目标序列确定方法、装置、电子设备和存储介质

技术领域

本公开涉及数据处理技术领域，具体地，涉及一种目标序列确定方法、装置、电子设备和存储介质。

背景技术

时间序列是将某种统计指标的数值，在固定时间间隔内记录的连续数据，时序预测技术主要包括分类、聚类、异常检测、预测等方面，其核心是从数据中挖掘出一个或者多个变量随时间变化的趋势，并对未来数据做出估计。例如，可以通过分析历史的交通流量数据来预测未来的道路拥堵情况，或者通过分析历史的股票价格数据来预测未来的市场走势，也可以根据过去的天气、交通、节假日等因素来预测未来的出租车需求。

多元时间序列预测是指给定某几个指标的历史变化情况，预测其在未来一段时间内的变化。相比于单变量时间序列，多元时间序列更能反映现实世界中复杂的情况和关系，但也更难以分析和建模。相关技术中，无法确定较好的多个变量之间的时间关系和空间关系，导致预测得到的多元时间序列不够准确。

发明内容

本公开的目的是提供一种目标序列确定方法、装置、电子设备和存储介质，通过目标序列预测模型对原始数据和目标参数进行处理，能够得到原始数据对应的全局邻接矩阵，从而得到原始数据中的多个原始变量之间的空间特征，并通过时间窗口提取多个原始变量的时间特征，进而得到时空特征，再根据时空特征以及目标参数得到对应于目标变量以及目标时间段对应的目标序列，通过充分考虑原始数据的时间特征和空间特征，以便提高得到的目标序列的准确性。

根据本公开的第一方面，提供一种目标序列确定方法，包括：

获取原始数据和目标参数，所述原始数据包括多个原始变量对应的原始序列，所述目标参数包括目标变量和目标时间段；

通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，所述全局邻接矩阵表征多个所述原始变量之间的空间关系；

通过所述目标序列预测模型经不同的时间窗口对所述原始数据和所述全局邻接矩阵进行处理，得到时空特征；

通过所述目标序列预测模型对所述目标变量、所述目标时间段和所述时空特征进行处理，得到与所述目标变量以及所述目标时间段对应的目标序列，所述目标序列预测模型通过多个样本原始数据和样本目标参数训练基础预测模型得到。

可选地，所述通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，包括：

对所述原始数据进行分割，得到多个节点序列，每个节点序列包括所述多个原始变量对应的分割序列；

针对任一节点序列，根据该任一节点序列包括的多个原始变量对应的分割序列，构建初始邻接矩阵；

根据任意两个原始变量对应的分割序列之间的相似度，对所述初始邻接矩阵进行简化，得到该任一节点序列对应的简化邻接矩阵；

根据多个节点序列对应的简化邻接矩阵，得到全局邻接矩阵。

可选地，所述根据任意两个原始变量对应的分割序列之间的相似度，对所述初始邻接矩阵进行简化，得到该任一节点序列对应的简化邻接矩阵，包括：

针对任一原始变量，确定该任一原始变量对应的分割序列分别与多个原始变量中的其它原始变量对应的分割序列之间的相似度；

将所述相似度最大的K个相似度对应的节点确定为该任一节点的邻接节点；

根据所述任一节点以及该任一节点的邻接节点，确定该任一节点序列对应的简化邻接矩阵。

可选地，所述通过所述目标序列预测模型经不同的时间窗口对所述原始数据和所述全局邻接矩阵进行处理，得到时空特征，包括：

基于所述全局邻接矩阵，对所述原始数据进行处理，得到原始输出特征；

通过循环神经网络对所述原始输出特征进行处理，得到第一输出序列；

通过多个时间窗口分别对所述原始数据进行处理，得到每个时间窗口对应的滑动序列；

根据所述多个时间窗口对应的多个滑动序列以及所述第一输出序列，得到所述时空特征。

可选地，所述根据所述多个时间窗口对应的多个滑动序列以及所述第一输出序列，得到所述时空特征，包括：

对所述多个时间窗口对应的多个滑动序列进行排序；

将第一个滑动序列和所述第一输出序列进行拼接，得到第一输出特征；

通过循环神经网络对所述第一输出特征进行处理，得到第二输出序列；

将第二个滑动序列和所述第二输出序列进行拼接，得到第二输出特征；

通过循环神经网络对所述第二输出特征进行处理，得到第三输出序列，直至通过最后一个滑动序列得到最终输出特征，并通过循环神经网络对最终输出特征进行处理，得到所述时空特征。

可选地，所述通过所述目标序列预测模型对所述目标变量、所述目标时间段和所述时空特征进行处理，得到与所述目标变量以及所述目标时间段对应的目标序列，包括：

通过所述目标序列预测模型对所述时空特征进行处理，得到全局序列；

通过所述目标变量以及所述目标时间段，对所述全局序列进行截取，得到所述目标序列。

可选地，所述目标序列预测模型通过以下步骤训练得到：

获取多个训练样本，每个所述训练样本包括样本数据、样本参数和标注标签，所述样本数据包括多个样本变量对应的样本序列，所述样本参数包括样本变量和样本时间段，所述样本变量包括所述原始变量，所述样本时间段包括所述目标时间段，所述标注标签为每个样本数据对应的真实输出序列；

通过所述多个训练样本，对所述基础预测模型进行多轮预测训练；

在每一轮预测训练之后，获取本轮预测训练输出的预测目标序列；

根据所述预测目标序列以及本轮预测训练对应的标注标签，对所述基础预测模型进行优化；

在满足训练结束条件的情况下，停止训练，得到所述目标序列预测模型。

根据本公开的第二方面，提供一种目标序列确定装置，包括：

第一获取模块，被配置为获取原始数据和目标参数，所述原始数据包括多个原始变量对应的原始序列，所述目标参数包括目标变量和目标时间段；

第一获得模块，被配置为通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，所述全局邻接矩阵表征多个所述原始变量之间的空间关系；

第二获得模块，被配置为通过所述目标序列预测模型经不同的时间窗口对所述原始数据和所述全局邻接矩阵进行处理，得到时空特征；

第三获得模块，被配置为通过所述目标序列预测模型对所述目标变量、所述目标时间段和所述时空特征进行处理，得到与所述目标变量以及所述目标时间段对应的目标序列，所述目标序列预测模型通过多个样本原始数据和样本目标参数训练基础预测模型得到。

根据本公开的第三方面，提供一种非临时性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本公开实施例第一方面所述目标序列确定方法的步骤。

根据本公开的第四方面，提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现本公开实施例第一方面所述目标序列确定方法的步骤。

通过上述技术方案，通过获取原始数据和目标参数，该原始数据包括多个原始变量对应的原始序列，目标参数包括目标变量和目标时间段，并通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，全局邻接矩阵表征多个原始变量之间的空间关系，再通过目标序列预测模型经不同的时间窗口对原始数据和全局邻接矩阵进行处理，得到时空特征，最后通过目标序列预测模型对目标变量、目标时间段和时空特征进行处理，得到与目标变量以及目标时间段对应的目标序列，目标序列预测模型通过多个样本原始数据和样本目标参数训练基础预测模型得到。通过目标序列预测模型对原始数据和目标参数进行处理，能够得到原始数据对应的全局邻接矩阵，从而得到原始数据中的多个原始变量之间的空间特征，并通过时间窗口提取多个原始变量的时间特征，进而得到时空特征，再根据时空特征以及目标参数得到对应于目标变量以及目标时间段对应的目标序列，通过充分考虑原始数据的时间特征和空间特征，以便提高得到的目标序列的准确性。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据一示例性实施例示出的一种目标序列确定方法的示意图。

图2是根据一示例性实施例示出的一种目标序列确定方法的流程图。

图3是根据一示例性实施例示出的一种确定全局邻接矩阵的方法的流程图。

图4是根据一示例性实施例示出的一种确定时空特征的方法的流程图。

图5是根据一示例性实施例示出的一种目标序列确定装置框图。

图6是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

需要说明的是，本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

时间序列是将某种统计指标的数值，在固定时间间隔内记录的连续数据，时序预测技术主要包括分类、聚类、异常检测、预测等方面，其核心是从数据中挖掘出一个或者多个变量随时间变化的趋势，并对未来数据做出估计。例如，可以通过分析历史的交通流量数据来预测未来的道路拥堵情况，或者通过分析历史的股票价格数据来预测未来的市场走势，也可以根据过去的天气、交通、节假日等因素来预测未来的出租车需求。

多元时间序列预测是指给定某几个指标的历史变化情况，预测其在未来一段时间内的变化。相比于单变量时间序列，多元时间序列更能反映现实世界中复杂的情况和关系，但也更难以分析和建模。相关技术中，无法确定较好的多个变量之间的时间关系和空间关系，导致预测得到的多元时间序列不够准确。

针对上述技术问题，考虑到多元时间序列预测的主要挑战在于处理多个变量之间的相互作用和复杂性。首先，这些变量可能存在复杂的相互依赖关系，需要有效地捕捉和建模这些关系；然后，多元时间序列的分布可能随时间变化，可能存在时间滞后和季节性，可能受到噪声和异常值的影响，需要适应动态的数据特征；最后，每个时间步有多个变量，因此数据的维度将远远高于单变量时间序列预测，为了准确地预测未来的时间步，需要使用更复杂的模型来处理这些挑战。从而提出了一种目标序列确定方法、装置、电子设备和存储介质，通过目标序列预测模型对原始数据和目标参数进行处理，能够得到原始数据对应的全局邻接矩阵，从而得到原始数据中的多个原始变量之间的空间特征，并通过时间窗口提取多个原始变量的时间特征，进而得到时空特征，再根据时空特征以及目标参数得到对应于目标变量以及目标时间段对应的目标序列，通过充分考虑原始数据的时间特征和空间特征，以便提高得到的目标序列的准确性。

图1是根据一示例性实施例示出的一种目标序列确定方法的示意图，图2是根据一示例性实施例示出的一种目标序列确定方法的流程图，如图1和图2所示，该方法可应用于服务器，该目标序列确定方法可包括以下步骤：

在步骤S201中，获取原始数据和目标参数，原始数据包括多个原始变量对应的原始序列，目标参数包括目标变量和目标时间段。

在本实施方式中，该原始数据可为已知的时间序列，该原始数据可为任意时间序列场景下对应的数据，例如该时间序列场景可为天气场景、交通流量场景、金融场景以及系统载荷场景等等。目标数据包括多个原始变量对应的原始序列，原始变量为该场景的影响因素，例如，针对天气场景，该原始变量可包括温度、湿度以及风速，目标参数用于指定需要获取哪些变量的哪些参数，例如，目标参数包括目标变量和目标时间段，即，指定需要获取目标变量在未来的目标时间段内的数据。该目标变量可为多个原始变量中的一个或者多个，该目标时间段可为未来的一个时间段。

在步骤S202中，通过目标序列预测模型对原始数据进行处理，得到全局邻接矩阵，全局邻接矩阵表征多个原始变量之间的空间关系。

在本实施方式中，可通过目标序列预测模型对原始数据进行处理，通过将原始数据的每个变量确定为一个节点，从而提取各个节点之间的关系，构建全局邻接矩阵，该全局邻接矩阵表征多个原始变量之间的空间关系。即，通过该步骤，可通过目标序列预测模型中的时空信息编码模块基于邻接矩阵的非线性变换层，对原始数据进行处理，通过原始数据构造初始节点嵌入，并将节点嵌入矩阵转化为一个隐藏的邻接矩阵，并学习节点之间的关系。其中，全局邻接矩阵的构建基于空间序列编码，每个节点表示一个变量的时间序列。通过这个全局邻接矩阵，时空信息得到编码，从而可得到多个原始变量之间的空间关系。

其中，目标序列预测模型的输入数据可为历史p个观测值

输出数据是p时刻后h个时间间隔后一段长度为q的连续时刻的值Y＝{x

将节点嵌入转化为隐藏的图邻接矩阵，用节点特征的相似度表示节点之间的关系，将变量看作结点，每个结点除了对应的数据特征、静态特征和周期特征外，用高维向量来表示输入的低维特征，使用线性层或者embedding层训练，使用d维向量

在步骤S203中，通过目标序列预测模型经不同的时间窗口对原始数据和全局邻接矩阵进行处理，得到时空特征。

在本实施方式中，目标序列预测模型还包括序列预测模块，可通过序列预测模块，使用图卷积网络捕捉全局邻接矩阵中隐藏的邻接矩阵节点间在一定视野下的空间关系，并将该空间关系与不同尺度下的时间序列进行拼接，并使用循环神经网络捕捉拼接后的序列的时间关系，还可使用多尺度的子序列来捕捉序列的周期性特征和长期依赖关系，即，该时空特征可包括不同变量之间的空间关系，以及每个变量的时间关系，以及每个变量的周期性特征以及长期依赖关系。其中，不同尺度下的时间序列通过不同的时间窗口对原始数据进行处理得到。

在步骤S204中，通过目标序列预测模型对目标变量、目标时间段和时空特征进行处理，得到与目标变量以及目标时间段对应的目标序列，目标序列预测模型通过多个样本原始数据和样本目标参数训练基础预测模型得到。

在本实施方式中，可通过目标序列预测模型中的序列预测模块继续对目标变量、目标时间段和时空特征进行处理，即可得到与目标变量以及目标时间段对应的目标序列。示例地，可通过序列预测模块对时空特征进行处理，得到多个原始变量对应的多个预测序列，并根据目标变量和目标时间段，对多个原始变量对应的多个预测序列中的目标变量所对应的预测序列进行截取，即可得到目标序列。其中，目标序列预测模型通过多个样本原始数据和样本目标参数训练基础预测模型得到，该目标序列预测模型以原始数据和目标参数为输入，即可输出与目标参数对应的目标序列。

在本实施方式中，通过目标序列预测模型对原始数据和目标参数进行处理，能够得到原始数据对应的全局邻接矩阵，从而得到原始数据中的多个原始变量之间的空间特征，并通过时间窗口提取多个原始变量的时间特征，进而得到时空特征，再根据时空特征以及目标参数得到对应于目标变量以及目标时间段对应的目标序列，通过充分考虑原始数据的时间特征和空间特征，以便提高得到的目标序列的准确性。

通过本实施例的方法，针对不同的应用场景，可获取该场景对应的原始数据和目标参数，并将原始数据和目标参数输入目标序列预测模型，即可输出与目标参数对应的目标序列。例如，针对天气场景，其原始数据可包括温度、湿度以及风速等原始变量对应的原始序列，目标参数可包括温度以及目标时间段，将原始数据输入目标序列预测模型，即可得到目标时间段内的温度。

图3是根据一示例性实施例示出的一种确定全局邻接矩阵的方法的流程图，如图3所示，在一种可能的实施方式中，通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，可包括以下步骤：

在步骤S301中，对原始数据进行分割，得到多个节点序列，每个节点序列包括多个原始变量对应的分割序列。

在本实施方式中，可通过多个分割时间段，将原始数据分割为多个节点序列，每个节点序列的长度可相同，也可不同。每个节点序列包括多个原始变量对应的分割序列。即，针对每一原始变量，均被多个分割时间段分割为多个分割序列。同一分割时间段的多个原始变量对应的分割序列为一个节点序列。

在步骤S302中，针对任一节点序列，根据该任一节点序列包括的多个原始变量对应的分割序列，构建初始邻接矩阵。

在本实施方式中，可针对任一节点序列，构建该任一节点序列对应的初始邻接矩阵。每个原始变量对应的一个分割序列为一个节点，使用邻接矩阵来表示节点之间的关系，并利用这个邻接矩阵来调整节点特征向量的权重，从而实现节点之间的信息交互，定义候选关系

在步骤S303中，根据任意两个原始变量对应的分割序列之间的相似度，对初始邻接矩阵进行简化，得到该任一节点序列对应的简化邻接矩阵。

在本实施方式中，可根据相似度对初始邻接矩阵进行简化。

可选地，根据任意两个原始变量对应的分割序列之间的相似度，对初始邻接矩阵进行简化，得到该任一节点序列对应的简化邻接矩阵的方法可为：针对任一原始变量，确定该任一原始变量对应的分割序列分别与多个原始变量中的其它原始变量对应的分割序列之间的相似度；将相似度最大的K个相似度对应的节点确定为该任一节点的邻接节点；根据任一节点以及该任一节点的邻接节点，确定该任一节点序列对应的简化邻接矩阵。

在本实施方式中，针对任一节点序列，用向量内积定义节点间相似度

在步骤S304中，根据多个节点序列对应的简化邻接矩阵，得到全局邻接矩阵。

在本实施方式中，将多个节点序列对应的简化邻接矩阵进行组合，即可得到全局邻接矩阵。

在本实施方式中，通过生成邻接矩阵的方式，能够获取各个变量之间的空间关系，以便提高预测结果的准确性。

图4是根据一示例性实施例示出的一种确定时空特征的方法的流程图，如图4所示，在一种可能的实施方式中，通过目标序列预测模型经不同的时间窗口对原始数据和全局邻接矩阵进行处理，得到时空特征，可包括以下步骤：

在步骤S401中，基于全局邻接矩阵，对原始数据进行处理，得到原始输出特征。

在本实施方式中，可基于全局邻接矩阵，对原始数据进行信息传播，得到原始输出特征。

示例地，针对全局邻接矩阵，定义信息传播方式为：

H

传播过程中节点既可以保持局部性，还可以得到更新的邻居信息，每次消息传播只涉及一阶邻居，这样可以减少计算复杂度，也可以避免信息的冗余或损失，节点得到更新的邻居信息是因为每次消息传播后，邻居节点的特征或状态都会发生变化，反映了更高阶的信息，可以实现在保持局部性的同时，逐步扩大信息范围，从而提高节点特征或状态的表达能力；不同的模型可以采用不同的消息函数来生成消息向量，例如图卷积神经网络使用线性变换，图神经网络使用注意力机制等，传播过程中节点既可以保持局部性，还可以得到更新的邻居信息；

定义信息选择方式

设置经过升维的节点特征

在步骤S402中，通过循环神经网络对所述原始输出特征进行处理，得到第一输出序列。

在本实施方式中，H1经过一层GRU(Gate Recurrent Unit，门控循环单元，循环神经网络中的一种)网络，对其进行特征提取，即可输出第一输出序列H1，其长度与输入的序列的长度保持一致。

在步骤S403中，通过多个时间窗口分别对原始数据进行处理，得到每个时间窗口对应的滑动序列。

在本实施方式中，多个时间窗口的时间长度不同，根据每个时间窗口，在原始数据对应的序列上滑动，可将原始数据处理得到多个滑动序列，从而得到每个时间窗口对应的滑动序列。

示例地，使用多个时间窗口捕捉不同尺度特征，根据数据的周期性设置一系列时间窗口w＝{w

其中，i为时间窗口对应的窗口长度。

在步骤S404中，根据多个时间窗口对应的多个滑动序列以及第一输出序列，得到时空特征。

在本实施方式中，通过第一输出序列与时间窗口对应的滑动序列进行拼接，并进行特征提取，从而得到时空特征。

可选地，根据多个时间窗口对应的多个滑动序列以及第一输出序列，得到时空特征的方法可为：对多个时间窗口对应的多个滑动序列进行排序；将第一个滑动序列和第一输出序列进行拼接，得到第一输出特征；通过循环神经网络对第一输出特征进行处理，得到第二输出序列；将第二个滑动序列和第二输出序列进行拼接，得到第二输出特征；通过循环神经网络对第二输出特征进行处理，得到第三输出序列，直至通过最后一个滑动序列得到最终输出特征，并通过循环神经网络对最终输出特征进行处理，得到时空特征。

示例地，第一输出序列R

需要注意的是，这里以GRU神经网络举例，事实上可以采用其他合适的序列预测任务中常用的神经网络模型；

利用不同的时间窗口扩大序列感知范围，捕捉序列的周期性特征和长期依赖关系，更新时间窗口长度w＝w

通过第一输出序列R

在一种可能的实施方式中，通过所述目标序列预测模型对所述目标变量、所述目标时间段和所述时空特征进行处理，得到与所述目标变量以及所述目标时间段对应的目标序列的方法可为：通过目标序列预测模型对时空特征进行处理，得到全局序列；通过目标变量以及目标时间段，对全局序列进行截取，得到目标序列。

在本实施方式中，通过序列预测模块对时空特征进行处理，得到多个原始变量对应的多个预测序列，并根据目标变量和目标时间段，对多个原始变量对应的多个预测序列中的目标变量所对应的预测序列进行截取，即可得到目标序列。即，经过最后一层GRU网络后得到的输出节点序列R

在一种可能的实施方式中，目标序列预测模型通过以下步骤训练得到：获取多个训练样本，每个训练样本包括样本数据、样本参数和标注标签，样本数据包括多个样本变量对应的样本序列，样本参数包括样本变量和样本时间段，样本变量包括原始变量，样本时间段包括目标时间段，标注标签为每个样本数据对应的真实输出序列；通过多个训练样本，对基础预测模型进行多轮预测训练；在每一轮预测训练之后，获取本轮预测训练输出的预测目标序列；根据预测目标序列以及本轮预测训练对应的标注标签，对基础预测模型进行优化；在满足训练结束条件的情况下，停止训练，得到目标序列预测模型。

在本实施方式中，通过获取历史数据，形成训练样本，可包括样本序列和对应的真实输出序列。其中，满足训练结束条件可为满足预设的训练轮数，或者，基础预测模型收敛，即可得到对应的目标序列预测模型。

本公开实施例能够同时处理空间和时间信息，从而提高了预测的准确性；利用图卷积网络和循环神经网络的结合，能够有效地捕捉时空序列数据中的空间依赖和时间动态，从而提高了预测的准确性。传统的时空序列预测方法通常忽略了空间信息或者使用简单的空间模型，无法充分利用数据中的空间结构和关系，导致预测结果不准确。本公开通过使用图卷积网络，能够将节点的属性和拓扑结构进行编码，提取出节点的空间特征，从而提高了预测的准确性。

而且，本公开将不同时间步和不同时间序列之间的关系纳入模型中，以提高预测精度。利用循环神经网络和多尺度时间窗口的结合，能够有效地捕捉时空序列数据中的时间关系和变化规律，从而提高预测精度。传统的时空序列预测方法通常只考虑单一时间步或者单一时间序列的信息，无法充分利用数据中的时间相关性和周期性，导致预测结果不稳定。本公开通过使用循环神经网络，能够学习序列之间的时间关系和动态变化规律，同时，本发明通过使用多尺度时间窗口，能够扩大序列感知范围，捕捉序列的周期性特征和长期依赖关系，从而提高预测精度。

图5是根据一示例性实施例示出的一种目标序列确定装置框图。参照图5，该目标序列确定装置500包括第一获取模块501、第一获得模块502、第二获得模块503和第三获得模块504。

该第一获取模块501，被配置为获取原始数据和目标参数，所述原始数据包括多个原始变量对应的原始序列，所述目标参数包括目标变量和目标时间段；

该第一获得模块502，被配置为通过目标序列预测模型对所述原始数据进行处理，得到全局邻接矩阵，所述全局邻接矩阵表征多个所述原始变量之间的空间关系；

该第二获得模块503，被配置为通过所述目标序列预测模型经不同的时间窗口对所述原始数据和所述全局邻接矩阵进行处理，得到时空特征；

该第三获得模块504，被配置为通过所述目标序列预测模型对所述目标变量、所述目标时间段和所述时空特征进行处理，得到与所述目标变量以及所述目标时间段对应的目标序列，所述目标序列预测模型通过多个样本原始数据和样本目标参数训练基础预测模型得到。

可选地，所述第一获得模块，包括：

分割子模块，被配置为对所述原始数据进行分割，得到多个节点序列，每个节点序列包括所述多个原始变量对应的分割序列；

构建子模块，被配置为针对任一节点序列，根据该任一节点序列包括的多个原始变量对应的分割序列，构建初始邻接矩阵；

简化子模块，被配置为根据任意两个原始变量对应的分割序列之间的相似度，对所述初始邻接矩阵进行简化，得到该任一节点序列对应的简化邻接矩阵；

第一获得子模块，被配置为根据多个节点序列对应的简化邻接矩阵，得到全局邻接矩阵。

可选地，所述简化子模块，包括：

第一确定子单元，被配置为针对任一原始变量，确定该任一原始变量对应的分割序列分别与多个原始变量中的其它原始变量对应的分割序列之间的相似度；

第二确定子单元，被配置为将所述相似度最大的K个相似度对应的节点确定为该任一节点的邻接节点；

第三确定子单元，被配置为根据所述任一节点以及该任一节点的邻接节点，确定该任一节点序列对应的简化邻接矩阵。

可选地，所述第二获得模块，包括：

第二获得子模块，被配置为基于所述全局邻接矩阵，对所述原始数据进行处理，得到原始输出特征；

第三获得子模块，被配置为通过循环神经网络对所述原始输出特征进行处理，得到第一输出序列；

第四获得子模块，被配置为通过多个时间窗口分别对所述原始数据进行处理，得到每个时间窗口对应的滑动序列；

第五获得子模块，被配置为根据所述多个时间窗口对应的多个滑动序列以及所述第一输出序列，得到所述时空特征。

可选地，所述第五获得子模块，包括：

排序子单元，被配置为对所述多个时间窗口对应的多个滑动序列进行排序；

第一获得子单元，被配置为将第一个滑动序列和所述第一输出序列进行拼接，得到第一输出特征；

第二获得子单元，被配置为通过循环神经网络对所述第一输出特征进行处理，得到第二输出序列；

第三获得子单元，被配置为将第二个滑动序列和所述第二输出序列进行拼接，得到第二输出特征；

第四获得子单元，被配置为通过循环神经网络对所述第二输出特征进行处理，得到第三输出序列，直至通过最后一个滑动序列得到最终输出特征，并通过循环神经网络对最终输出特征进行处理，得到所述时空特征。

可选地，所述第三获得模块，包括：

第六获得子模块，被配置为通过所述目标序列预测模型对所述时空特征进行处理，得到全局序列；

第七获得子模块，被配置为通过所述目标变量以及所述目标时间段，对所述全局序列进行截取，得到所述目标序列。

可选地，所述装置还包括：

第二获取模块，被配置为获取多个训练样本，每个所述训练样本包括样本数据、样本参数和标注标签，所述样本数据包括多个样本变量对应的样本序列，所述样本参数包括样本变量和样本时间段，所述样本变量包括所述原始变量，所述样本时间段包括所述目标时间段，所述标注标签为每个样本数据对应的真实输出序列；

训练模块，被配置为通过所述多个训练样本，对所述基础预测模型进行多轮预测训练；

第三获取模块，被配置为在每一轮预测训练之后，获取本轮预测训练输出的预测目标序列；

优化模块，被配置为根据所述预测目标序列以及本轮预测训练对应的标注标签，对所述基础预测模型进行优化；

第四获得模块，被配置为在满足训练结束条件的情况下，停止训练，得到所述目标序列预测模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图6是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备600可以被提供为一服务器。参照图6，电子设备600包括处理器622，其数量可以为一个或多个，以及存储器632，用于存储可由处理器622执行的计算机程序。存储器632中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器622可以被配置为执行该计算机程序，以执行上述的目标序列确定方法。

另外，电子设备600还可以包括电源组件626和通信组件650，该电源组件626可以被配置为执行电子设备600的电源管理，该通信组件650可以被配置为实现电子设备600的通信，例如，有线或无线通信。此外，该电子设备600还可以包括输入/输出(I/O)接口658。电子设备600可以操作基于存储在存储器632的操作系统。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的目标序列确定方法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令的存储器632，上述程序指令可由电子设备600的处理器622执行以完成上述的目标序列确定方法。

在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的目标序列确定方法的代码部分。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。