(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210919137.1 (22)申请日 2022.08.01 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦二层 (72)发明人 王龙飞　孙玥　杨胜文　张英　 田伦　卞传鑫　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 孟洋 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 20/00(2019.01) G06F 16/2458(2019.01) (54)发明名称 时序预测模 型的训练方法、 预测方法及相关 设备 (57)摘要 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， 涉及深度学习等人工 智能领域， 方法包括将样本时序数据输入时序预 测模型， 由时序预测模型基于仿射参数和样本非 平稳信息得到仿射样本时序数据； 根据仿射样本 时序数据得到预测样本时序数据， 并基于仿射参 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； 根据样本时序数据 和重构样本时序数据对包括仿射参数的模型参 数进行调整并返回对调整后时序预测模型继续 训练直至训练结束得到目标时序预测模型， 本公 开中， 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， 提高了非平稳 时序预测的准确性。 权利要求书4页 说明书17页 附图5页 CN 115310689 A 2022.11.08 CN 115310689 A 1.一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。 2.根据权利要求1所述的方法， 其中， 所述样本非平稳信息的获取 过程， 包括： 对所述样本时序数据进行统计， 以获取所述样本时序数据的方差和期望， 作为所述样 本非平稳信息 。 3.根据权利要求1所述的方法， 其中， 所述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， 包括： 获取所述重构样本时序数据的预测标签； 根据所述样本时序数据的标记标签和所述预测标签， 确定所述 时序预测模型的损失函 数； 基于所述损失函数， 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。 4.一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权利要求1 ‑3中任一项所述的训练方法训练出的 模型。 5.根据权利要求 4所述的方法， 其中， 所述非平稳信息的获取 过程， 包括： 对所述原始时序数据进行统计， 以获取所述原始本时序数据的方差和期望， 作为所述 非平稳信息 。 6.根据权利要求 4所述的方法， 其中， 所述得到 重构时序数据之后， 还 包括： 基于所述原始时序数据的方差和期望， 确定所述重构时序数据的方差和期望， 作为所 述重构时序数据的非平稳信息 。 7.一种时序预测方法， 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；权　利　要　求　书 1/4 页 2 CN 115310689 A 2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.根据权利要求7所述的方法， 其中， 所述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， 包括： 对所述原始时序数据进行统计， 以获取所述原始时序数据的方差和期望， 作为所述原 始时序数据的非平稳信息； 基于所述非平稳信息对所述原 始时序数据进行正则化处 理， 得到第三时序数据； 基于所述仿射 参数对所述第三时序数据进行仿射变换， 得到所述第一时序数据。 9.根据权利要求8所述的方法， 其中， 所述基于所述非平稳信 息对所述第 二时序数据进 行逆仿射处 理， 以获取重构时序数据， 包括： 基于所述仿射 参数， 对所述第二时序数据进行逆仿射处 理， 以得到第四 时序数据； 基于所述非平稳信息， 对所述第 四时序数据进行逆正则化处理， 得到所述重构时序数 据。 10.根据权利要求8或9所述的方法， 其中， 所述方法还 包括： 基于所述原始时序数据的方差和期望， 确定所述重构时序数据的方差和期望， 作为所 述重构时序数据的非平稳信息 。 11.一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。 12.根据权利要求1 1所述的装置， 其中， 所述第一仿射模块， 还用于： 对所述样本时序数据进行统计， 以获取所述样本时序数据的方差和期望， 作为所述样 本非平稳信息 。 13.根据权利要求1 1所述的装置， 其中， 所述训练模块， 还用于： 获取所述重构样本时序数据的预测标签； 根据所述样本时序数据的标记标签和所述预测标签， 确定所述 时序预测模型的损失函 数； 基于所述损失函数， 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。 14.一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权　利　要　求　书 2/4 页 3 CN 115310689 A 3