时序数据预测方法、时序预测模型的训练方法、销量预测方法及装置与流程

本说明书实施例涉及计算机，特别涉及一种时序数据预测方法、时序预测模型的训练方法、销量预测方法及装置。

背景技术：

1、随着计算机技术和人工智能技术的快速发展，时序数据预测受到广泛的关注，时序数据预测是一种利用历史数据来预测未来数据变化趋势的方法，时序数据也称时间序列数据，是一种按照时间顺序记录的数据集合，用于描述数据随时间的变化趋势。时序数据预测在多个领域都是至关重要的，比如游戏领域、工业生产领域、农业生产领域、交通控制领域、气象领域、经济学领域等。

2、现有技术中，大部分的时序数据预测是基于单尺度输入进行预测，无法捕捉到不同尺度下的变化模式和变化趋势，导致时序数据预测的准确率较低。因而，亟需一种更准确的时序数据预测方法。

技术实现思路

1、有鉴于此，本说明书实施例提供了一种时序数据预测方法。本说明书一个或者多个实施例同时涉及一种时序预测模型的训练方法，一种销量预测方法，一种时序数据预测装置，一种时序预测模型的训练装置，一种销量预测装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序产品，以解决现有技术中存在的技术缺陷。

2、根据本说明书实施例的第一方面，提供了一种时序数据预测方法，包括：

3、获取目标事务在第一预设时长内的待测时序数据；

4、根据至少两个划分尺度对所述待测时序数据进行划分，构建多尺度输入数据，其中，所述多尺度输入数据包括各划分尺度对应的尺度数据；

5、利用时序预测模型，确定所述多尺度输入数据中各划分尺度对应的尺度预测结果，其中，所述尺度预测结果为所述目标事务在第二预设时长内的预测结果，所述第二预设时长为与所述第一预设时长相邻的下一预设时长；

6、利用所述时序预测模型，基于所述各划分尺度对应的尺度预测结果，确定所述目标事务在所述第二预设时长内的目标尺度预测结果。

7、根据本说明书实施例的第二方面，提供了一种时序预测模型的训练方法，包括：

8、获取目标事务在第一预设时长内的样本时序数据，以及在第二预设时长内的标签时序数据，其中，所述第二预设时长为与所述第一预设时长相邻的下一预设时长；

9、根据至少两个划分尺度对所述样本时序数据进行划分，构建多尺度样本数据，其中，所述多尺度样本数据包括各划分尺度对应的样本尺度数据；

10、利用初始预测模型，确定所述多尺度样本数据中各划分尺度对应的样本尺度预测，其中，所述样本尺度预测为所述目标事务在第二预设时长内的预测结果；

11、利用所述初始预测模型，基于所述各划分尺度对应的样本尺度预测，确定所述目标事务在所述第二预设时长内的样本预测结果；

12、根据所述样本预测结果和所述标签时序数据，调整所述初始预测模型的模型参数，直至达到训练停止条件，获得训练完成的时序预测模型。

13、根据本说明书实施例的第三方面，提供了一种销量预测方法，包括：

14、获取销量预测事务在第一预设时长内的待测销量数据；

15、根据至少两个划分尺度对所述待测销量数据进行划分，构建多尺度销量数据，其中，所述多尺度销量数据包括各划分尺度对应的尺度数据；

16、利用时序预测模型，确定所述多尺度销量数据中各划分尺度对应的尺度预测销量，其中，所述尺度预测销量为所述销量预测事务在第二预设时长内的预测结果，所述第二预设时长为与所述第一预设时长相邻的下一预设时长；

17、利用所述时序预测模型，基于所述各划分尺度对应的尺度预测销量，确定所述销量预测事务在所述第二预设时长内的目标尺度预测销量。

18、根据本说明书实施例的第四方面，提供了一种时序数据预测装置，包括：

19、第一获取模块，被配置为获取目标事务在第一预设时长内的待测时序数据；

20、第一构建模块，被配置为根据至少两个划分尺度对所述待测时序数据进行划分，构建多尺度输入数据，其中，所述多尺度输入数据包括各划分尺度对应的尺度数据；

21、第一确定模块，被配置为利用时序预测模型，确定所述多尺度输入数据中各划分尺度对应的尺度预测结果，其中，所述尺度预测结果为所述目标事务在第二预设时长内的预测结果，所述第二预设时长为与所述第一预设时长相邻的下一预设时长；

22、第一预测模块，被配置为利用所述时序预测模型，基于所述各划分尺度对应的尺度预测结果，确定所述目标事务在所述第二预设时长内的目标尺度预测结果。

23、根据本说明书实施例的第五方面，提供了一种时序预测模型的训练装置，包括：

24、第二获取模块，被配置为获取目标事务在第一预设时长内的样本时序数据，以及在第二预设时长内的标签时序数据，其中，所述第二预设时长为与所述第一预设时长相邻的下一预设时长；

25、第二构建模块，被配置为根据至少两个划分尺度对所述样本时序数据进行划分，构建多尺度样本数据，其中，所述多尺度样本数据包括各划分尺度对应的样本尺度数据；

26、第二确定模块，被配置为利用初始预测模型，确定所述多尺度样本数据中各划分尺度对应的样本尺度预测，其中，所述样本尺度预测为所述目标事务在第二预设时长内的预测结果；

27、第二预测模块，被配置为利用所述初始预测模型，基于所述各划分尺度对应的样本尺度预测，确定所述目标事务在所述第二预设时长内的样本预测结果；

28、参数调整模块，被配置为根据所述样本预测结果和所述标签时序数据，调整所述初始预测模型的模型参数，直至达到训练停止条件，获得训练完成的时序预测模型。

29、根据本说明书实施例的第六方面，提供了一种销量预测装置，包括：

30、第三获取模块，被配置为获取销量预测事务在第一预设时长内的待测销量数据；

31、第三构建模块，被配置为根据至少两个划分尺度对所述待测销量数据进行划分，构建多尺度销量数据，其中，所述多尺度销量数据包括各划分尺度对应的尺度数据；

32、第三确定模块，被配置为利用时序预测模型，确定所述多尺度销量数据中各划分尺度对应的尺度预测销量，其中，所述尺度预测销量为所述销量预测事务在第二预设时长内的预测结果，所述第二预设时长为与所述第一预设时长相邻的下一预设时长；

33、第三预测模块，被配置为利用所述时序预测模型，基于所述各划分尺度对应的尺度预测销量，确定所述销量预测事务在所述第二预设时长内的目标尺度预测销量。

34、根据本说明书实施例的第七方面，提供了一种计算设备，包括：

35、存储器和处理器；

36、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述时序数据预测方法或者时序预测模型的训练方法或者销量预测方法的步骤。

37、根据本说明书实施例的八方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述时序数据预测方法或者时序预测模型的训练方法或者销量预测方法的步骤的步骤。

38、根据本说明书实施例的第九方面，提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述时序数据预测方法或者时序预测模型的训练方法或者销量预测方法的步骤。

39、本说明书一个实施例提供了一种时序数据预测方法，获取目标事务在第一预设时长内的待测时序数据；根据至少两个划分尺度对所述待测时序数据进行划分，构建多尺度输入数据，其中，所述多尺度输入数据包括各划分尺度对应的尺度数据；利用时序预测模型，确定所述多尺度输入数据中各划分尺度对应的尺度预测结果，其中，所述尺度预测结果为所述目标事务在第二预设时长内的预测结果，所述第二预设时长为与所述第一预设时长相邻的下一预设时长；利用所述时序预测模型，基于所述各划分尺度对应的尺度预测结果，确定所述目标事务在所述第二预设时长内的目标尺度预测结果。

40、本说明书一个实施例实现了，根据至少两个划分尺度对待测时序数据进行划分，构建多尺度输入数据，分别基于各划分尺度对应的尺度数据进行预测，然后基于各划分尺度对应的预测结果，确定目标事务在第二预设时长内的目标尺度预测结果，实现了基于不同的划分尺度分别对待测时序数据进行时序预测，能够更全面地捕捉待测时序数据中的各种变化趋势，有效挖掘待测时序数据预测场景下的复杂变化模式，从而提高时序数据预测的准确性。