一种执行时间预测方法和系统与流程

1.本技术涉及人工智能技术领域，特别涉及执行时间预测方法和系统。


背景技术：

2.在社会生活、信息技术、设备控制技术等各个领域中，常会涉及到在一个随机过程的情况下，确定在未来对对象执行某些预设操作的最优时间，使得在未来的该最优时间执行预设操作时可以令代价(或称成本)最小或回报(或称收益)最大，该最优时间的确定问题可以称为最优停时问题。例如，确定未来时间段中的一个最优时间，使得在该最优时间执行在信道中传输数据的操作时数据传输消耗能量最小；又例如，确定未来时间段中的一个最优时间，使得在该最优时间对商品进行补货时补货的成本最小。
3.在最优停时问题中，执行时间的选择取决于对象的相关特征值。例如，令数据传输能耗最小的数据传输操作执行时间的选择则取决于信道质量；又例如，令补货成本最小的补货操作执行时间的选择取决于商品价格。由于对象的相关特征值是随机变量，例如，信道的信道质量、商品价格等都是随机变量，对未来执行时间的预测就变得十分复杂且不易实现。
4.因此，亟需执行时间预测方法和系统，以确定执行预设操作的最优时间。


技术实现要素：

5.本说明书一个方面提供一种执行时间预测方法，所述方法包括：获取对象在多个历史时间点的历史特征值；基于所述历史特征值，预测得到所述对象的一个或多个样本路径，其中样本路径包括所述对象在预设的未来多个时间点的预测特征值；利用示性函数预测模型处理一个或多个样本路径，得到各样本路径中不同时间点对应的示性函数预测值；所述示性函数预测值指示所述对象在样本路径中的相应时间点对应的预测特征值是否是最优值；分别基于各样本路径中不同时间点对应的示性函数预测值，确定各样本路径对应的最优时间点；将各样本路径中成为最优时间点的频次最高的时间点，作为对所述对象执行预设操作的执行时间。
6.本说明书另一个方面提供一种执行时间预测系统，所述系统包括：特征值获取模块，用于获取对象在多个历史时间点的历史特征值；样本路径预测模块，用于基于所述历史特征值，预测得到所述对象的一个或多个样本路径，其中样本路径包括所述对象在预设的未来多个时间点的预测特征值；示性函数值确定模块，用于利用示性函数预测模型处理一个或多个样本路径，得到各样本路径中不同时间点对应的示性函数预测值；所述示性函数预测值指示所述对象在样本路径中的相应时间点对应的预测特征值是否是最优值；样本路径最优时间确定模块，用于分别基于各样本路径中不同时间点对应的示性函数预测值，确定各样本路径对应的最优时间点；执行时间确定模块，用于将各样本路径中成为最优时间点的频次最高的时间点，作为对所述对象执行预设操作的执行时间。
7.本说明书另一个方面提供一种执行时间预测装置，包括至少一个存储介质和至少
一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现执行时间预测方法。
附图说明
8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
9.图1是根据本说明书一些实施例所示的执行时间预测系统的应用场景示意图；
10.图2是根据本说明书一些实施例所示的执行时间预测系统的框图；
11.图3是根据本说明书一些实施例所示的执行时间预测方法的示例性流程图；
12.图4是根据本说明书一些实施例所示的示性函数预测模型的示例性示意图；
13.图5是根据本说明书一些实施例所示的概率预测模型的训练方法的示例性流程图；
14.图6是根据本说明书一些实施例所示的示性函数预测模型的训练方法的示例性流程图。
具体实施方式
15.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
16.应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
17.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
18.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
19.图1是根据本说明书的一些实施例所示的执行时间预测系统的应用场景示意图。
20.在最优停时问题中，对对象执行所需操作的执行时间的选择取决于对象的相关特征的特征值。例如，信道传输数据能耗由信道传输速率决定，信道传输速率由可观测的信道质量决定，则使得数据传输能耗最小的数据传输操作执行时间的选择取决于信道的信道质量取值(信道质量可以用信道增益表征，每一时刻对应的信道传输数据能耗可以基于该时刻对应的信道质量取值(例如信道增益值)计算得到)，信道质量取值越小则对应的信道传
输数据能耗越小。理论上，在当前时间t之后的未来时间段t中，其中某一时刻对应的信道质量取值使得计算得到的信道传输数据能耗最小也即信道质量取值最小，则该时刻可以作为数据传输操作的最优执行时间。但由于未来各个时刻的信道质量是未知的，且信道的信道质量是一个受各种因素影响的随机变量，即信道质量的取值(例如信道增益值)随时间随机变化，预测未来一段时间中数据传输操作的最优执行时间就变得十分复杂且不易实现。
21.有鉴于此，本说明书一些实施例提出执行时间预测方法和系统，通过对象(例如信道)在多个历史时间点的历史特征值(例如多个历史时间点的信道质量观测值)，预测在未来对对象执行预设操作的最优时间点(例如在信道中进行数据传输的操作的执行时间)。
22.除了前述应用场景外，本说明书提出的执行时间预测方法和系统还可以适用于其他基于最优停时问题确定操作的执行时间的多种场景，例如对商品补货操作确定最优执行时间的场景(此时对象为商品，对象的相关特征为商品价格)、对购买金融产品操作确定最优执行时间的场景(此时对象为金融产品如股票，对象的相关特征为金融产品价格如股票价格)等。
23.应用场景100可以涉及基于最优停时问题确定操作的执行时间的各种场景，例如前面所述的对信道数据传输确定最优执行时间的场景、对商品补货确定最优执行时间的场景、对购买金融产品确定最优执行时间的场景等。
24.如图1所示，执行时间预测系统的应用场景100可以包括服务器110、终端120以及网络130。
25.服务器110可以用于管理资源以及处理来自本系统至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息，如对象在多个历史时间点的历史特征值、对象的一个或多个样本路径、示性函数预测值、各样本路径对应的最优时间点等，可以实现对对象执行预设操作的执行时间预测方法。在一些实施例中，服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式系统)，可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中，服务器110可以是区域的或者远程的。在一些实施例中，服务器110可以在云平台上实施，或者以虚拟方式提供。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
26.服务器110可以包括处理器112。处理器112可以处理从其他设备或系统组成部分中获得的数据和/或信息，例如对象在多个历史时间点的历史特征值、对象的一个或多个样本路径、示性函数预测值、各样本路径对应的最优时间点等。处理器112可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本技术中描述的功能。例如，处理器112可以基于对象在多个历史时间点的历史特征值预测得到对象在预设的未来多个时间点的一个或多个样本路径。又例如，处理器112还可以利用示性函数预测模型处理对象的一个或多个样本路径，得到各样本路径中不同时间点对应的示性函数预测值，还可以基于各样本路径中不同时间点对应的示性函数预测值，确定各样本路径对应的最优时间点。又例如，处理器112还可以基于一个或多个样本路径分别对应的最优时间点确定对对象执行预设操作的执行时间，具体地，可以将各样本路径中成为最优时间点的频次最高的时间点，作为对对象执行预设操作的执行时间。
27.在一些实施例中，处理器112可以包含一个或多个子处理设备(例如，单核处理设
备或多核多芯处理设备)。仅作为示例，处理器112可以包括中央处理器(cpu)、专用集成电路(asic)、专用指令处理器(asip)、图形处理器(gpu)、物理处理器(ppu)、数字信号处理器(dsp)、现场可编程门阵列(fpga)、可编辑逻辑电路(pld)、控制器、微控制器单元、精简指令集电脑(risc)、微处理器等或以上任意组合。
28.终端120指用户所使用的一个或多个终端设备或软件。在一些实施例中，用户可以是指服务请求者。在一些实施例中，使用终端120的可以是一个或多个用户，可以包括直接使用服务的用户，也可以包括其他相关用户。在一些实施例中，终端120可以是移动设备120-1、平板计算机120-2、膝上型计算机120-3、台式计算机120-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。例如，终端120可以是终端智能电话、个人数字助理(pda)、游戏设备、导航设备、手持终端(pos)、车载计算机、车载电视、设置在公共场所的专用问答终端等或其任意组合。上述示例仅用于说明终端120设备范围的广泛性而非对其范围的限制。
29.网络130可以连接系统的各组成部分和/或连接系统与外部部分。网络130使得系统各组成部分之间以及与系统与外部部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种或多种。例如，网络130可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(lan)、广域网络(wan)、无线局域网络(wlan)、城域网(man)、公共交换电话网络(pstn)、蓝牙网络、紫蜂网络(zigbee)、近场通信(nfc)、设备内总线、设备内线路、线缆连接等或其任意组合。在一些实施例中，系统各部分之间的网络连接可以采用上述一种方式，也可以采取多种方式。在一些实施例中，网络130可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络130可以包括一个或以上网络接入点。例如，网络130可以包括有线或无线网络接入点，例如基站和/或网络交换点130-1、130-2、
…
，通过这些网络接入点，系统100的一个或多个组件可连接到网络130以交换数据和/或信息。
30.服务器110可以通过网络130与终端120通信以获取或传输数据和/或信息。例如通过网络130从终端120获取用户的执行时间预测请求、对象在多个历史时间点的历史特征值等。服务器110还可以将对对象执行预设操作的执行时间等通过网络130发送至终端120。示例性的，使用终端120的用户可以从服务器110请求数据下载服务，此时，服务器110可以基于本说明书一些实施例提供的执行时间预测方法或系统确定最优传输时间，并在该时间点到来时通过网络130向一个或多个终端用户传输该用户请求下载的数据。又或者，服务器110属于金融服务平台，终端用户可以通过金融服务平台购买股票等金融产品，服务器110可以基于本说明书一些实施例提供的执行时间预测方法或系统确定用户选中的股票的最优购买时间，通过网络130向终端120推荐股票的最优购买时间。又或者，服务器110用于管理商品采购，使用终端120的用户为仓库工作人员，服务器110可以基于本说明书一些实施例提供的执行时间预测方法或系统确定相关商品的最优采购时间，通过网络130向终端120发送在最优采购时间采购相关商品的指示。以上各设备之间的信息传递关系仅作为示例，本技术并不局限于此。
31.图2是根据本说明书一些实施例所示的执行时间预测系统的框图。
32.在一些实施例中，执行时间预测系统200可以实现于处理器112上。
33.在一些实施例中，执行时间预测系统200可以包括特征值获取模块210、样本路径
预测模块220、示性函数值确定模块230、样本路径最优时间确定模块240和执行时间确定模块250。在一些实施例中，执行时间预测系统200还可以包括概率预测模型训练模块260、示性函数预测模型训练模块270。
34.在一些实施例中，特征值获取模块210可以用于获取对象在多个历史时间点的历史特征值。
35.在一些实施例中，样本路径预测模块220可以用于基于所述历史特征值，预测得到所述对象的一个或多个样本路径，其中样本路径包括所述对象在预设的未来多个时间点的预测特征值。在一些实施例中，样本路径预测模块220还可以用于利用概率预测模型处理所述历史特征值，得到所述一个或多个样本路径。关于样本路径预测模块220的更多具体内容可以参见图3及其相关内容。
36.在一些实施例中，示性函数值确定模块230可以用于利用示性函数预测模型处理一个或多个样本路径，得到各样本路径中不同时间点对应的示性函数预测值；所述示性函数预测值指示所述对象在样本路径中的相应时间点对应的预测特征值是否是最优值。在一些实施例中，所述示性函数预测模型可以包括循环神经网络模型。在一些实施例中，示性函数值确定模块230还可以用于对于所述一个或多个样本路径中的任一样本路径，所述示性函数预测模型用于循环处理该样本路径中的各时间点的预测特征值，以得到该样本路径中不同时间点对应的示性函数预测值，其中一次循环处理包括：处理当前时间点的预测特征值以及前一时间点的输出值，得到当前时间点的第一预测值和输出值；基于当前时间点的第一预测值与当前时间点之前的各时间点的示性函数预测值，得到当前时间点的示性函数预测值。在一些实施例中，前述当前时间点为样本路径中的第一个时间点时，前一时间点的第一预测值与当前时间点之前的各时间点的示性函数预测值均为预设值。在一些实施例中，所述第一预测值为[0，1]范围内的值，样本路径中各时间点对应的示性函数预测值的和值为1。关于示性函数值确定模块230的更多具体内容可以参见图3及其相关内容。
[0037]
在一些实施例中，样本路径最优时间确定模块240可以用于分别基于各样本路径中不同时间点对应的示性函数预测值，确定各样本路径对应的最优时间点。在一些实施例中，样本路径最优时间确定模块240还可以用于对于各样本路径中的任一样本路径：将满足预设不等式的最小时间点确定为该样本路径的最优时间点，其中，预设不等式为该时间点以及其前面各时间点对应的示性函数预测值的和不小于(1-该时间点对应的示性函数预测值)。在一些实施例中，关于样本路径最优时间确定模块240的更多具体内容可以参见图3及其相关内容。
[0038]
在一些实施例中，执行时间确定模块250可以用于将各样本路径中成为最优时间点的频次最高的时间点，作为对所述对象执行预设操作的执行时间。在一些实施例中，关于执行时间确定模块250的更多具体内容可以参见图3及其相关内容。
[0039]
在一些实施例中，概率预测模型训练模块260可以用于获取样本对象的在观测时间点前的多个历史时间点的历史特征值，以及所述观测时间点后的多个历史时间点的历史特征值；利用概率预测模型处理样本对象在观测时间点前的历史特征值，得到样本对象的预测样本路径；基于所述观测时间点后的多个历史时间点的历史特征值，确定样本对象的实际样本路径；调整概率预测模型的参数，以减小样本对象的预测样本路径与其实际样本路径的差异。在一些实施例中，关于概率预测模型训练模块260的更多具体内容可以参见图
5及其相关内容。
[0040]
在一些实施例中，示性函数预测模型训练模块270可以用于获取样本对象的多个样本路径；利用示性函数预测模型处理多个样本路径，得到各样本路径中不同时间点对应的示性函数预测值；调整示性函数预测模型的参数，以优化目标函数值；所述目标函数值反映各样本路径对应的求和结果的期望值，其中，样本路径对应的求和结果等于将该样本路径中不同时间点对应的示性函数预测值与预测特征值相乘，再对各乘积进行求和。在一些实施例中，当目标函数反映成本时，优化目标函数值包括减小目标函数值；当目标函数反映收益时，优化目标函数包括增加目标函数值。在一些实施例中，示性函数预测模型训练模块270还可以用于基于样本对象的多个历史时间点的历史特征值确定样本对象的样本路径。在一些实施例中，关于示性函数预测模型训练模块270的更多具体内容可以参见图6及其相关内容。
[0041]
应当理解，所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
[0042]
需要注意的是，以上对于系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。
[0043]
图3是根据本说明书一些实施例所示的执行时间预测方法的示例性流程图。
[0044]
在一些实施例中，方法300可以由处理器112执行。在一些实施例中，方法300可以由部署于处理器112上的执行时间预测系统200实现。
[0045]
如图3所示，该方法300可以包括：
[0046]
步骤310，获取对象在多个历史时间点的历史特征值。
[0047]
在一些实施例中，该步骤310可以由特征值获取模块210执行。
[0048]
对象可以是需要预测相关预设操作执行时间的各种对象，例如信道、商品、金融产品(如股票)等等。对象具有对应的特征，例如信道的信道质量、用户商品的价格、金融产品的价格等等。对象的特征可以具有对应的特征值，例如信道的信道质量取值(如信道增益值)、商品的价格取值、金融产品的价格取值等。
[0049]
如前所述，在最优停时问题中，执行时间的选择取决于对象的相关特征的特征值。例如，信道传输数据能耗由可观测的信道质量决定，则使得数据传输能耗最小的数据传输操作执行时间的选择取决于信道的信道质量取值。这里步骤310中所指的对象的特征值即是指与操作执行时间选择相关的对象的特征的特征值。在最优停时问题中，与操作执行时
间选择相关的对象的特征是随机变量，即该特征的特征值随时间随机变化。
[0050]
在一些实施例中，历史时间的对象的特征值可以通过观测或采集相关信息得到，又或者可以基于观测或采集的相关信息进一步得到。例如历史时间段内信道的信道质量可以用信道增益表征，信道增益值可以通过观测信道得到。又例如，商品的价格、股票的价格可以通过采集商品价格信息、股票价格信息得到。
[0051]
多个历史时间点可以是当前时间t0之前的一段历史时间中多个时间点。多个历史时间点的时间点数量和时间点间隔可以是预设的，例如时间点数量可以是5个、10个、15个等，时间点间隔可以是1分钟、1小时、1天等。当前时间t0可以是进行执行时间预测的时间点，或者其他根据实际需要设置的时间点。
[0052]
以对象的特征值为某商品的价格为例，对象在多个历史时间点的历史特征值可以包括当前时间t0之前5个时间点的价格，可以表示为序列s
0：t0
:{100，102，104，106，88}。
[0053]
在一些实施例中，对象可以是一个，也可以是多个，当对象为多个时，处理过程类似一个的情形，因此本说明书以一个对象为主要示例进行说明。
[0054]
步骤320，基于所述历史特征值，预测得到所述对象的一个或多个样本路径，其中样本路径包括所述对象在预设的未来多个时间点的预测特征值。
[0055]
在一些实施例中，该步骤320可以由样本路径预测模块220执行。
[0056]
对象在多个时间点的特征值可以构成路径。在本说明书一些实施例中，对象的样本路径是指对象在当前时间t0之后的未来时间段t0 t中的多个时间点的预测特征值构成的路径。其中，预测特征值是指预测的对象在某一时间点(例如未来时间点)的特征值。
[0057]
在一些实施例中，未来时间段t0 t中多个时间点的时间点数量和时间点间隔可以是预设的，例如时间点数量可以是10个、15个等，时间点间隔可以是1分钟、1小时、1天等。
[0058]
继续以对象的特征值为某商品的价格为例，对象的一个样本路径可以包括当前时间t0之后的未来时间段t0 t中5个时间点的预测值，可以表示为序列s
t0 1：t0 5
:{95，101，105，100，90}。
[0059]
由于在最优停时问题中，与操作执行时间选择相关的对象的特征是随机变量，可以预测得到在未来时间中对象的多个样本路径，以更好的“模拟”对象在未来时间中的特征值分布情形。其中每一个样本路径都表示对象的特征值的一种变化路径，具体的，每一个样本路径中都包括所述未来多个时间点中各时间点t0 t(t的取值可以为离散的1，2，
…
，t，在本说明书一些实施例中，可以用第t个时间点或时间点t来表示时间点t0 t)的一种特征值取值，同一个时间点的特征值取值在不同样本路径中可以不同。
[0060]
在一些实施例中，可以基于对象在多个历史时间点的历史特征值，通过各种预测算法(例如各种用于基于历史特征值预测未来特征值的模型)来预测得到对象的一个或多个样本路径。预测算法可以包括各种概率预测模型。例如，预测算法可以包括deepar模型、deepvar模型、transformer模型、lstm等概率预测模型。其中，概率预测模型是指可以用于处理给定的过去一段时间的数据，预测得到未来时间的预测值的概率分布的模型。
[0061]
在一些实施例中，概率预测模型一次预测仅得到一个样本路径，相应的，可以将对象在多个历史时间点的历史特征值例如前述序列s
0：t0
:{100，102，104，106，88}输入概率预测模型，概率预测模型可以得到对象的特征值在未来时间中的一个样本路径，进一步可以按照一定的采样规则，基于所述样本路径生成多个其他的样本路径。示例性的，可以将所述
样本路径中每一时间点的预测样本值作为均值，并基于预设的方差值进行随机采样，得到其他样本路径中对应时间点的预测样本值。
[0062]
在一些实施例中，可以设置概率预测模型一次输出多个样本路径，从而可以通过向概率预测模型输入一次对象在多个历史时间点的历史特征值例如前述序列s0：
t0
:{100，102，104，106，88}，直接获得多个样本路径。
[0063]
在一些实施例中，概率预测模型可以基于样本对象在观测时间点前的多个历史时间点的历史特征值和观测时间点后的多个历史时间点的历史特征值构成的样本对象的实际样本路径训练得到。关于概率预测模型训练的更多具体内容可以参见图5及其相关说明。
[0064]
步骤330，利用示性函数预测模型处理一个或多个样本路径，得到各样本路径中不同时间点对应的示性函数预测值。
[0065]
在一些实施例中，该步骤330可以由示性函数值确定模块230执行。
[0066]
在一些实施例中，对象的路径(例如样本路径)中各时间点对应的示性函数值可以指示对象在路径(例如样本路径)中相应时间点所对应的预测特征值是否取到最优值。例如，对象某一样本路径中的某时间点对应的示性函数值为0可以表示该时间点对应的预测特征值未取到最优值，某时间点对应的示性函数值为1可以表示该时间点对应的预测特征值为最优值。这里的最优值可以是相对预设的目标而言的，由于对象的特征是随时间随机变化的量，其样本路径中各预测特征值可能是对应时间点下最优的取值，也可能不是。示性函数值旨在指示相应的时间点对应的预测特征值是否是最优的，也即是指示相应的时间点下对象的特征取对应的预测特征值时能否使得预设目标尽可能优化。预设的目标可以是成本最低、收益最大等。关于预设目标的更多内容可以参见图6的相关说明
[0067]
一般而言，对象只会在一个样本路径中的一个时间点取到最优特征值，因此，理想情况下示性函数值为0或者1，且一个样本路径中各时间点对应的示性函数值和为1。但是在实际情况中，示性函数预测模型输出的可能是接近于0或1的位于(0,1)范围内的数值。
[0068]
在一些实施例中，示性函数预测模型可以采用神经网络模型，可以包括例如前馈神经网络模型、序列模型等各种神经网络模型。
[0069]
在一些实施例中，示性函数预测模型包括循环神经网络模型例如rnn，各样本路径作为时间序列数据输入示性函数预测模型，可以得到各样本路径中不同时间点对应的示性函数预测值。在一些实施例中，示性函数预测模型包括循环神经网络模型时，其可以进一步包括循环单元rnn cell，或者可以包括循环单元rnn cell和与循环单元rnn cell连接的nn网络层，其中nn网络层可以是前馈神经网络，用于对循环单元rnn cell的输出进行变换处理(例如线性变换以及非线性变换，以将其输出结果限制为[0,1]范围内的数值)。
[0070]
仅作为示例，如图4所示，示性函数预测模型可以包括循环单元rnn cell和与循环单元rnn cell连接的nn网络层。如图4所示，对于任一个样本路径s1～s
t
(s1～s
t
为一个时间序列)，将该样本路径输入示性函数预测模型，模型可以得到该样本路径中各预设时间点对应的预测值h
t
，该预测值h
t
可以称为第一预测值，以及模型可以基于第一预测值h
t
得到该样本路径中各预设时间点对应的示性函数预测值d
t
。
[0071]
在一些实施例中，具体地，对于任一样本路径s1～s
t
，将其输入示性函数预测模型，模型可以循环处理该样本路径中的各时间点的预测特征值，例如通过循环单元rnn cell或循环单元rnn cell nn网络层按照时间序列的演进方向循环处理样本路径s1～s
t
中的各个
预测特征值，从而得到样本路径中各时间点对应的示性函数预测值d
t
。其中，循环单元rnn cell在当前时间步(例如s
t
对应的时间步)的输出基于当前时间步的输入(例如s
t
)和上一个时间步(例如s
t-1
对应的时间步)的输出(例如s
t-1
对应的循环单元rnn cell的输出)确定，由此形成了一种处理上的循环。时间步即指时间序列的演进方向，在本说明书的一些实施例中时间步对应样本路径中的时间点。
[0072]
在一些实施例中，一次循环处理可以包括：通过循环单元rnn cell以及nn网络层处理当前时间点t的预测特征值s
t
以及前一时间点t-1的输出值，得到当前时间点t的第一预测值h
t
；进一步基于当前时间点的第一预测值h
t
与当前时间点之前的各时间点的示性函数预测值(例如时间点1～t-1对应的示性函数预测值d
1～dt-1
)，得到当前时间点t的示性函数预测值d
t
。前一时间点的输出值可以是循环单元rnn cell以及nn网络层处理前一时间点t-1的预测特征值s
t-1
的过程中的获得的数据。在一些实施例中，前一时间点的输出值可以与前一时间点的第一预测值h
t-1
相关，例如，输出值可以等于第一预测值h
t-1
或者等于第一预测值h
t-1
的一部分。
[0073]
所述循环单元rnn cell以及nn网络层的参数决定了对当前时间点t的预测特征值s
t
以及前一时间点t-1的输出值的处理方式，其参数可以通过训练获得。作为示例，可以通过如下式子来基于当前时间点的第一预测值与当前时间点之前的各时间点的示性函数预测值h
t
计算当前时间点的示性函数预测值d
t
：
[0074]
其中：h
t
为[0，1]范围内的值，上述公式中的t 1-t在t《t时为小于或等于0的数，t 1-t在t＝t时等于1。可以验证，上述公式计算得到的示性函数预测值取值范围为[0，1]，且使得同一样本路径中各时间点的示性函数值之和为1。
[0075]
在一些实施例中，当前时间点t为样本路径中的第一个时间点时，前述循环处理中，前一时间点的输出值与当前时间点t之前的各时间点的示性函数预测值均为预设值。在一些实施例中，预设值可以根据实际需求或经验进行设置，例如预设值可以为0或其它非零且小于1的值。
[0076]
步骤340，分别基于各样本路径中不同时间点对应的示性函数预测值，确定各样本路径对应的最优时间点。
[0077]
在一些实施例中，该步骤340可以由样本路径最优时间确定模块240执行。
[0078]
在一些实施例中，得到对象的各样本路径中不同时间点对应的示性函数预测值后，对于任一样本路径，可以基于该样本路径中各时间点对应的示性函数预测值来确定该样本路径对应的最优时间点τ。
[0079]
如前所述，样本路径中最优时间点即为示性函数值等于1的时间点。然而实际场景中，示性函数预测模型输出的示性函数值可能并不是非1即0的数值，而是位于(0，1)区间中的一个数值。再结合未来不可知的现实约束，在一些实施例中，对于任一样本路径，对于该样本路径中的时间点t，若该时间点t满足该时间点t以及其前面各时间点对应的示性函数预测值的和不小于(1-当前时间点对应的示性函数预测值)且为样本路径中满足该条件的最小时间点，则该时间点被确定为该样本路径对应的最优时间点τ。仅作为示例，前述样本
路径的最优时间点τ满足的条件可以用如下式子表示：
[0080]
在本说明书一些实施例中，其中的可以称为预设不等式。
[0081]
步骤350，将各样本路径中成为最优时间点的频次最高的时间点，作为对所述对象执行预设操作的执行时间。
[0082]
在一些实施例中，该步骤350可以由执行时间确定模块250执行。
[0083]
在一些实施例中，可以对预测得到的对象的一个或多个样本路径进行样本路径的最优时间点τ统计，确定各样本路径中成为最优时间点τ的频次最高的时间点，并将其作为对对象i执行预设操作的最优时间即执行时间。仅作为示例，可以根据如下式子来确定对对象执行预设操作的执行时间对象执行预设操作的执行时间
[0084]
其中：表示对象i的样本路径j中的最优时间点；表示用于指示时间点t(也即时间点t0 t)是否为样本路径j中的最优时间点的示性函数(可以称为第三示性函数)，对于任一样本路径，若时间点t是该样本路径中的最优时间点则等于1，若时间点t不是该样本路径中的最优时间点则等于0；表示为使得括号内函数的函数值为取值范围内的最大值。举例说明，假设存在10个样本路径，样本路径包括5个时间点，分别为t0 1、t0 2、t0 3、t0 4、t0 5，其中5个样本路径中的最优时间点为t0 2，3个样本路径中的最优时间点为t0 4，2个样本路径中的最优时间点为t0 5，则将这10个样本路径中5次成为最优时间点的时间点t0 2作为所述执行时间。
[0085]
在一些实施例中，得到对对象执行预设操作的执行时间后，便可以基于确定的执行时间对对象执行预设操作，在该执行时间执行预设操作使得所述成本或收益v(t0)的值为最优(例如成本v(t0)最小或收益v(t0)最大)。
[0086]
图5是根据本说明书一些实施例所示的概率预测模型的训练方法的示例性流程图。
[0087]
在一些实施例中，方法500可以由处理器112执行。在一些实施例中，方法500可以由部署于处理器112上的执行时间预测系统200中的概率预测模型训练模块260实现。
[0088]
在一些实施例中，可以对概率预测模型进行一轮或多轮迭代训练，其中一轮迭代训练可以包括方法500的过程。如图5所示，该方法500可以包括：
[0089]
步骤510，获取样本对象的在观测时间点前的多个历史时间点的历史特征值，以及所述观测时间点后的多个历史时间点的历史特征值。
[0090]
样本对象是指作为样本的对象，可以是所要预测执行时间的对象，也可以是与其同类型或同种类的其它对象。例如所要预测执行时间的对象为商品1，样本对象可以是商品1，也可以是与商品1同类型的商品2、商品3等。
[0091]
观测时间点可以是历史时间中的任意时间点，可以根据实际需求进行选择。
[0092]
获取的观测时间点前的多个历史时间点的时间点数量是预设的，可以与前述对象
多个历史特征值对应的历史时间点的数量保持一致。
[0093]
获取的观测时间点后的多个历史时间点的时间点数量也是预设的，可以与前述预测得到的样本路径中包括的预设的未来多个时间点的时间点数量保持一致。
[0094]
关于对象在历史时间中的历史特征值的获取方式可以参见步骤310及其相关描述，此处不再赘述。
[0095]
步骤520，利用概率预测模型处理样本对象在观测时间点前的历史特征值，得到样本对象的预测样本路径。
[0096]
在一些实施例中，训练概率预测模型时，将样本对象在观测时间点前的多个历史时间点的历史特征值输入概率预测模型，概率预测模型得到的样本路径可以称为预测样本路径，预测样本路径包括样本对象在观测时间点之后的预设的多个时间点的预测特征值。
[0097]
关于概率预测模型处理输入的多个历史时间点的历史特征值，得到对应的样本路径的更多具体内容可以参见步骤320及其相关说明，此处不再赘述。
[0098]
步骤530，基于所述观测时间点后的多个历史时间点的历史特征值，确定样本对象的实际样本路径。
[0099]
观测时间点后的多个历史时间点的历史特征值为实际发生的结果，在一些实施例中，训练概率预测模型时，可以将观测时间点后的多个历史时间点的历史特征值作为样本对象的实际样本路径，实际样本路径可以作为模型输出结果对应的标签或参考基准。
[0100]
步骤540，调整概率预测模型的参数，以减小样本对象的预测样本路径与其实际样本路径的差异。
[0101]
在一些实施例中，训练概率预测模型时，将样本对象在观测时间点前的多个历史时间点的历史特征值输入概率预测模型，模型得到对应的预测样本路径后，将预测样本路径与对应的实际样本路径进行比较，基于预测样本路径与对应的实际样本路径的差异调整概率预测模型的参数。在一些实施例中，概率预测模型训练时的优化目标是调整概率预测模型的参数以减小样本对象的预测样本路径与其对应的实际样本路径的差异。不难理解，概率预测模型输出的样本路径越接近实际发生的路径，概率预测模型的精度越高。
[0102]
在一些实施例中，可以基于概率预测模型输出的样本对象的预测样本路径与其对应的实际样本路径的差异，确定概率预测模型训练时的损失函数，以及可以基于所述损失函数调整概率预测模型的模型参数。
[0103]
在一些实施例中，可以预先设置概率预测模型输出的样本路径为一个，或者多个。当概率预测模型一次能输出多个样本路径时，在训练过程中，还可以约束输出的各预测样本路径之间的关系，使其服从实际样本路径的分布。例如，使得多个预测样本路径中同一时间点的预测特征值的分布服从预设均值和方差的高斯分布。
[0104]
图6是根据本说明书一些实施例所示的示性函数预测模型的训练方法的示例性流程图。
[0105]
在一些实施例中，方法600可以由处理器112执行。在一些实施例中，方法600可以由部署于处理器112上的执行时间预测系统200中的示性函数预测模型训练模块270实现。
[0106]
在一些实施例中，可以对示性函数预测模型进行一轮或多轮迭代训练，其中一轮迭代训练可以包括方法600的过程。如图6所示，该方法600可以包括：
[0107]
步骤610，获取样本对象的多个样本路径。
[0108]
在一些实施例中，可以获取样本对象在预设的多个历史时间点的对象的实际特征值。在一些实施例中，预设的多个历史时间点的数量可以与前述预测得到的样本路径中包括的时间点数量一致，进而可以将样本对象在所述预设的多个历史时间点的实际特征值作为这里所需的样本对象的多个样本路径。
[0109]
在一些实施例中，预设的多个历史时间点的数量可以与前述样本对象在观测时间点前的多个历史时间点的数量一致，进而可以利用概率预测模型基于样本对象的多个历史时间点的历史特征值生成样本对象的一个或多个样本路径。例如，可以通过前述概率预测模型或其他可用的预测模型(预测模型可以包括例如nn、rnn、lstm等神经网络)处理样本对象在多个历史时间点的历史特征值，预测得到样本对象的一个或多个样本路径，并将其作为这里所需的样本对象的多个样本路径。
[0110]
关于样本对象、样本路径和通过概率预测模型预测得到对象的一个或多个样本路径的详细说明可以参见图3、图5及其相关说明，此处不再赘述。
[0111]
步骤620，利用示性函数预测模型处理多个样本路径，得到各样本路径中不同时间点对应的示性函数预测值。
[0112]
在一些实施例中，示性函数预测模型训练时，可以利用示性函数预测模型处理获取的样本对象的样本路径，得到各样本路径中各时间点对应的示性函数预测值。关于示性函数预测模型处理样本路径并得到样本路径中各时间点对应的示性函数预测值的更多具体内容可以参见步骤330及其相关描述，此处不再赘述。
[0113]
步骤630，调整示性函数预测模型的参数，以优化目标函数值。
[0114]
在最优停时问题中，可以基于对象的路径中各时间点对应的示性函数值和预测特征值来表征该路径对应的对对象执行预设操作带来的成本或收益(例如对股票执行购买操作带来的收益、对商品执行补货操作带来的补货成本、对信道执行数据传输操作带来的信道能耗)。在一些实施例中，可以计算该对象的路径(对象的路径是一个随机过程，即对象的路径可以包括多个样本路径)对应的求和结果，并将计算得到求和结果作为该路径对应的对该对象在路径中某一时间点执行预设操作带来的成本或收益。其中，路径对应的求和结果等于将路径中各时间点对应的示性函数值与预测特征值的乘积求和。
[0115]
如前所述，由于对象的路径是一个随机过程，即对象的路径可以包括多个样本路径。在一些实施例中，预测得到对象的多个样本路径后，前述对象的各样本路径对应的求和结果的期望可以用以表示所述收益或成本。仅作为示例，所述执行预设操作的成本或收益可以表示为：
[0116]
其中：t0表示当前时间；t0 t表示当前时间t0之后的未来时间段的某一时间点；v(t0)表示成本或收益；未来时间段中的多个预设未来时间点表示为t0 1，t0 2，t0 3，
…
，t0 t，t为自然数；d
i,t
表示对象i在时间点t0 t(在本说明书一些实施例中，也即第t个时间点或时间点t)对应的示性函数值(可以称为第一示性函数)；si(t0 t)表示在对象i的路径中的时间点t0 t对应的预测特征值。
[0117]
上式中，e[
·
]为计算期望。在一些实施例中，多个样本路径中各样本路径的求和
结果的期望等于多个样本路径中各样本路径的求和结果的平均值，因此v(t0)可以进一步写成：
[0118]
其中：j表示预测得到的多个样本路径的数量总和，j表示多个样本路径中的第j个样本路径，取值为1≤j≤j；表示对象i的样本路径j中的时间点t对应的预测特征值；表示对象i的样本路径j中的第t个时间点对应的示性函数预测值。
[0119]
在一些实施例中，可以基于所述成本或收益确定目标函数，例如，可以将上述计算v(t0)的公式确定为目标函数，以及可以基于步骤620中得到的各样本路径中各时间点对应的示性函数预测值得到目标函数的目标函数值。
[0120]
在一些实施例中，示性函数模型训练时的优化目标是调整示性函数模型的模型参数以优化目标函数值。如前所述，目标函数可以表示所述对对象执行预设操作的成本或收益，当目标函数反映成本时，优化目标函数值包括减小目标函数值(例如最小化目标函数值)；当目标函数反映收益时，优化目标函数包括增加目标函数值(例如最大化目标函数值)。
[0121]
应当注意的是，上述有关流程和方法的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程和方法进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，对流程和方法中的步骤顺序进行改变，对不同流程和方法中的步骤进行组合等。
[0122]
本说明书实施例还提供一种执行时间预测装置，包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现执行时间预测方法。所述方法可以包括：获取对象在多个历史时间点的历史特征值；基于所述历史特征值，预测得到所述对象的一个或多个样本路径，其中样本路径包括所述对象在预设的未来多个时间点的预测特征值；利用示性函数预测模型处理一个或多个样本路径，得到各样本路径中不同时间点对应的示性函数预测值；所述示性函数预测值指示所述对象在样本路径中相应时间点对应的预测特征值是否是最优值；分别基于各样本路径中不同时间点对应的示性函数预测值，确定各样本路径对应的最优时间点；将各样本路径中成为最优时间点的频次最高的时间点，作为对所述对象执行预设操作的执行时间。
[0123]
本说明书实施例可能带来的有益效果包括但不限于：(1)本说明书提出的执行时间预测方法通过根据对象的历史特征值预测得到对象的一个或多个样本路径，并通过示性函数预测模型得到各样本路径中各时间点对应的示性函数预测值，进一步基于各样本路径中不同时间点对应的示性函数预测值确定各样本路径对应的最优时间点，再进一步将各样本路径中成为最优时间点的频次最高的时间点作为对对象的执行预设操作的执行时间，可以准确地预测未来时间中对对象执行预设操作的最优执行时间；(2)通过本说明书提出的执行时间预测方法，可以实现将样本路径预测与最优执行时间决策结合，样本路径的确定不需依赖较强的先验知识，实现了灵活和高效地预测未来时间中对对象执行预设操作的最
优执行时间。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
[0124]
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
[0125]
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0126]
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
[0127]
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。
[0128]
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c 、c#、vb.net、python等，常规程序化编程语言如c语言、visual basic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
[0129]
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过
硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。
[0130]
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
[0131]
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
[0132]
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
[0133]
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。