端到端深度学习模型。通过使用随机梯度下降，可以最小化重构误差、潜在空间预测误差和输入空间预测误差。
25.在一个实施例中，输入多元时间序列数据和外生因素数据被形成为3d阵列，具有对应于外生因素数据的特征的第三维。通过考虑在时间序列数据中未发现的因素，外生数据的使用改进了预测的准确性。
26.根据实施例，一种有形地体现具有计算机可读指令的计算机可读程序代码的非暂时计算机可读存储介质，当执行该计算机可读指令时，使得计算机设备执行多元时间序列建模和预测的方法，该方法包括对多元时间序列数据的多个输入进行编码。将所编码的多
元时间序列数据映射到较低维潜在空间。预测较低维潜在空间中的所编码的多元时间序列数据的时间上的后续值。将所预测的后续值和随机噪声映射回输入空间，以提供多元时间序列数据的后续时间点的预测分布样本。输出基于预测分布样本的一个或多个时间序列预测。在处理时间序列建模和预测的准确性和时间上有所改进。
27.从以下结合附图阅读的对本发明的说明性实施例的详细描述中，这些和其他特征将变得显而易见。
附图说明
28.附图是说明性实施例。它们没有示出所有实施例。除此之外或作为替代，可使用其他实施例。可以省略可能是明显的或不必要的细节以节省空间或用于更有效的说明。一些实施例可以用附加的组件或步骤和/或不用所示出的所有组件或步骤来实施。当相同的编号出现在不同的附图中时，它指的是相同或相似的组件或步骤。
29.图1提供了与说明性实施例一致的用于多元时间序列建模和预测的系统的架构概览。
30.图2示出了与说明性实施例一致的每时间序列合并了外生因素的编码器神经网络。
31.图3示出了与说明性实施例一致的时间自动编码器。
32.图4示出了与说明性实施例一致的概率时间自动编码器。
33.图5a和5b示出了每个时期的数据集统计和运行时间，以示出本公开的计算机实现的方法的改进的功能。
34.图6是示出与说明性实施例一致的时间序列建模和预测的计算机实现方法的流程图。
35.图7是与说明性实施例一致的可以与之通信的计算机硬件平台的功能框图图示。
36.图8描绘了与说明性实施例一致的说明性云计算环境。
37.图9描绘了与说明性实施例一致的由云计算环境提供的一组功能抽象层。
具体实施方式
38.在以下详细描述中，通过实例阐述了许多具体细节以提供对相关教导的透彻理解。然而，应理解，可在没有这些细节的情况下实践本教导。在其他实例中，已在相对较高层级上描述众所周知的方法、程序、组件和/或电路，而没有细节，以避免不必要地混淆本教导的方面。
39.如在本文的一些说明性实施例中所使用的，术语“潜在空间”指的是抽象多维空间，其包括不被直接解释的特征值，但是这样的特征值被用于编码外部观察的事件的有意义的内部表示。另外，术语“较低维潜在空间”是指原始频谱维的减少以提高搜索的效率。
40.在机器学习中，术语“输入空间”被理解为所有可能的输入。例如，在说明性实施例中，对随机噪声样本进行解码以提供预测分布。解码器可以被配置用于将随机噪声映射回输入空间。
41.此外，术语“随机梯度下降”通常是指通过对训练样本的梯度进行近似来减小误差的方法。在一些说明性实施例中，可以通过使用随机梯度下降来最小化重构误差、潜在空间
预测误差和输入空间预测误差。
42.本公开的计算机实现的方法和设备提供了时间序列建模和预测领域中的改进。时间序列建模和预测的增加的准确性提供了在如健康(例如，药物、疫苗等的生产和分发)、食品、废物管理、通信(例如，网络操作、因特网业务、数据流)等变化的领域中的改进的效率，这里仅举几个非限制性示例。
43.另外，本公开的计算机实现的方法和设备提供了计算机操作的效率的改进。根据本文的教导，技术改进导致处理要求和功率的量的减少。例如，改进的预测精度导致较少的迭代，从而释放计算机资源。使用本公开的教导也实现了时间节省。
44.示例架构
45.图1提供了与说明性实施例一致的用于多元时间序列建模和预测的架构100的概览。在该说明性实施例中，时间序列数据101是多元时间序列数据。多元数据是其中基于每个观察的多于两个变量的数据进行分析。多元时间序列数据105是在随后时间点的多个变量的集合。示出了多个多元时间序列数据105以描述各种数据模式中的一些。将多元数据输入到编码器111。编码器111被配置为将多元时间序列数据编码为较少数量的共享/全局基础时间模式113以及被净化和去噪的输入时间序列数据的非线性组合。编码器还执行所编码的多元时间序列数据到较低维潜在空间的非线性映射。如上所述，术语“较低维潜在空间”是指原始频谱维的减少以提高搜索的效率。
46.时间模型115接收所编码的多元时间序列数据，并预测所编码的多元时间序列数据在较低维空间中的后续值。所预测的后续值由时间模型115提供作为潜在空间中的预测114。在该说明性实施例中，时间模型115是循环神经网络(rnn)，并且可以被称为时间预测器网络。然而，本公开的时间模型115不限于是rnn。
47.解码器117接收所预测的后续值的预测114，并且被配置用于将所预测的后续值从时间模型映射到输入空间。解码器117从随机噪声生成器119接收噪声，该噪声与潜在序列值和预测114组合，以便例如通过直接将随机噪声添加到值和预测中，在潜在空间中产生随机噪声样本。预测可以包括联合分布的任何属性-包括平均值或中值、方差、不同的分位数等。解码器117对随机噪声样本进行解码，以提供时间序列上的采样预测分布123、124。还示出了重构序列均值输入序列121(0噪声输入)和重构均值预测122(0噪声输入)。预测可以被输出到存储125，然后被输出到决策/优化和规划系统127。可以根据用户期望来使用预测的输出。因此，从图1所示的架构可以看出，时间序列建模和预测提供了可以由其他系统的算法使用的输出。
48.关于说明性实施例，潜在空间包括潜在/全局序列和预测。如上所述，随机噪声被直接添加到潜在空间值/预测。然而，存在将随机噪声与潜在空间值/预测组合的附加方式。例如，如果预测涉及均值和标准偏差预测，则随机噪声可以被变换以具有潜在空间中的输出标准偏差，例如，在将预测添加到均值输出之前，通过标准偏差输出来扩展预测。
49.图2示出了与示例性实施例一致的按照时间序列合并了外生因素的编码器神经网络200。在该说明性实施例中，编码器211被配置为在输入被布置为张量的情况下接收每个序列的外生因素数据203以及时间序列数据201(例如，每个序列和时间点的某些特征)，并且其中，外生因素数据作为另一维度与时间序列数据并排相加，以便形成3d阵列或张量)，其中，附加维度对应于来自每个单独时间序列的外部数据的外部特征。时间模型215可以如
参考图1所描述的那样操作。
50.时间序列数据205被示为补充有每个序列的天气特征和时间点209。特征序列和时间点可以是期望预测的或者可以影响目标序列的预测的任何特征。例如，如果时间序列数据205是因特网业务，并且重大体育事件将要发生，则体育事件207可以是比赛的特征和时间。天气特征209可以影响体育事件，引起比赛延迟等，并且流传送该事件的观众的因特网业务可以允许预测因特网业务。例如，如果可能的话，通信公司可以增加网络容量，使得尽可能多的网络服务器可操作以处理业务。
51.图3示出了与说明性实施例一致的时间自动编码器300。示出了编码器311和解码器317。时间自动编码器300可以被实现为多元时间自动编码器，可以被配置为找出与潜在时间序列相对应的潜在特征，并且在每个时间点以隐藏状态向量表示它们。潜在时间序列被建模为具有由某个潜在时间模型描述的显式时间模式，对时间序列如何随时间进展并且在潜在空间中以可能的非线性方式交互进行建模。在图中的等式中示出了一个这样的时间模型，其中潜在时间序列(对于特定t为x)的未来时间序列值是先前潜在时间序列值的线性函数-加权和。还提出了更复杂的非线性时间模型，诸如递归神经网络(rnn)或时间卷积神经网络(tcn)-通常未来的潜在值是先前潜在值的函数。因此，时间自动编码器的整个过程可以被建模为一个端到端的操作或函数序列，即，在潜在空间中变换之后，将输入空间时间序列映射到潜在空间，并且再次回到输入空间。每个步骤可以用任意函数建模，诸如各种不同架构类型的神经网络。这样，如同以相同的方式，包括像rnn和tcn这样的神经网络的时间模型可以用时间序列和序列数据来训练，包括整个流的这整个端到端模型可以以相同的方式使用时间序列的子序列或批次来训练，并且其中所有组件，即编码器、解码器和潜在时间模型，都通过使用随机梯度下降和反向传播来在每个更新步骤处计算梯度而同时被联合地优化。
52.图4示出了与说明性实施例一致的概率时间自动编码器400。示出了编码器411和解码器417。时间序列预测的问题之一是如何对未来值进行概率建模。根据这个说明性实施例，高维数据被编码为低维嵌入，并且潜在空间概率模型基于低维嵌入。预测样本可以通过从潜在分布采样并通过解码器转换预测样本以获得(更复杂的)输入空间中的概率样本来获得。如果编码器足够复杂以捕获序列之间的非线性相关，并且解码器足够复杂以将简单分布映射到更复杂的分布(类似于通常在统计中使用的逆变换采样的思想)，则可以在潜在变量上引入相对简单的概率结构，具有经由解码器映射对多元数据的复杂分布建模的持续能力。
53.继续参考图4，类似于变化的自动编码器(vae)的思想的变化操作可以用于在潜在空间中绘制样本。更具体地，潜在空间方差σ2被固定为“1”以简化建模并避免以下等式1中的过拟合：
54.p(x
l 1
|x
l
,
…
,x1)＝n(x
l 1
|μ,σ2)
ꢀꢀ
(等式1)
55.其中“p”是概率，x
l 1
是多元潜在空间序列的后续值，并且“n”是给定潜在空间中的先前观察值的后续值的概率。
56.在不失一般性的情况下，此概率p在这里被假设为遵循正态分布，其中均值由作为潜在时间模型的输出的后续值x
l 1
的预测均值给出，并且标准偏差例如由潜在时间模型的另一输出给出，或者如上所述被固定为恒定值(例如，“1”)。这样，在给定潜在时间模型输出
的情况下，可以通过从潜在空间中的给定概率分布中抽取随机样本来完成采样。然后，在解码器和潜在空间模型拟合到观察到的数据时，输入空间中的这些转换的样本对应于来自时间序列上的未来值的联合分布的样本。从这些联合分布样本，可以提供分布的任何属性作为不同类型的预测。例如，这些属性可以包括平均值或中值、方差、不同的分位数等。这些属性可以用于为不同的用途提供不同类型的关键预测，诸如第5和第95百分位的中值和预测，以提供标准预测区间。
57.图5a和5b示出了每个时期的运行时间以及与其他算法的比较，以示出本公开的计算机实现的方法的改进的功能。图5a示出了每个时期wiki的大版本515仅用了wiki的小版本510的1.5倍。然而，大wiki具有比小wiki多57倍的序列，因此计算机实现的方法在大数据的情况下得到特别改进，并且提供时间和资源的显著节省。
58.图5b提供了不同算法与本公开的计算机实现的方法(标识为“tlae”)的比较。tlae 550使用比deepglo 560更小的潜在空间大小，并且与之相比，仍然不执行所有全局因式分解模型。tlae不使用外生预测因子，如一周中的一天和一天中的一小时或局部建模，但是仍然在大多数数据集上执行所有其他方法。
59.实施例方法
60.通过示例架构的前述概述，现在考虑示例过程的高级讨论可能是有帮助的。为此，结合图1-5，图6描绘了示出与说明性实施例一致的时间序列建模和预测的计算机实现的方法的流程图600。过程600被示为逻辑流程图中的框的集合，其表示可以用硬件、软件或其组合来实现的操作序列。在软件的上下文中，这些框表示计算机可执行指令，这些指令在由一个或多个处理器执行时执行所叙述的操作。通常，计算机可执行指令可以包括执行功能或实现抽象数据类型的例程、程序、对象、组件、数据结构等。在每个过程中，描述操作的顺序不旨在被解释为限制，并且任何数量的所描述的框可以以任何顺序组合和/或并行执行以实现该过程。
61.现在参考图6，在操作605，对时间序列数据的多个输入进行编码。时间序列数据实际上可以是随时间跟踪的任何类型的数据，包括但不限于来自电子设备(固定的和移动的两者)、电子车辆和车辆交通流量的传感器数据、生产信息、产品销售、网络瓶颈等。
62.在操作610，所编码的多元时间序列数据被映射到较低维潜在空间。较低维潜在空间是指从中绘制低维表示的空间。机器学习出于多种原因利用较低维潜在空间，包括但不限于预测缺失变量。
63.在操作615，存在对较低维潜在空间中的所编码的多元时间序列数据的时间上的后续值的预测。通过连续迭代，可以精确地捕获全局时间序列模式，并且较低维潜在空间中的潜在变量可以拥有其自身的局部属性，并且可以根据预测潜在样本计算输出预测样本。
64.在操作620，将所预测的后续值和随机噪声映射回输入空间，以提供多元时间序列数据的后续时间点的预测分布样本。噪声增加了识别模式的难度，并且随机噪声可以用于帮助解码并获得序列上的分布和预测。
65.在操作625，输出基于预测分布样本的一个或多个时间序列预测。输出可以被存储和/或提供给决策优化和规划系统。这种系统将部分地基于所提供的预测采样来操作它们自己的算法。
66.图7提供了计算机硬件平台的功能框图图示700。特别地，图7示出了特别配置的网
络或主机计算机平台700，其可以用于实现图6所示的方法。
67.计算机平台700可包括中央处理单元(cpu)704、硬盘驱动器(hdd)706、随机存取存储器(ram)和/或只读存储器(rom)708、键盘710、鼠标712、显示器714和通信接口716，它们连接到系统总线702。hdd 706可以包括数据存储。
68.在一个实施例中，hdd 706具有包括存储程序的能力，该程序可以以这里描述的方式执行各种处理，诸如多元时间序列建模和预测模块720。根据本文所述的某些说明性实施例，多元时间序列建模和预测模块是端到端深度学习模型。可以使用可以基于训练样本750的随机梯度下降来训练端到端深度学习模型。
69.编码器模块725被配置为对多元时间序列的输入进行编码。编码器模块725可以被实现为神经网络。编码器模块725还可以被配置为接收每个序列的外生因素数据203(参见图2)以及时间序列数据201(例如，每个序列和时间点的某些特征)。在输入被布置为张量的情况下，外生因素数据作为另一维度与时间序列数据并排地被添加，以便形成3d阵列)，其中，附加维度对应于来自针对每个单独时间序列的外部数据的外部特征。编码器模块725可以被配置为使用注意力模型来提高效率或者在外生因素之间加强稀疏性。注意力模型采用所有或一些输入/时间序列，并确定哪些外生因素包括如何对它们加权、潜在地乘以0或在逐个情况的基础上排除某些因素输入。
70.输入时间序列数据的非线性组合由编码器模块725净化和去噪。与输入的时间序列数据相比，编码器模块725输出较少数量的共享/全局模式。较少数量的共享/全局模式增加了操作的效率，因为解码器模块740具有较少的模式来解码。通过编码器输出较少数量的共享/全局模式供解码器处理，也提高了时间序列建模和预测的速度。
71.时间预测器730被配置为从自编码器模块725接收到的所编码的多元时间序列数据来预测后续值。如上所述，在每个序列的外生因素数据与时间序列数据一起被包括(例如，诸如在3d阵列中)的情况下，时间预测器730被配置为基于编码的时间序列数据和外生因素数据来预测后续值。时间预测器730被配置为提供时间模型的潜在空间中的预测。解码器模块740被配置为将来自时间预测器730的所预测的后续值映射回输入空间。随机噪声生成器745将随机噪声添加到解码器模块740。对随机噪声样本进行解码以提供时间序列上的分布和预测。
72.示例云平台
73.如上所述，与环境和生态优化方法相关的功能可以包括云。应当理解，尽管本公开包括如本文以下讨论的云计算的详细描述，但本文叙述的教导的实现不限于云计算环境。相反，本公开的实施例能够结合现在已知或以后开发的任何其他类型的计算环境来实现。
74.云计算是一种服务递送模型，用于实现对可配置计算资源(例如，网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)的共享池的方便的按需网络接入，所述可配置计算资源可以以最小的管理努力或与服务的提供者的交互来快速提供和发布。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。
75.特征如下：
76.按需自助：云消费者可以单方面地自动地根据需要提供计算能力，诸如服务器时间和网络存储，而不需要与服务的提供者进行人工交互。
77.广域网接入：能力在网络上可用，并且通过促进由异构的薄或厚客户端平台(例
如，移动电话、膝上型计算机和pda)使用的标准机制来接入。
78.资源池化：提供者的计算资源被集中以使用多租户模型来服务多个消费者，其中不同的物理和虚拟资源根据需求被动态地分配和重新分配。存在位置无关的意义，因为消费者通常不控制或不知道所提供的资源的确切位置，但是能够在较高抽象级别(例如国家、州或数据中心)指定位置。
79.快速弹性：在一些情况下，可以快速且弹性地提供快速向外扩展的能力和快速向内扩展的能力。对于消费者，可用于提供的能力通常看起来不受限制，并且可以在任何时间以任何数量购买。
80.测量服务：云系统通过利用在适合于服务类型(例如，存储、处理、带宽和活动用户账户)的某一抽象级别的计量能力来自动地控制和优化资源使用。可以监视、控制和报告资源使用，从而为所利用服务的提供者和消费者两者都提供透明性。
81.服务模型如下：
82.软件即服务(saas)：提供给消费者的能力是使用在云基础设施上运行的提供者的应用。应用程序可通过诸如web浏览器(例如，基于web的电子邮件)等瘦客户端界面从各种客户端设备访问。消费者不管理或控制包括网络、服务器、操作系统、存储、或甚至个别应用能力的底层云基础设施，可能的例外是有限的用户专用应用配置设置。
83.平台即服务(paas)：提供给消费者的能力是将消费者创建或获取的应用部署到云基础设施上，该消费者创建或获取的应用是使用由提供者支持的编程语言和工具创建的。消费者不管理或控制包括网络、服务器、操作系统或存储的底层云基础设施，但具有对部署的应用和可能的应用托管环境配置的控制。
84.基础设施即服务(iaas)：提供给消费者的能力是提供处理、存储、网络和消费者能够部署和运行任意软件的其他基本计算资源，所述软件可以包括操作系统和应用。消费者不管理或控制底层云基础设施，但具有对操作系统、存储、部署的应用的控制，以及可能对选择的联网组件(例如，主机防火墙)的有限控制。
85.部署模型如下：
86.私有云：云基础设施仅为组织单独操作。它可以由组织或第三方管理，并且可以存在于场所内或场所外。
87.社区云：云基础设施由若干组织共享，并且支持具有共享关注(例如，任务、安全要求、策略和合规性考虑)的特定社区。它可以由组织或第三方管理，并且可以存在于场所内或场所外。
88.公有云：云基础设施可用于一般公众或大型工业集群，并且由销售云服务的组织拥有。
89.混合云：云基础设施是两个或更多云(私有、社区或公共)的组合，保持唯一实体，但是通过使数据和应用能够移植的标准化或私有技术(例如，用于云之间的负载平衡的云突发)绑定在一起。
90.云计算环境是面向服务的，其焦点在于无状态、低耦合、模块性和语义互操作性。在云计算的核心是包括互连节点的网络的基础设施。
91.现在参考图8，描绘了利用云计算的说明性云计算环境800。如图所示，云计算环境800包括具有一个或多个云计算节点810的云850，云消费者使用的本地计算设备可以与所
述云计算节点通信，所述本地计算设备例如是个人数字助理(pda)或蜂窝电话854a、台式计算机854b、膝上型计算机854c和/或汽车计算机系统854n。节点810可以彼此通信。它们可以被物理地或虚拟地分组(未示出)在一个或多个网络中，诸如如上文描述的私有云、社区云、公共云或混合云或其组合。这允许云计算环境800提供云消费者不需要为其维护本地计算设备上的资源的基础设施、平台和/或软件即服务。应当理解，图8中所示的计算设备854a-n的类型仅旨在说明，并且计算节点810和云计算环境850可以通过任何类型的网络和/或网络可寻址连接(例如，使用web浏览器)与任何类型的计算设备通信。
92.现在参考图9，示出了由云计算环境800(图8)提供的一组功能抽象层900。应当预先理解，图9中所示的组件、层和功能仅旨在说明，并且本公开的实施例不限于此。如所描绘的，提供了以下层和相应的功能：
93.硬件和软件层960包括硬件和软件组件。硬件组件的示例包括：主机961；基于risc(精简指令集计算机)架构的服务器962；服务器963；刀片服务器964；存储设备965；以及网络和联网组件966。在一些实施例中，软件组件包括网络应用服务器软件967和数据库软件968。
94.虚拟化层970提供抽象层，从该抽象层可以提供虚拟实体的以下示例：虚拟服务器971；虚拟存储972；虚拟网络973，包括虚拟专用网络；虚拟应用和操作系统974；以及虚拟客户端975。
95.在一个示例中，管理层980可以提供下面描述的功能。资源供应981提供计算资源和被利用来在云计算环境内执行任务的其他资源的动态采购。计量和定价982提供了在云计算环境内利用资源时的成本跟踪，以及针对这些资源的消耗的开账单或开发票。在一个示例中，这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证，以及为数据和其他资源提供保护。用户门户983为消费者和系统管理员提供对云计算环境的访问。服务级别管理984提供云计算资源分配和管理，使得满足所需的服务级别。服务水平协议(sla)规划和实行985提供了对云计算资源的预安排和采购，其中根据sla预期未来需求。
96.工作负载层990提供了可以利用云计算环境的功能的示例。可以从该层提供的工作负载和功能的示例包括：地图和导航991；软件开发和生命周期管理992；虚拟教室教育传送993；数据分析处理994；交易处理995；以及时间序列和预测模块996，用于执行多元时间序列建模和预测，如本文所讨论的。
97.结论
98.已经出于说明的目的呈现了本教导的各种实施例的描述，但是不旨在是穷举的或限于所公开的实施例。在不背离所描述的实施例的范围和精神的情况下，许多修改和变化对于本领域的普通技术人员将是显而易见的。选择本文所使用的术语以最好地说明实施例的原理、实际应用或对市场上存在的技术改进，或使本领域的其他普通技术人员能够理解本文所公开的实施例。
99.虽然上文已描述了被认为是最佳状态的内容和/或其他实例，但应理解，可在其中作出各种修改，且本文所揭示的标的物可以各种形式和实例来实施，且所述教导可应用于许多应用中，本文仅描述了其中的一些应用。所附权利要求旨在要求保护落入本教导的真实范围内的任何和所有应用、修改和变型。
100.在此讨论的组件、步骤、特征、目的、益处和优点仅仅是说明性的。它们中的任何一
个，或者与它们相关的讨论都不是要限制保护范围。虽然本文已经讨论了各种优点，但是将理解，并非所有实施例都必须包括所有优点。除非另有说明，否则本说明书中，包括所附权利要求中阐述的所有测量值、值、额定值、位置、大小、尺寸和其他规格是近似的，而不是精确的。它们旨在具有与它们相关的功能以及它们所属领域的惯例一致的合理范围。
101.也考虑了许多其他实施例。这些实施例包括具有更少、附加和/或不同组件、步骤、特征、目的、益处和优点的实施例。这些还包括其中以不同方式布置和/或排序组件和/或步骤的实施例。
102.本文的附图中的流程图和图表示出了根据本公开的各种实施例的可能实现的架构、功能和操作。
103.虽然已经结合示例性实施例描述了前述内容，但是应当理解，术语“示例性”仅意味着作为示例，而不是最佳或最优的。除了上文刚刚陈述的，无论是否在权利要求中陈述，已陈述或说明的内容都不意图或不应解释为导致导致向公众提供任何组件、步骤、特征、对象、益处、优点或等效物。
104.应当理解，除非在此另外阐述了特定的含义，否则在此使用的术语和表达具有与关于它们相应的各自的调查和研究领域的这些术语和表达一致的普通含义。诸如第一和第二等的关系术语可仅用于将一个实体或动作与另一个区分，而不必要求或暗示这些实体或动作之间的任何这种实际关系或顺序。术语“包括”、“包含”或其任何其他变化形式旨在涵盖非排他性的包括，使得包括一系列元素的过程、方法、物品或装置不仅包括那些元素，而且可以包括未明确列出的或对于这样的过程、方法、物品或装置是固有的其他元素。在没有进一步约束的情况下，前面有“一”或“一个”的元件不排除在包括该元件的过程、方法、物品或装置中存在附加的相同元件。
105.提供本公开的摘要以允许读者快速确定本技术公开的本质。应当理解，它不是用于解释或限制权利要求的范围或含义。另外，在前述详细描述中，可以看出，为了使本公开流畅，在各种实施例中将各种特征分组在一起。这种公开方法不应被解释为反映了所要求保护的实施例具有比每个权利要求中明确记载的特征更多的特征的意图。相反，如所附权利要求所反映的，本发明的主题在于少于单个公开的实施例的所有特征。因此，以下权利要求由此被并入具体实施方式中，其中每个权利要求独立地作为单独要求保护的主题。