时序预测模型的训练方法、预测方法及相关设备与流程

1.本公开涉及数据处理领域，尤其涉及深度学习等人工智能领域，适用于电力负荷预测场景。


背景技术：

2.随着技术的发展，时间序列数据预测在人们的工作和生活中占据着愈加重要的位置。相关技术中，可以通过对应的模型实现时间序列数据预测。然而，由于时间序列数据会伴随时间动态变量，从而出现分布漂移的情况，使得基于时间序列数据进行训练的模型，在进行时间序列数据预测时的预测准确性受到一定程度的影响。
3.相关技术中，可以通过领域子域适应的方法，缓解时间序列数据的分布漂移的情况对模型预测准确性的影响，然而，领域子域适应的方法无法适用于时间序列数据。


技术实现要素：

4.本公开提出了一种时序预测模型的训练方法、预测方法及相关设备。
5.根据本公开的第一方面，提出了一种时序预测模型的训练方法，包括：将原始的样本时序数据输入时序预测模型中，由所述时序预测模型使用模型当前的仿射参数和所述样本时序数据的样本非平稳信息，对所述样本时序数据进行仿射处理，得到仿射样本时序数据；对所述仿射样本时序数据进行预测，以得到预测样本时序数据，并基于所述当前的仿射参数和所述样本非平稳信息，对所述预测样本时序数据进行重构，得到重构样本时序数据；根据所述样本时序数据和所述重构样本时序数据，对所述时序预测模型的包括所述仿射参数在内的模型参数进行调整，并返回使用下一样本时序数据对所述调整后的时序预测模型继续训练，直至训练结束得到目标时序预测模型。
6.根据本公开的第二方面，提出了一种时序数据预测方法，包括：获取待预测的原始时序数据和所述原始时序数据的非平稳信息；将所述原始时序数据输入目标时序预测模型中，由所述目标时序预测模型使用模型的目标仿射参数和所述非平稳信息，对所述原始时序数据进行仿射处理，得到仿射时序数据；对所述仿射时序数据进行预测，以得到预测时序数据，并基于所述目标仿射参数和所述非平稳信息，对所述预测时序数据进行重构，以得到重构时序数据；其中，所述目标时序预测模型为使用上述第一方面所述的训练方法训练出的模型。
7.根据本公开的第三方面，提出了一种时序预测方法，包括：获取待预测的原始时序数据和所述原始时序数据的非平稳信息；基于所述非平稳信息和仿射参数，对所述原始时序数据进仿射处理，得到第一时序数据；基于所述第一时序数据进行预测，以获取第二时序数据；基于所述非平稳信息和所述仿射参数，对所述第二时序数据进行逆仿射处理，以获取重构时序数据。
8.根据本公开的第四方面，提出了一种时序预测模型的训练装置，包括：第一仿射模块，用于将原始的样本时序数据输入时序预测模型中，由所述时序预测模型使用模型当前
的仿射参数和所述样本时序数据的样本非平稳信息，对所述样本时序数据进行仿射处理，得到仿射样本时序数据；第一重构模块，用于对所述仿射样本时序数据进行预测，以得到预测样本时序数据，并基于所述当前的仿射参数和所述样本非平稳信息，对所述预测样本时序数据进行重构，得到重构样本时序数据；训练模块，用于根据所述样本时序数据和所述重构样本时序数据，对所述时序预测模型的包括所述仿射参数在内的模型参数进行调整，并返回使用下一样本时序数据对所述调整后的时序预测模型继续训练，直至训练结束得到目标时序预测模型。
9.根据本公开的第五方面，提出了一种时序数据预测装置，包括：第一获取模块，用于获取待预测的原始时序数据和所述原始时序数据的非平稳信息；第二仿射模块，用于将所述原始时序数据输入目标时序预测模型中，由所述目标时序预测模型使用模型的目标仿射参数和所述非平稳信息，对所述原始时序数据进行仿射处理，得到仿射时序数据；第二重构模块，用于对所述仿射时序数据进行预测，以得到预测时序数据，并基于所述目标仿射参数和所述非平稳信息，对所述预测时序数据进行重构，以得到重构时序数据；其中，所述目标时序预测模型为使用上述第四方面所述的训练装置训练出的模型。
10.根据本公开的第六方面，提出了一种时序预测装置，包括：第二获取模块，用于获取待预测的原始时序数据和所述原始时序数据的非平稳信息；第三仿射模块，用于基于所述非平稳信息和仿射参数，对所述原始时序数据进仿射处理，得到第一时序数据；预测模块，用于基于所述第一时序数据进行预测，以获取第二时序数据；第三重构模块，用于基于所述非平稳信息和所述仿射参数，对所述第二时序数据进行逆仿射处理，以获取重构时序数据。
11.根据本公开的第七方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的时序预测模型的训练方法、上述第二方面所述的时序数据预测方法以及上述第三方面所述的时序预测方法。
12.根据本公开的第八方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面所述的时序预测模型的训练方法、上述第二方面所述的时序数据预测方法以及上述第三方面所述的时序预测方法。
13.根据本公开的第九方面，提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述第一方面所述的时序预测模型的训练方法、上述第二方面所述的时序数据预测方法以及上述第三方面所述的时序预测方法。
14.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
15.附图用于更好地理解本方案，不构成对本公开的限定。其中：
16.图1为本公开一实施例的时序预测模型的训练方法的流程示意图；
17.图2(a)为本公开一实施例的样本时序数据的示意图；
18.图2(b)为本公开一实施例的仿射样本时序数据的示意图；
19.图2(c)为本公开一实施例的预测样本时序数据的示意图；
20.图2(d)为本公开一实施例的重构样本时序数据的示意图；
21.图2(e)为本公开一实施例的样本时序数据的标签信息的示意图；
22.图3为本公开另一实施例的时序预测模型的训练方法的流程示意图；
23.图4为本公开一实施例的时序数据预测方法的流程示意图；
24.图5为本公开一实施例的时序预测方法的流程示意图；
25.图6为本公开另一实施例的时序预测方法的流程示意图；
26.图7为本公开一实施例的时序预测模型的训练装置的结构示意图；
27.图8为本公开一实施例的时序数据预测装置的结构示意图；
28.图9为本公开一实施例的时序预测装置的结构示意图；
29.图10为本公开一实施例的电子设备的示意性框图。
具体实施方式
30.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
31.深度学习(deep learning，简称dl)，是机器学习(machine learning，简称ml)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
32.人工智能(artificial intelligence，简称ai)，是研究使计算机来模拟人类的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图技术等几大方面。
33.图1为本公开一实施例的时序预测模型的训练方法的流程示意图，如图1所示，该方法包括：
34.s101，将原始的样本时序数据输入时序预测模型中，由时序预测模型使用模型当前的仿射参数和样本时序数据的样本非平稳信息，对样本时序数据进行仿射处理，得到仿射样本时序数据。
35.实现中，存在基于非平稳时序数据进行时序数据预测的需求。比如，在电力调度场景下，存在基于属于非平稳时序数据类型的负荷时序数据进行负荷预测的需求，通过负荷预测的结果达到电力调度的目的，因此，负荷预测的准确性对于电力调度的准确性存在一定程度的影响。
36.可选地，可以获取待训练的时序预测模型，并基于非平稳时序数据对时序预测模型进行训练，从而达到基于非平稳时序数据进行时序数据预测的目的。
37.实现中，非平稳时间序列中存在部分参数会伴随时间发生动态的变化，可以将该部分参数确定为非平稳时间序列的非平稳信息。
38.需要说明的是，伴随时间发生动态变化的非平稳信息，存在可能导致待训练的时序预测模型所使用的训练样本时序数据，与训练好的时序预测模型的需要进行预测的待预测时序数据之间可能存在分布差异。
39.可选地，在时序预测模型的训练过程中，可以通过待训练的时序预测模型对输入模型的原始的样本时序数据中的非平稳信息进行剥离，其中，可以将待训练的时序预测模型从样本时序数据中剥离掉的非平稳信息确定为样本非平稳信息。
40.在一些实现中，样本非平稳信息中存在可能包括了样本时序数据中的部分数据特征，因此，剥离样本非平稳信息后的样本时序数据存在可能出现特征丢失的现象，从而导致剥离样本非平稳信息后的样本时序数据与原始的样本时序数据中的数据分布存在差异。
41.在该场景下，可以通过时序预测模型中当前的仿射参数以及样本非平稳信息，对剥离样本非平稳信息剥离后的样本时序数据进行仿射处理，进而获取仿射处理后的仿射样本时序数据。
42.其中，时序预测模型可以获取样本非平稳信息中包括的时序数据特征，并基于当前的仿射参数以及获取到的时序数据特征，对剥离后样本非平稳信息后的样本时序数据进行仿射处理，从而降低了仿射样本时序数据与原始的样本时序数据之间数据分布的差异程度。
43.s102，对仿射样本时序数据进行预测，以得到预测样本时序数据，并基于当前的仿射参数和样本非平稳信息，对预测样本时序数据进行重构，得到重构样本时序数据。
44.本公开实施例中，可以通过时序预测模型的中间层对仿射样本时序数据进行时序数据的特征提取，并基于提取到的特征进行时序预测，从而得到预测的时序数据，并将其确定为预测样本时序数据。
45.实现中，样本时序数据中的样本非平稳信息，对于样本时序数据中的数据变化存在一定程度的影响。
46.比如，设定数据项1在样本时序数据中的值为a，在时序预测模型进行模型训练的过程中，基于仿射样本时序数据进行预测得到的预测样本时序数据中数据项1的值为b，其中，a不等于b。
47.基于预测样本时序数据的获取过程可知，预测时序数据中的数据项1的取值b与样本时序数据中的数据项1的取值a不相同的原因在于，获取预测时序数据的过程中剥离了样本非平稳信息。
48.在该场景下，可以对基于仿射时序数据进行预测得到的预测时序数据进行重构，基于对预测时序数据的重构，提高模型输出结果的准确性。
49.其中，可以基于模型的仿射参数以及原始样本时序数据中被剥离的样本非平稳信息，对预测样本时序数据进行重构，根据预测时序数据的获取过程，对预测时序数据进行逆向处理。
50.进一步地，可以基于当前的仿射参数以及样本非平稳信息，对预测得到的预测样本时序数据进行逆向的仿射处理，从而实现对预测样本时序数据的重构，并将重构得到的时序数据确定为重构样本时序数据。
51.s103，根据样本时序数据和重构样本时序数据，对时序预测模型的包括仿射参数在内的模型参数进行调整，并返回使用下一样本时序数据对调整后的时序预测模型继续训练，直至训练结束得到目标时序预测模型。
52.可选地，可以根据重构样本时序数据与原始的样本时序数据之间的损失，得到时序预测模型在当前训练轮次下的训练损失，并根据训练损失对当前训练轮次的时序预测模型进行参数调整。
53.其中，可以对当前训练轮次的时序预测模型的模型参数中的仿射参数以及非仿射参数进行参数调整，非仿射参数可以理解为时序预测模型中用于模型的学习以及预测的模型参数。
54.进一步地，在模型参数调整结束后，可以使用下一样本时序数据对调整后的时序预测模型继续进行模型训练，通过调整后的时序预测模型对下一样本时序数据进行非平稳信息的剥离，并根据调整后的时序预测模型中的调整后仿射参数，对剥离非平稳信息后的下一样本时序数据进行仿射处理，得到下一仿射样本时序数据。
55.基于下一仿射样本时序数据得到下一预测样本时序数据，并根据调整后仿射参数以及下一样本时序数据被剥离的非平稳信息，对下一预测样本时序数据进行重构，获取重构后的下一重构样本时序数据。
56.进一步地，基于下一重构样本时序数据以及下一样本时序数据对调整后的时序预测模型中包括调整后仿射参数在内的模型参数继续进行调整优化，直至调整后的时序预测模型满足模型训练的结束标准，则结束对时序预测模型的模型训练，得到训练好的目标时序预测模型。
57.可选地，可以基于模型训练输出的重构样本时序数据与输入模型的原始的样本时序数据之间的损失设定对应的训练结束标准。其中，可以将每个轮次的模型训练的损失与设定的训练结束标准进行对比，若当前轮次的模型训练的损失满足设定的训练结束标准，则可以结束模型训练，并将当前轮次训练结束得到的时序预测模型作为训练好的目标时序预测模型。
58.可选地，还可以基于模型训练的轮次的取值设定对应的训练结束标准。其中，可以对模型训练的轮次进行监控和记录，若当前轮次的模型训练结束后，模型的总训练轮次的取值满足了设定的模型训练标准，则可以结束模型训练，并将当前轮次训练结束得到的时序预测模型作为训练好的目标时序预测模型。
59.可选地，可结合图2对时序预测模型的训练效果进一步理解，如图2所示，其中，图2(a)为输入模型进行训练的原始的样本时序数据的示意图，图2(b)为对原始的样本时序数据进行非平稳信息的剥离，并基于仿射参数和非平稳信息对剥离后的样本时序数据进行仿射处理后的仿射样本时序数据的示意图，图2(c)为基于仿射样本时序数据进行预测得到的预测样本时序数据的示意图，图2(d)为基于仿射参数和非平稳信息对预测样本时序数据进行重构得到的重构样本时序数据的示意图，图2(e)为输出模型的原始的样本时序数据的标签信息的示意图。
60.通过对原始的样本时序数据中的非平稳信息的剥离，并对剥离后样本时序数据的仿射处理得到仿射样本时序数据。基于仿射处理得到的仿射样本时序数据进行预测得到预测样本时序数据后，基于仿射参数和非平稳信息对预测样本时序数据进行重构，进而得到
重构样本时序数据。
61.由图2可知，重构样本时序数据的分布示意图，与原始的样本时序数据的标签信息中的分布示意图相近，进一步地，可以基于重构样本时序数据的分布示意图，与原始的样本时序数据的标签信息中的分布示意图的对比信息，实现对时序预测模型的训练效果的评估。
62.本公开提出的时序预测模型的训练方法，将原始的样本时序数据输入待训练的时序预测模型中，通过时序预测模型剥离样本时序数据中的样本非平稳信息，并基于时序预测模型的仿射参数对剥离样本非平稳信息后得到的样本时序数据进行仿射处理，得到仿射样本时序数据。进一步地，基于仿射样本时序数据进行预测，获取对应的预测样本时序数据，并根据时序预测模型的仿射参数以及样本非平稳信息，对预测样本时序数据进行重构，获取重构后的重构样本时序数据。进一步地，根据重构样本时序数据与原始的样本时序数据，对时序预测模型中包括仿射参数的模型参数进行调整优化，并使用下一样本时序数据对调整后的时序预测模型继续进行模型训练，直至训练结束得到训练好的目标时序预测模型。本公开中，通过对样本非平稳信息的剥离，避免了样本非平稳信息的动态变化对时序预测模型训练的影响，通过仿射参数以及样本非平稳信息进行的仿射处理，降低了仿射样本时序数据与样本时序数据之间的分布差异程度，避免了样本非平稳信息的剥离对模型训练的影响，通过对样本时序数据中的样本非平稳信息的剥离以及重构，降低了非平稳时序数据的分布漂移现象对模型训练的影响程度，优化了非平稳时序数据的模型训练方法以及模型训练效果，进而提高了非平稳时序预测的准确性。
63.上述实施例中，关于时序预测模型的调整优化，可结合图3进一步理解，图3为本公开另一实施例的时序预测模型的训练方法的流程示意图，如图3所示，该方法包括：
64.s301，获取重构样本时序数据的预测标签。
65.本公开实施例中，可以根据样本非平稳信息以及时序预测模型的仿射参数，对基于仿射样本时序数据进行预测得到的预测样本时序数据进行重构，得到对应的重构样本时序数据。
66.进一步地，可以从时序预测模型的训练输出结果中，获取重构样本时序数据对应的标签信息，并将其确定为重构样本时序数据的预测标签。
67.s302，根据样本时序数据的标记标签和预测标签，确定时序预测模型的损失函数。
68.本公开实施例中，输入待训练的时序预测模型的原始的样本时序数据存在其对应的标签信息，其中，可以将输入模型进行训练的样本时序数据的标签确定为标记标签。
69.可选地，可以获取待训练的时序预测模型在训练过程中进行时序数据预测对应的时间范围，根据该时间范围获取样本时序数据所属的历史时序数据中相同时间范围内的时序数据，以得到样本时序数据对应的标签信息，并将其确定为样本时序数据的标记标签。
70.比如，设定待训练的时序预测模型进行时序数据预测时，对应的时间范围为时间戳1到时间戳2，则可以从样本时序数据所属的历史时序数据中获取时间戳1到时间戳2对应的时间范围所覆盖到的时序数据，并根据该部分时序数据生成样本时序数据的标记标签。
71.进一步地，基于相关技术中的损失函数的算法，获取样本时序数据的标记标签与重构样本时序数据对应的预测标签之间的损失，并将其确定为时序预测模型的损失函数。
72.s303，基于损失函数，对时序预测模型的包括仿射参数在内的模型参数进行调整。
73.本公开实施例中，根据时序预测模型的损失函数，可以对时序预测模型包括仿射参数在内的模型参数进行调整。
74.可选地，可以通过相关技术中的梯度下降法对时序预测模型的模型参数进行调整优化，也可以基于其他模型参数的调整优化方法对时序预测模型进行模型参数的调整优化，此处不做限定。
75.本公开提出的时序预测模型的训练方法，获取重构样本时序数据的预测标签，根据样本时序数据的标记标签以及重构样本时序数据的预测标签，获取时序预测模型的模型训练的损失，并根据获取到的时序预测模型的训练的损失对时序预测模型的包括仿射参数的模型参数进行调整。本公开中，通过对包括仿射参数的模型参数进行的调整，实现了时序预测模型的调整优化，提高了时序预测模型对剥离非平稳信息后的时序数据进行仿射处理的能力，以及时序预测模型的非平稳时序数据预测的能力，优化了时序预存模型的训练效果。
76.上述实施例中，关于样本非平稳信息的获取，可结合如下示例理解；
77.对样本时序数据进行统计，以获取样本时序数据的方差和期望，作为样本非平稳信息。
78.本公开实施例中，属于非平稳时序数据的样本时序数据中，存在部分参数可以伴随时间产生动态的变化，可以将该部分参数确定为样本时序数据的样本非平稳信息。
79.可选地，可以将属于非平稳时序数据的样本时序数据的方差和期望，确定为样本时序数据的样本非平稳信息。
80.进一步地，可以基于相关技术中的方差的计算算法，对样本时序数据进行相应的统计计算，从而从计算结果中得到样本时序数据的方差。
81.相应地，可以基于相关技术中的期望的计算方法，对样本时序数据进行相应的统计计算，从而从计算结果中得到样本时序数据的期望。
82.本公开提出的时序预测模型的训练方法，对样本时序数据进行统计计算，获取样本时序数据的方差和期望作为样本非平稳信息。为后续从样本时序数据中进行样本非平稳信息的剥离以及基于样本非平稳信息以及仿射参数对剥离样本非平稳信息后的样本时序数据进行仿射处理提供了数据支撑。
83.进一步地，基于训练好的目标时序预测模型可以进行时序数据预测，可结合图4理解，图4为本公开一实施例的时序数据预测方法的流程示意图，如图4所示，该方法包括：
84.s401，获取待预测的原始时序数据和原始时序数据的非平稳信息。
85.本公开实施例中，可以基于设定的时间范围获取需要进行预测的时序数据，作为待预测的原始时序数据。
86.比如，在进行电力负荷预测的场景下，可以获取设定时间范围内的负荷时序数据，作为进行电力负荷预测的原始时序数据。
87.进一步地，可以获取原始时序数据中伴随时间发生动态变化的部分参数，作为原始时序数据的非平稳信息。
88.可选地，可以基于该部分参数对应的计算方法对原始时序数据进行统计计算，从而从计算结果中得到原始时序数据的非平稳信息。
89.s402，将原始时序数据输入目标时序预测模型中，由目标时序预测模型使用模型
的目标仿射参数和非平稳信息，对原始时序数据进行仿射处理，得到仿射时序数据。
90.可选地，可以基于训练好的目标时序预测模型对原始时序数据进行预测。
91.进一步地，可以将原始时序数据输入训练好的目标时序预测模型中，基于目标时序预测模型中的仿射参数以及原始时序数据的非平稳信息，对原始时序数据进行仿射处理。
92.其中，可以基于训练好的目标时序预测模型对原始时序数据中的非平稳信息进行剥离，并根据目标时序预测模型中的仿射参数以及原始时序数据的非平稳信息，对剥离非平稳信息后的原始时序数据进行仿射处理，并将仿射处理得到的时序数据确定为仿射时序数据。
93.需要说明的是，本公开实施例中的目标时序预测模型，为通过上述实施例中提出的时序预测模型的训练方法训练出的模型。
94.s403，对仿射时序数据进行预测，以得到预测时序数据，并基于目标仿射参数和非平稳信息，对预测时序数据进行重构，以得到重构时序数据。
95.本公开实施例中，通过目标时序预测模型基于仿射时序数据进行预测，进而得到对应的预测时序数据。
96.其中，目标时序预测模型可以基于原始时序数据的非平稳信息以及模型的仿射参数，对预测得到的预测时序数据进行重构，进而得到重构后的重构时序数据。
97.进一步地，可以将重构时序数据作为目标时序预测模型基于原始时序预测模型的预测结果，并将其从目标时序预测模型中输出。
98.本公开提出的时序数据预测方法，获取待预测的原始时序数据，以及原始时序数据的非平稳信息，基于训练好的目标时序预测模型对原始时序数据中的非平稳信息进行剥离，并基于非平稳信息以及目标时序预测模型的仿射参数，对剥离非平稳信息后的原始时序数据进行仿射处理，得到对应的仿射时序数据，并基于仿射时序数据进行预测，得到预测时序数据。进一步地，基于目标时序模型的仿射参数以及原始时序数据的非平稳信息，对预测时序数据进行重构，得到目标实现预测模型输出的基于原始时序数据进行预测到的重构时序数据。本公开中，通过对非平稳信息的剥离，避免了非平稳信息对目标时序预测模型的预测准确性的影响，通过仿射参数以及非平稳信息对剥离非平稳信息后的原始时序数据进行仿射处理，降低了仿射时序数据与原始时序数据之间的分布差异程度，避免了非平稳信息的剥离对目标时序预测模型的预测准确性的影响，优化了非平稳时序数据的预测方法，提高了非平稳时序数据的预测准确性。
99.上述实施例中，关于非平稳信息的获取，可结合如下示例理解：
100.对原始时序数据进行统计，以获取原始本时序数据的方差和期望，作为非平稳信息。
101.本公开实施例中，可以将原始时序数据中，伴随时间发生动态变化的参数确定为原始时序数据的非平稳信息。
102.在一些实现中，可以将属于非平稳时序数据的原始时序数据的方差和期望，确定为原始时序数据的非平稳信息。
103.其中，可以基于相关技术中的方差的计算方法对原始时序数据进行计算，从而从计算结果中得到原始时序数据的方差。相应地，还可以基于相关技术中的期望的计算方法
对原始时序数据进行计算，从而从计算结果中得到原始时序数据的期望。
104.进一步地，将获取到的原始时序数据的方差和期望，确定为原始时序数据的非平稳信息。
105.本公开提出的时序数据预测方法，获取原始时序数据的方差和期望作为原始时序数据的非平稳信息，为后续从原始时序数据中进行非平稳信息的剥离以及基于非平稳信息以及仿射参数对剥离非平稳信息后的原始时序数据进行仿射处理提供了数据支撑。
106.本公开还提出一种时序预测方法，可结合图5进一步理解，图5为本公开一实施例的时序预测方法的流程示意图，如图5所示，该方法包括：
107.s501，获取待预测的原始时序数据和原始时序数据的非平稳信息。
108.实现中，非平稳时序数据中存在伴随时间动态变化的参数，其中，可以将该部分参数确定为非平稳时序数据的非平稳信息。
109.本公开实施例中，可以基于预测的需求获取相关的历史数据作为待预测的原始时序数据。
110.比如，在进行电力负荷预测的场景下，可以基于预测的需求获取设定时间范围内的历史电力负荷时序数据，作为电力负荷预测的待预测的原始时序数据。
111.进一步地，获取待预测的原始时序数据中伴随时间动态变化的部分参数，并将该部分参数确定为原始时序数据的非平稳信息。
112.s502，基于非平稳信息和仿射参数，对原始时序数据进仿射处理，得到第一时序数据。
113.本公开实施例中，为了降低非平稳信息对于时序预测准确性的影响程度，可以对原始时序数据进行非平稳信息的剥离。
114.其中，非平稳信息中存在可能包括原始时序数据中的部分时序数据特征，使得剥离非平稳信息后的原始时序数据与原始时序数据的数据分布可能存在差异。
115.因此，可以基于仿射参数以及原始时序数据的非平稳信息，对剥离非平稳信息后的原始时序数据进行仿射处理。
116.可选地，可以基于仿射参数和非平稳信息，对剥离非平稳信息后的原始时序数据进行仿射变换，并将仿射变换后得到的时序数据确定为第一时序数据。
117.s503，基于第一时序数据进行预测，以获取第二时序数据。
118.可选地，可以从第一时序数据中进行时序数据特征的提取，并基于提取到的时序数据特征进行预测，从而得到预测的第二时序数据。
119.比如，可以从第一时序数据中进行时序趋势特征的提取，并基于提取到的时序趋势特征进行时序数据预测，从而得到基于时序趋势特征预测的时序数据，作为对应的第二时序数据。
120.可选地，基于第一时序数据进行预测从而得到对应的第二时序数据，可结合下述公式理解：
[0121][0122]
上述公式中，为第一时序数据，为第二时序数据，θ为时序预测模型中用于
学习的模型参数。
[0123]
s504，基于非平稳信息和仿射参数，对第二时序数据进行逆仿射处理，以获取重构时序数据。
[0124]
实现中，时序数据的非平稳信息对于时序数据中的数据变化存在一定程度的影响，因此，为了提高时序预测的准确性，基于第一时序数据预测得到第二时序数据之后，可以对第二时序数据进行非平稳信息的重构。
[0125]
本公开实施例中，对原始时序数据进行非平稳信息的剥离后，基于仿射参数以及非平稳信息对剥离后的原始时序数据进行仿射变化，并根据仿射变化得到的第一时序数据进行预测得到对应的第二时序数据。
[0126]
因此，为了实现对第二时序数据的重构，可以基于第二时序数据的获取过程进行逆向处理。
[0127]
可选地，可以基于仿射参数以及非平稳信息对第二时序数据进行逆仿射处理，从而实现对第二时序数据的重构，进而获取逆仿射处理得到的重构时序数据。
[0128]
本公开提出的时序预测方法，获取待预测的原始时序数据以及原始时序数据的非平稳信息，基于非平稳信息以及仿射参数，对剥离非平稳信息的原始时序数据进行仿射处理，得到第一时序数据，并基于第一时序数据进行预测得到第二时序数据。进一步地，基于非平稳信息和仿射参数，对第二时序数据进行逆仿射处理，以对第二时序数据进行重构得到重构后的重构时序数据。本公开中，通过对非平稳信息的剥离，避免了非平稳信息对时序预测准确性的影响，通过仿射参数以及非平稳信息对剥离非平稳信息后的原始时序数据进行仿射处理，降低了仿射时序数据与原始时序数据之间的分布差异程度，避免了非平稳信息的剥离对时序预测准确性的影响，通过对预测得到的第二时序数据进行逆仿射处理，提高了重构时序数据的准确性，优化了时序预测方法，提高了时序预测准确性。
[0129]
为更好理解上述实施例，可结合图6，图6为本公开另一实施例的时序预测方法的流程示意图，如图6所示，该方法包括：
[0130]
s601，基于非平稳信息和仿射参数，对原始时序数据进仿射变换，得到第一时序数据。
[0131]
实现中，可以基于非平稳信息和仿射参数，对剥离了非平稳信息的原始时序数据进行仿射变换，并将仿射变换得到的时序数据确定为第一时序数据。
[0132]
可选地，可以将原始时序数据的方差和期望，确定为原始时序数据的非平稳信息，其中，对原始时序数据进行统计，以获取原始时序数据的方差和期望，作为原始时序数据的非平稳信息。
[0133]
其中，可以基于相关技术中的方差以及期望各自对应的计算方法，分别对原始时序数据进行对应的计算，进而从计算结果中得到原始时序数据的方差和期望，并将获取到的方差和期望确定为原始时序数据的非平稳信息。
[0134]
进一步地，基于非平稳信息对原始时序数据进行正则化处理，得到第三时序数据。
[0135]
可选地，为了实现非平稳信息从原始时序数据中的剥离，可以对原始时序数据进行正则化处理，基于正则化处理的结果，得到剥离了非平稳信息的原始时序数据，并将其确定为第三时序数据。
[0136]
其中，可以通过对原始时序数据进行去中心化处理和缩放处理，实现原始时序数
据正则化处理，从而得到对应的第三时序数据。
[0137]
进一步地，基于仿射参数对第三时序数据进行仿射变换，得到第一时序数据。
[0138]
可选地，可以基于仿射参数对第三时序数据进行仿射变换，从而得到仿射变换后的第一时序数据。
[0139]
进一步地，可结合下述所示的公式对第一时序数据的获取过程进行理解，如下述公式所示，基于非平稳信息对原始时序数据进行正则化，从而实现非平稳信息从原始时序数据上的剥离，以得到第三时序数据，进一步地，基于仿射参数对第三时序数据进行的仿射处理，从而得到仿射处理后的第一时序数据：
[0140][0141]
上述公式中，为第一时序数据，x(i)为原始时序数据，e[x(i)]为原始时序数据的期望，var[x(i)]为原始时序数据的方差，γ和β为仿射参数，其中，γ为仿射处理时的仿射调整系数，β为仿射处理时的仿射偏移项，为对原始时序数据进行正则化处理得到的剥离非平稳信息的第三时序数据。
[0142]
s602，基于第一时序数据进行预测，以获取第二时序数据。
[0143]
本公开实施例中，关于基于第一时序数据进行预测获取第二时序数据，可参加上述相关详细内容，此处不再赘述。
[0144]
s603，基于非平稳信息对第二时序数据进行逆仿射处理，以获取重构时序数据。
[0145]
本公开实施例中，对于原始时序数据进行非平稳信息的剥离，对剥离非平稳信息后的原始时序数据进行仿射处理，得到第一时序数据后，基于第一时序数据进行预测得到第二时序数据。
[0146]
可选地，可以基于第二时序数据的获取过程，对第二时序数据进行逆向处理，从而实现对第二时序数据的重构。
[0147]
其中，可以基于仿射参数，对第二时序数据进行逆仿射处理，以得到第四时序数据。
[0148]
可选地，可以基于仿射参数对剥离非平稳信息后的原始时序数据进行的仿射处理，对第二时序数据进行逆仿射处理。基于相同的仿射参数进行逆仿射处理，以实现对第二时序数据在仿射维度上的重构，从而得到逆仿射处理后的第四时序数据。
[0149]
进一步地，基于非平稳信息，对第四时序数据进行逆正则化处理，得到重构时序数据。
[0150]
可选地，基于原始时序数据的非平稳信息，对第四时序数据进行逆正则化处理，以实现对第四时序数据在非平稳信息维度上的重构。
[0151]
进一步地，将逆正则化处理后得到的时序数据，确定为重构时序数据。
[0152]
可选地，基于仿射参数以及非平稳信息
[0153]
对第二时序数据进行逆仿射处理得到第四时序数据，并基于第四时序数据进行逆正则化处理得到重构时序数据，可结合下述所示的公式理解：
[0154][0155]
上述公式中，为重构时序数据，为第二时序数据，γ和β为仿射参数，其中，γ为逆仿射处理时的仿射调整系数，β为逆仿射处理时的仿射偏移项，x(i)为原始时序数据，e[x(i)]为原始时序数据的期望，var[x(i)]为原始时序数据的方差。
[0156]
需要说明的是，重构时序数据存在其对应的非平稳信息，其中，重构时序数据的非平稳信息，可以基于原始时序数据的非平稳信息得到。
[0157]
可选地，可以基于原始时序数据的方差和期望，确定重构时序数据的方差和期望，作为重构时序数据的非平稳信息。
[0158]
本公开实施例中，重构时序数据为对原始时序数据进行非平稳信息剥离后进行仿射处理，并对基于仿射处理后得到时序数据进行预测以及重构得到的。
[0159]
因此，可以基于原始时序数据的方差和期望，获取重构时序数据的方差和期望，进而得到重构时序数据的非平稳信息。
[0160]
其中，基于原始时序数据的方差和期望，获取重构时序数据的方差和期望。
[0161]
可选地，基于原始时序数据的期望，获取重构时序数据的期望可结合下述公式理解：
[0162][0163]
上述公式中，为重构时序数据，为重构时序数据的期望，x(i)为原始时序数据，e[x(i)]为原始时序数据的期望，为基于剥离了非平稳信息第一时序数据进行预测得到的第二时序数据，γ和β为仿射参数，其中，γ为仿射处理时的仿射调整系数，β为仿射处理时的仿射偏移项，var[x(i)]为原始时序数据的方差。
[0164]
可选地，基于原始时序数据的期望，获取重构时序数据的期望可结合下述公式理解：
[0165][0166]
上述公式中，为重构时序数据，为重构时序数据的方差，x(i)为原始时序数据，var[x(i)]为原始时序数据的方差，γ为仿射处理时的仿射调整系数。
[0167]
本公开提出的时序预测方法，通过非平稳信息和仿射参数，对原始时序数据进行仿射处理，获取第一时序数据并根据第一时序数据进行预测得到第二时序数据后，基于非平稳信息和仿射参数对第二时序数据记性逆仿射处理，从而得到重构时序数据。本公开中，通过对非平稳信息的剥离，避免了非平稳信息对时序预测准确性的影响，通过仿射参数以
及非平稳信息对剥离非平稳信息后的原始时序数据进行仿射处理，降低了仿射时序数据与原始时序数据之间的分布差异程度，避免了非平稳信息的剥离对时序预测准确性的影响，通过对预测得到的第二时序数据进行逆仿射处理，提高了重构时序数据的准确性，优化了时序预测方法，提高了时序预测准确性。
[0168]
与上述几种实施例提出的时序预测模型的训练方法相对应，本公开的一个实施例还提出了一种时序预测模型的训练装置，由于本公开实施例提出的时序预测模型的训练装置与上述几种实施例提出的时序预测模型的训练方法相对应，因此上述时序预测模型的训练方法的实施方式也适用于本公开实施例提出的时序预测模型的训练装置，在下述实施例中不再详细描述。
[0169]
图7为本公开一实施例的时序预测模型的训练装置的结构示意图，如图7所示，时序预测模型的训练装置700，包括第一仿射模块71、第一重构模块72和训练模块73，其中：
[0170]
第一仿射模块71，用于将原始的样本时序数据输入时序预测模型中，由时序预测模型使用模型当前的仿射参数和样本时序数据的样本非平稳信息，对样本时序数据进行仿射处理，得到仿射样本时序数据；
[0171]
第一重构模块72，用于对仿射样本时序数据进行预测，以得到预测样本时序数据，并基于当前的仿射参数和样本非平稳信息，对预测样本时序数据进行重构，得到重构样本时序数据；
[0172]
训练模块73，用于根据样本时序数据和重构样本时序数据，对时序预测模型的包括仿射参数在内的模型参数进行调整，并返回使用下一样本时序数据对调整后的时序预测模型继续训练，直至训练结束得到目标时序预测模型。
[0173]
本公开实施例中，第一仿射模块71，还用于：对样本时序数据进行统计，以获取样本时序数据的方差和期望，作为样本非平稳信息。
[0174]
本公开实施例中，训练模块73，还用于：获取重构样本时序数据的预测标签；根据样本时序数据的标记标签和预测标签，确定时序预测模型的损失函数；基于损失函数，对时序预测模型的包括仿射参数在内的模型参数进行调整。
[0175]
本公开提出的时序预测模型的训练装置，将原始的样本时序数据输入待训练的时序预测模型中，通过时序预测模型剥离样本时序数据中的样本非平稳信息，并基于时序预测模型的仿射参数对剥离样本非平稳信息后得到的样本时序数据进行仿射处理，得到仿射样本时序数据。进一步地，基于仿射样本时序数据进行预测，获取对应的预测样本时序数据，并根据时序预测模型的仿射参数以及样本非平稳信息，对预测样本时序数据进行重构，获取重构后的重构样本时序数据。进一步地，根据重构样本时序数据与原始的样本时序数据，对时序预测模型中包括仿射参数的模型参数进行调整优化，并使用下一样本时序数据对调整后的时序预测模型继续进行模型训练，直至训练结束得到训练好的目标时序预测模型。本公开中，通过对样本非平稳信息的剥离，避免了样本非平稳信息的动态变化对时序预测模型训练的影响，通过仿射参数以及样本非平稳信息进行的仿射处理，降低了仿射样本时序数据与样本时序数据之间的分布差异程度，避免了样本非平稳信息的剥离对模型训练的影响，通过对样本时序数据中的样本非平稳信息的剥离以及重构，降低了非平稳时序数据的分布漂移现象对模型训练的影响程度，优化了非平稳时序数据的模型训练方法以及模型训练效果，进而提高了非平稳时序预测的准确性。
[0176]
与上述几种实施例提出的时序数据预测方法相对应，本公开的一个实施例还提出了一种时序数据预测装置，由于本公开实施例提出的时序数据预测装置与上述几种实施例提出的时序数据预测方法相对应，因此上述时序数据预测方法的实施方式也适用于本公开实施例提出的时序数据预测装置，在下述实施例中不再详细描述。
[0177]
图8为本公开一实施例的时序数据预测装置的结构示意图，如图8所示，时序数据预测装置800，包括第一获取模块81、第二仿射模块82和第二重构模块83，其中：
[0178]
第一获取模块81，用于获取待预测的原始时序数据和原始时序数据的非平稳信息；
[0179]
第二仿射模块82，用于将原始时序数据输入目标时序预测模型中，由目标时序预测模型使用模型的目标仿射参数和非平稳信息，对原始时序数据进行仿射处理，得到仿射时序数据；
[0180]
第二重构模块83，用于对仿射时序数据进行预测，以得到预测时序数据，并基于目标仿射参数和非平稳信息，对预测时序数据进行重构，以得到重构时序数据；
[0181]
其中，目标时序预测模型为使用图7对应的实施例提出的训练装置训练出的模型。
[0182]
本公开实施例，第一获取模块81，还用于：对原始时序数据进行统计，以获取原始本时序数据的方差和期望，作为非平稳信息。
[0183]
本公开实施例，第一获取模块81，还用于：基于原始时序数据的方差和期望，确定重构时序数据的方差和期望，作为重构时序数据的非平稳信息。
[0184]
本公开提出的时序数据预测装置，获取待预测的原始时序数据，以及原始时序数据的非平稳信息，基于训练好的目标时序预测模型对原始时序数据中的非平稳信息进行剥离，并基于非平稳信息以及目标时序预测模型的仿射参数，对剥离非平稳信息后的原始时序数据进行仿射处理，得到对应的仿射时序数据，并基于仿射时序数据进行预测，得到预测时序数据。进一步地，基于目标时序模型的仿射参数以及原始时序数据的非平稳信息，对预测时序数据进行重构，得到目标实现预测模型输出的基于原始时序数据进行预测到的重构时序数据。本公开中，通过对非平稳信息的剥离，避免了非平稳信息对目标时序预测模型的预测准确性的影响，通过仿射参数以及非平稳信息对剥离非平稳信息后的原始时序数据进行仿射处理，降低了仿射时序数据与原始时序数据之间的分布差异程度，避免了非平稳信息的剥离对目标时序预测模型的预测准确性的影响，优化了非平稳时序数据的预测方法，提高了非平稳时序数据的预测准确性。
[0185]
与上述几种实施例提出的时序预测方法相对应，本公开的一个实施例还提出了一种时序预测装置，由于本公开实施例提出的时序预测装置与上述几种实施例提出的时序预测方法相对应，因此上述时序预测方法的实施方式也适用于本公开实施例提出的时序预测装置，在下述实施例中不再详细描述。
[0186]
图9为本公开一实施例的时序预测装置的结构示意图，如图9所示，时序预测装置900，包括第二获取模块91、第三仿射模块92、预测模块93和第三重构模块94，其中：
[0187]
第二获取模块91，用于获取待预测的原始时序数据和原始时序数据的非平稳信息；
[0188]
第三仿射模块92，用于基于非平稳信息和仿射参数，对原始时序数据进仿射处理，得到第一时序数据；
[0189]
预测模块93，用于基于第一时序数据进行预测，以获取第二时序数据；
[0190]
第三重构模块94，用于基于非平稳信息和仿射参数，对第二时序数据进行逆仿射处理，以获取重构时序数据。
[0191]
本公开实施例，第三仿射模块92，还用于：对原始时序数据进行统计，以获取原始时序数据的方差和期望，作为原始时序数据的非平稳信息；基于非平稳信息对原始时序数据进行正则化处理，得到第三时序数据；基于仿射参数对第三时序数据进行仿射变换，得到第一时序数据。
[0192]
本公开实施例，第三重构模块94，还用于：基于仿射参数，对第二时序数据进行逆仿射处理，以得到第四时序数据；基于非平稳信息，对第四时序数据进行逆正则化处理，得到重构时序数据。
[0193]
本公开实施例，第二获取模块91，还用于：基于原始时序数据的方差和期望，确定重构时序数据的方差和期望，作为重构时序数据的非平稳信息。
[0194]
本公开提出的时序预测装置，获取待预测的原始时序数据以及原始时序数据的非平稳信息，基于非平稳信息以及仿射参数，对剥离非平稳信息的原始时序数据进行仿射处理，得到第一时序数据，并基于第一时序数据进行预测得到第二时序数据。进一步地，基于非平稳信息和仿射参数，对第二时序数据进行逆仿射处理，以对第二时序数据进行重构得到重构后的重构时序数据。本公开中，通过对非平稳信息的剥离，避免了非平稳信息对时序预测准确性的影响，通过仿射参数以及非平稳信息对剥离非平稳信息后的原始时序数据进行仿射处理，降低了仿射时序数据与原始时序数据之间的分布差异程度，避免了非平稳信息的剥离对时序预测准确性的影响，通过对预测得到的第二时序数据进行逆仿射处理，提高了重构时序数据的准确性，优化了时序预测方法，提高了时序预测准确性。
[0195]
根据本公开的实施例，本公开还提出了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0196]
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0197]
如图8所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(rom)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(ram)1003中的计算机程序，来执行各种适当的动作和处理。在ram 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
[0198]
设备1000中的多个部件连接至i/o接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1006，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0199]
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算
单元1001的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如时序预测模型的训练方法、预测方法及相关设备。例如，在一些实施例中，时序预测模型的训练方法、预测方法及相关设备可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由rom 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到ram 1003并由计算单元1001执行时，可以执行上文描述的时序预测模型的训练方法、预测方法及相关设备的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行时序预测模型的训练方法、预测方法及相关设备。
[0200]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0201]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提出给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0202]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0203]
为了提出与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提出给计算机。其它种类的装置还可以用于提出与用户的交互；例如，提出给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0204]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据
服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0205]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0206]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0207]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。