一种通用的时序预测方法、装置、设备和存储介质与流程

1.本发明实施例涉及数据处理技术领域，尤其涉及一种通用的时序预测方法、装置、设备和存储介质。


背景技术：

2.时序预测即时间序列预测，其主要是利用过去一段时间的数据预测未来一段时间的时序，根据预测的类型可以分为连续性预测和离散型预测，根据预测的时间又可以分为短期预测、中期预测和长期预测。时序预测不但具有较大的商业价值，而且在企业中发挥着重要的作用。例如，可以应用于超市商品的销量预测、公交地铁人流量的预测以及电力需求的预测等。
3.但是目前在进行时序预测时，通常采用传统的单一算法预测为主，并且五大覆盖不同类型的预测场景，造成准确率并不理想，因此现有的时序预测方法并不能满足用户的实际需求。


技术实现要素：

4.本发明实施例提供了一种通用的时序预测方法、装置、电子设备和存储介质，以实现时序预测的准确性。
5.第一方面，本发明实施例提供了一种通用的时序预测方法，包括：获取样本数据，其中，所述样本数据的类型包括中长期样本数据或短期样本数据；
6.根据所述样本数据的类型确定指定融合模型，其中，所述指定融合模型包括轻量级梯度提升机lgb模型与滑动平均模型的第一融合模型，或者整合移动平均自回归arima模型与滑动平均模型的第二融合模型；
7.将所述样本数据输入所述指定融合模型获取时序预测数据。
8.第二方面，本发明实施例提供了一种通用的时序预测装置，包括：样本数据获取模块，用于获取样本数据，其中，所述样本数据包括中长期样本数据或短期样本数据；
9.指定融合模型确定模块，用于根据所述样本数据的类型确定指定融合模型，其中，所述指定融合模型中包括轻量级梯度提升机lgb模型与滑动平均模型的第一融合模型，或者整合移动平均自回归arima模型与滑动平均模型的第二融合模型；
10.预测模块，用于将所述样本数据输入所述指定融合模型获取时序预测数据。
11.第三方面，本发明实施例提供了一种电子设备，电子设备包括：
12.一个或多个处理器；
13.存储装置，用于存储一个或多个程序，
14.当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上的方法。
15.第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的方法。
16.本发明实施例的技术方案，通过样本数据的类型确定指定融合模型，并采用不同的指定融合模型对所适匹配的样本数据进行预测，提高了时序预测的准确性，满足了用户针对不同场景的预测需求。
附图说明
17.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
18.图1是本发明实施例一提供的通用的时序预测方法的流程图；
19.图2是本发明实施例二提供的通用的时序预测方法的流程图；
20.图3是本发明实施例三提供的通用的时序预测装置的结构示意图；
21.图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
22.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。
23.另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、软件实现、硬件实现等等。
24.实施例一
25.图1是本发明实施例提供的通用的时序预测方法的流程图，本实施例适用于针对样本数据采用所匹配的指定融合模型进行时序预测的情况，该方法可以由本发明实施例中的时序预测装置来执行，该装置可以采用软件和/或硬件的方式实现。如图1所示，该方法具体包括如下操作：
26.步骤s101，获取样本数据。
27.可选的，获取样本数据，包括：获取历史数据；对历史数据进行预处理获取样本数据，其中，中长期样本数据中包括日期与原始数值的对应关系，短期样本数据中包括日期、时间段与原始数值的对应关系。
28.具体的说，在对历史数据进行预处理时，针对历史数据中所存在的极值或者异常值，需要继续剔除。而针对历史数据中的缺失值，当数据量足够大时，可以将缺失值所对应的整条记录进行剔除；当缺失值为有意义缺失，则使用0替换缺失值；当单一字段缺失值超过50％，且为无意义缺失值则直接剔除字段；当字段为数值型字段，并且数据大多集中在某一区间内，或符合某一变化规律时，例如，符合线性回归时，则可根据中位数、众数以及平均数等所计算的结果对缺失值进行填补。当然本实施方式中仅是对历史数据中的极值、异常值以及缺失值进行预处理的操作进行举例说明，而并不限定对历史数据进行预处理的具体
方式。
29.其中，在对历史数据进行预处理后会将预处理后的历史数据按照数据类型填充到所匹配的格式表中，以获取样本数据，并且样本数据的类型包括中长期样本数据或短期样本数据。如下表1所示为中长期样本数据的示例：
30.表1
31.序号日期时段数值12022030100点-01点34522022030101点-02点453
…………
32.如下表2所示为短期样本数据的示例：
33.表2
34.序号日期数值12022030112352202203021478
………
35.其中，中长期的样本数据采用以天作为预测单位，短期样本数据采用以小时为预测单位，并且当样本数据中包含多种特征场景时，针对表和表2还可以增加一列场景特征，例如，针对地铁人流量的预测来说，地铁场景特征可以采用s表示，公交场景特征可以采用b表示；而当样本数据中都采用的单一场景特征，如样本数据都是针对地铁场景特征时，则无需增加这一列场景特征。当然，本实施方式中仅是对样本数据进行举例说明，而并不对样本数据的具体展示方式进行限定。
36.步骤s102，根据样本数据的类型确定指定融合模型。
37.其中，指定融合模型包括轻量级梯度提升机(light gradient boosting machine，lgb)模型与滑动平均模型的第一融合模型，或者整合移动平均自回归(autoregressive integrated moving average model，arima)模型与滑动平均模型的第二融合模型。
38.可选的，根据样本数据的类型确定指定融合模型，包括：当样本数据的类型为中长期样本数据时，则确定指定融合模型为第一融合模型；当样本数据的类型为短期样本数据时，则确定指定融合模型为第二融合模型。
39.具体的说，由于lgb模型对中长期的时序预测效果比较好，但是该模型存在过拟合的风险，因此需要借助滑动平均模型进行辅助预测，从而当确定样本数据的类型为中长期样本数据时，可以确定指定融合模型为由lgb模型和中长期模型所构成的第一融合模型。由于arima模型对短期的时序预测效果比较好，并且同样可以采用滑动平均模型进行辅助预测，从而当确定样本数据的类型为短期样本数据时，可以确定指定融合模型为由arima模型与滑动平均模型所构成的第二融合模型。
40.步骤s103，将样本数据输入指定融合模型获取时序预测数据。
41.可选的，将样本数据输入指定融合模型获取时序预测数据，包括：将样本数据分别输入第一融合模型的lgb模型和滑动平均模型；通过lgb模型和滑动平均模型分别对样本数据进行预测，获取时序预测数据。
42.可选的，通过lgb模型和滑动平均模型分别对样本数据进行预测，获取时序预测数据，包括：通过lgb模型基于特征因子对样本数据进行预测获取第一预测结果，其中，特征因子包括月初、月末以及法定节假日；通过滑动平均模型基于特征因子对样本数据进行预测获取第二预测结果；对第一融合模型的权重进行网络遍历，获取lgb模型对应的第一权重，以及滑动平均模型所对应的第二权重；将第一预测结果和第一权重的乘积，以及第二预测结果和第二权重的乘积，进行相加求和获取时序预测数据。
43.具体的说，本实施方式中，在确定样本数据的类型为中长期样本数据时，由于在这种情况下已经确定样本数据所对应的指定融合模型为第一融合模型，因此会将长期样本数据分别输入lgb模型以及滑动平均模型，并根据lgb模型以及滑动平均模型的预测结果，获取中长期样本数据所对应的时序预测数据。
44.在一个具体实现中，当中长期样本数据中包含2021年4月至2022年3月时间段内城市a每天地铁的人流量，并预测城市a未来4月每天的地铁车流量的预测数据。在lgb模型和滑动平均模型内部预设了月初、月末以及法定节假日等特征因子，由于每个模型能够更好的拟合日期等相关因素，从而实现在法定节假日所预测的地铁人流量能够明显高于工作日所预测的地铁人流量。将中长期样本数据全部输入lgb模型，通过lgb模型基于特征因子对样本数据进行预测获取第一预测结果，在第一预测结果中包含4月每天的地铁人流量的具体数值，例如，其中4.8号当天地铁人流量为3240；将距离当前最近的三个月内即2011年1月至2022年3月时间段内的中长期样本数据输入滑动平均模型，通过滑动平均模型基于特征因子对样本数据进行预测获取第二预测结果，在第二预测结果中同样包含4月每天的地铁人流量的具体数值，例如，其中4.8号当天地铁人流量为2980。
45.其中，在每个模型分别获得预测结果之后，会对第一融合模型的权重进行网络遍历，获取lgb模型和滑动平均模型的权重最优组合，从而获取lgb模型所对应的第一权重为0.4，以及滑动平均模型所对应的第二权重为0.6，由于关于网络遍历获取最优解的方式并不是本技术的重点，因此本实施方式中不再进行赘述。将第一预测结果和第一权重进行相乘，以及第二预测结果和第二权重进行相乘，将两个相乘结果进行相加求和获取时序预测数据。例如，针对4.8号当天的时序预测数据＝3240*0.4 2980*0.6＝3084，当然，本实施方式仅是对时序预测数据中4.8号当天的时序预测数据进行举例说明，对于其它日期的时序预测数据的计算方式与此大致相同，本实施方式中不再进行赘述。
46.可选的，样本数据输入指定融合模型获取时序预测数据，包括：将样本数据分别输入第二融合模型的arima模型与滑动平均模型；确定arima模型与滑动平均模型的校正因子；通过arima模型和滑动平均模型基于校正因此分别对样本数据进行预测，获取时序预测模型。
47.可选的，确定arima模型与滑动平均模型的校正因子，包括：确定与当前时刻相邻的前一时间段的样本数据所匹配的arima模型的预测数据；根据与当前时刻相邻的前一时间段的样本数据与arima模型的预测数据，确定arima模型的第一校正因子；确定与当前时刻相邻的前一时间段的样本数据所匹配的滑动平均模型的预测数据；根据与当前时刻相邻的前一时间段的样本数据与滑动平均模型的预测数据，确定滑动平均模型的第二校正因子。
48.可选的，通过arima模型和滑动平均模型基于校正因此分别对样本数据进行预测，
获取时序预测模型，包括：通过arima模型对样本数据进行预测获取第三预测结果；通过滑动平均模型对样本数据进行预测获取第四预测结果；对第二融合模型的权重进行网络遍历，获取arima模型对应的第三权重，以及滑动平均模型所对应的第四权重；将第三预测结果、第三权重和第一校正因子的乘积，与第四预测结果、第四权重和第二校正因子的乘积，进行相加求和获取时序预测模型。
49.在另一个具体实现中，当短期样本数据中包含2022年3月1号12点至3月2号12点内城市a每小时地铁的人流量，并预测城市a未来1小时的地铁车流量的预测数据。将短期样本数据全部输入lgb模型，通过lgb模型对短期样本数据进行预测获取第三预测，即3月2号13点内城市a地铁人流量为300，将距离当前最近的三小时内即3月2号9点至12点内的短期样本数据输入滑动平均模型，通过滑动平均模型对部分样本数据进行预测获得第四预测结果，即3月2号13点内城市a地铁人流量为250。
50.但是，针对短期样本数据如果由于预测波动较大，因此还会增加自主校正功能，具体是根据短时的预测结果和历史数据的趋势变化做动态校正，当相同日期内的相临时段的预测结果波动50％以上，其下一时段的预测结果对应降低或者增加波动的二分之一；同时在连续多个相邻日期的相同时段波动50％以上，其当天的预测结果也对应的降低或者增加波动的二分之一，同时根据以天为单位的总量做趋势因子的判断，分配到不同的时段，通过多种策略约束短期预测的结果。当然，本实施方式仅是举例说明，而并不对自主校正的具体方式进行限定。例如，针对aima模型来说，针对3月2号12点进行预测所获取的时序预测值为250，针对3月2号12点所获取的实际数值为200，则确定arima模型的第一校正因子为200/250＝0.8,同理还可以获取滑动平均模型的第二校正因子为0.9，当然，本实施方式中仅是举例说明，而并不对arima模型以及滑动平均模型所对应的校正因子的具体数值进行限定。
51.其中，在每个模型分别获得预测结果之后，会对第二融合模型的权重进行网络遍历，获取arima模型和滑动平均模型的权重最优组合，从而获取arima模型所对应的第三权重为0.6，以及滑动平均模型所对应的第四权重为0.4。将第三预测结果、第三权重和第一校正因子的乘积，与第四预测结果、第四权重和第二校正因子的乘积，进行相加求和获取时序预测模型，例如，针对3月2号13点内的时序预测数据＝300*0.8*0.6 250 0.9*0.4＝234。
52.本发明实施例的技术方案，通过样本数据的类型确定指定融合模型，并采用不同的指定融合模型对所适匹配的样本数据进行预测，提高了时序预测的准确性，满足了用户针对不同场景的预测需求。
53.实施例二
54.图2是本发明实施例提供的通用的时序预测方法的流程图，本实施例一上述实施例为基础，在将样本数据输入指定融合模型获取时序预测数据之后，还包括：对时序预测数据进行校验，方法步骤具体包括如下操作：
55.步骤s201，获取样本数据。
56.可选的，获取样本数据，包括：获取历史数据；对历史数据进行预处理获取样本数据，其中，中长期样本数据中包括日期与原始数值的对应关系，短期样本数据中包括日期、时间段与原始数值的对应关系。
57.步骤s202，根据样本数据的类型确定指定融合模型。
58.其中，指定融合模型包括lgb模型与滑动平均模型的第一融合模型，或者arima模
型与滑动平均模型的第二融合模型。
59.可选的，根据样本数据的类型确定指定融合模型，包括：当样本数据的类型为中长期样本数据时，则确定指定融合模型为第一融合模型；当样本数据的类型为短期样本数据时，则确定指定融合模型为第二融合模型。
60.步骤s203，将样本数据输入指定融合模型获取时序预测数据。
61.可选的，将样本数据输入指定融合模型获取时序预测数据，包括：将样本数据分别输入第一融合模型的lgb模型和滑动平均模型；通过lgb模型和滑动平均模型分别对样本数据进行预测，获取时序预测数据。
62.可选的，通过lgb模型和滑动平均模型分别对样本数据进行预测，获取时序预测数据，包括：通过lgb模型基于特征因子对样本数据进行预测获取第一预测结果，其中，特征因子包括月初、月末以及法定节假日；通过滑动平均模型基于特征因子对样本数据进行预测获取第二预测结果；对第一融合模型的权重进行网络遍历，获取lgb模型对应的第一权重，以及滑动平均模型所对应的第二权重；将第一预测结果和第一权重的乘积，以及第二预测结果和第二权重的乘积，进行相加求和获取时序预测数据。
63.可选的，样本数据输入指定融合模型获取时序预测数据，包括：将样本数据分别输入第二融合模型的arima模型与滑动平均模型；确定arima模型与滑动平均模型的校正因子；通过arima模型和滑动平均模型基于校正因此分别对样本数据进行预测，获取时序预测模型。
64.可选的，确定arima模型与滑动平均模型的校正因子，包括：确定与当前时刻相邻的前一时间段的样本数据所匹配的arima模型的预测数据；根据与当前时刻相邻的前一时间段的样本数据与arima模型的预测数据，确定arima模型的第一校正因子；确定与当前时刻相邻的前一时间段的样本数据所匹配的滑动平均模型的预测数据；根据与当前时刻相邻的前一时间段的样本数据与滑动平均模型的预测数据，确定滑动平均模型的第二校正因子。
65.可选的，通过arima模型和滑动平均模型基于校正因此分别对样本数据进行预测，获取时序预测模型，包括：通过arima模型对样本数据进行预测获取第三预测结果；通过滑动平均模型对样本数据进行预测获取第四预测结果；对第二融合模型的权重进行网络遍历，获取arima模型对应的第三权重，以及滑动平均模型所对应的第四权重；将第三预测结果、第三权重和第一校正因子的乘积，与第四预测结果、第四权重和第二校正因子的乘积，进行相加求和获取时序预测模型。
66.步骤s204，对时序预测数据进行校验。
67.具体的说，本实施方式中在确定出时序预测数据之后，还会对所获取的时序预测数据进行校验，确定所获取的时序预测数据是否存在异常状况，例如，所获取的时序预测数据存在空白数据或者乱码，则确定所获取的时序预测数据为明显错误；当时序预测数据虽然有数值，但所获取的数值明显比真实情况不符，例如单位时间内所预测的地铁人流量为30万，而历史节假日单位时间内的地铁人流量仅为1000，则确定时序预测结果与实际情况明显不符。当然，本实施方式中仅是举例说明，而并不对异常状态的具体形式进行限定。
68.需要说明的是，在确定时序预测数据存在异常时，会及时发出报警提示，具体可以采用图片或语音的形式进行报警提示，以使维护人员根据报警提示及时进行设备或软件配
置的检修，从而提高时序预测数据的准确性。当然，本实施方式中仅是以图片或语音为例对报警提示进行说明，只要能够对用户起到提示作用，则都是在本技术的保护范围内，本实施方式中并不对其进行赘述。
69.本发明实施例的技术方案，通过样本数据的类型确定指定融合模型，并采用不同的指定融合模型对所适匹配的样本数据进行预测，提高了时序预测的准确性，满足了用户针对不同场景的预测需求。并且通过对所获取的时序预测数据进行校验，根据校验结果确定时序预测数据存在异常情况时进行报警提示，以提高时序预测数据获取的效率以及准确性。
70.实施例三
71.图3为本发明实施例提供的通用的时序预测装置的结构示意图，该装置具体包括：样本数据获取模块310、指定融合模型确定模块320和预测模块330。
72.其中，样本数据获取模块310，用于获取样本数据，其中，样本数据包括中长期样本数据或短期样本数据；
73.指定融合模型确定模块320，用于根据样本数据的类型确定指定融合模型，其中，指定融合模型中包括轻量级梯度提升机lgb模型与滑动平均模型的第一融合模型，或者整合移动平均自回归arima模型与滑动平均模型的第二融合模型；
74.预测模块330，用于将样本数据输入指定融合模型获取时序预测数据。
75.可选的，样本数据获取模块，用于获取历史数据；对历史数据进行预处理获取样本数据，其中，中长期样本数据中包括日期与原始数值的对应关系，短期样本数据中包括日期、时间段与原始数值的对应关系。
76.可选的，指定融合模型确定模块，用于当样本数据的类型为中长期样本数据时，则确定指定融合模型为第一融合模型；
77.当样本数据的类型为短期样本数据时，则确定指定融合模型为第二融合模型。
78.可选的，预测模块包括：
79.第一输入子模块，用于将样本数据分别输入第一融合模型的lgb模型和滑动平均模型；
80.第一预测子模块，用于通过lgb模型和滑动平均模型分别对样本数据进行预测，获取时序预测数据。
81.可选的，第一预测子模块，用于通过lgb模型基于特征因子对样本数据进行预测获取第一预测结果，其中，特征因子包括月初、月末以及法定节假日；
82.通过滑动平均模型基于特征因子对样本数据进行预测获取第二预测结果；
83.对第一融合模型的权重进行网络遍历，获取lgb模型对应的第一权重，以及滑动平均模型所对应的第二权重；
84.将第一预测结果和第一权重的乘积，以及第二预测结果和第二权重的乘积，进行相加求和获取时序预测数据。
85.可选的，预测模块包括：
86.第二输入子模块，用于将样本数据分别输入第二融合模型的arima模型与滑动平均模型；
87.校正子模块，用于确定arima模型与滑动平均模型的校正因子；
88.第二预测子模块，用于通过arima模型和滑动平均模型基于校正因此分别对样本数据进行预测，获取时序预测模型。
89.可选的，校正子模块，用于确定与当前时刻相邻的前一时间段的样本数据所匹配的arima模型的预测数据；
90.根据与当前时刻相邻的前一时间段的样本数据与arima模型的预测数据，确定arima模型的第一校正因子；
91.确定与当前时刻相邻的前一时间段的样本数据所匹配的滑动平均模型的预测数据；
92.根据与当前时刻相邻的前一时间段的样本数据与滑动平均模型的预测数据，确定滑动平均模型的第二校正因子。
93.可选的，第二预测子模块，用于通过arima模型对样本数据进行预测获取第三预测结果；
94.通过滑动平均模型对样本数据进行预测获取第四预测结果；
95.对第二融合模型的权重进行网络遍历，获取arima模型对应的第三权重，以及滑动平均模型所对应的第四权重；
96.将第三预测结果、第三权重和第一校正因子的乘积，与第四预测结果、第四权重和第二校正因子的乘积，进行相加求和获取时序预测模型。
97.上述装置可执行本发明任意实施例所提供的时序预测方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的方法。
98.实施例四
99.图4是本发明实施例提供的一种电子设备的结构示意图。图4示出了适用于用来实现本发明实施方式的示例性电子设备412的框图。图4显示的电子设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
100.如图4所示，电子设备412以通用计算设备的形式出现。电子设备412的组件可以包括但不限于：一个或者多个处理器416，存储器428，连接不同系统组件(包括存储器428和处理器416)的总线418。
101.总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
102.电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
103.存储器428用于存储指令。存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其它光介质)读写的光盘驱动器。在这
些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
104.具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
105.电子设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备412交互的设备通信，和/或与使得该电子设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口422进行。并且，电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与电子设备412的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
106.处理器416通过运行存储在存储器428中的指令，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的通用的时序预测方法：获取样本数据，其中，样本数据的类型包括中长期样本数据或短期样本数据；根据样本数据的类型确定指定融合模型，其中，指定融合模型包括轻量级梯度提升机lgb模型与滑动平均模型的第一融合模型，或者整合移动平均自回归arima模型与滑动平均模型的第二融合模型；将样本数据输入指定融合模型获取时序预测数据。
107.实施例五
108.本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术所有发明实施例提供的通用的时序预测方法：获取样本数据，其中，样本数据的类型包括中长期样本数据或短期样本数据；根据样本数据的类型确定指定融合模型，其中，指定融合模型包括轻量级梯度提升机lgb模型与滑动平均模型的第一融合模型，或者整合移动平均自回归arima模型与滑动平均模型的第二融合模型；将样本数据输入指定融合模型获取时序预测数据。
109.可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
110.计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限
于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
111.计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
112.可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言诸如java、smalltalk、c ，还包括常规的过程式程序设计语言诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
113.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。