时间序列预测方法、装置、设备以及介质

技术领域

本申请涉及人工智能领域，尤其涉及一种时间序列预测方法、装置、设备以及介质。

背景技术

在时间序列预测中，涉及从多个数据表的高维事件记录中提取局部特征以及时间序列的全局特征，例如，在医疗大数据领域中围绕病人将相关的多个医疗信息数据表连接起来产生稀疏多维数据，从该稀疏多维数据提取局部特征以及全局特征，基于提取特征进行时间序列预测，即预测病人在未来时刻的事件发生概率。

然而，现有的数据特征提取方法仍需要领域专业人员参与数据分析，人工处理效率较低，且由人工确定单条记录中哪些中间特征对结果有影响，也容易丢失与最终目标导向先关的隐含特征，导致预测精度变差。同时，现有的时间序列预测方法中不能同时提取单条事件记录的局部特征和多条记录构成的时间序列全局特征，进一步降低了预测方法的执行效率。

发明内容

本申请实施例的主要目的在于提出一种时间序列预测方法、装置、设备以及介质，能够自动同时提取局部特征以及时间序列全局特征，提高时间序列预测方法的执行效率以及预测精度。

为实现上述目的，本申请实施例的第一方面提出了一种时间序列预测方法，所述方法包括：

获取时间序列数据集，所述时间序列数据集包括多条事件记录信息；

将所述事件记录信息输入至预构建的第一编码器，得到每条所述事件记录信息的目标局部特征向量；

根据每条所述事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，通过预构建的第二编码器根据所述目标局部特征向量集合得到目标全局特征向量；

对所述目标局部特征向量和所述目标全局特征向量进行融合处理，得到目标全局融合特征；

基于所述目标全局融合特征进行时间序列的预测，得到时间序列预测结果。为实现上述目的，本申请实施例的第二方面提出了一种时间序列预测装置，所述装置包括：

时间序列获取模块，用于获取时间序列数据集，所述时间序列数据集包括多条事件记录信息；

局部特征提取模块，用于将所述事件记录信息输入至预构建的第一编码器，得到每条所述事件记录信息的目标局部特征向量；

全局特征提取模块，用于根据每条所述事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，通过预构建的第二编码器根据所述目标局部特征向量集合得到目标全局特征向量；

特征向量融合模块，用于对所述目标局部特征向量和所述目标全局特征向量进行融合处理，得到目标全局融合特征；

时间序列预测模块，用于基于所述目标全局融合特征进行时间序列的预测，得到时间序列预测结果。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出一种时间序列预测方法、装置、电子设备以及计算机可读存储介质，所述时间序列预测方法包括获取时间序列数据集，时间序列数据集包括多条事件记录信息，将事件记录信息输入至预构建的第一编码器，得到每条事件记录信息的目标局部特征向量，根据每条事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，将目标局部特征向量集合输入至预构建的第二编码器，得到目标全局特征向量，对目标局部特征向量和目标全局特征向量进行融合处理，得到目标全局融合特征，基于目标全局融合特征进行时间序列的预测，得到时间序列预测结果。本申请实施例通过预构建第一编码器从时间序列数据集中的单条事件记录信息中提取局部特征向量，由每条事件记录信息的局部特征向量得到时间序列的局部特征向量集合，再将局部特征向量集合输入至预构建的第二编码器，由第二编码器根据局部特征向量集合生成全局特征向量，融合局部特征向量和全局特征向量之后即可进行时间序列预测，最大程度地减少人工干预，自动实现单条事件记录的局部特征提取以及全局时间序列特征提取，且自动提取过程贯穿单条事件记录的处理阶段和全局时间序列的处理阶段，能够提高时间序列预测方法的执行效率以及预测精度。

附图说明

图1是本申请实施例提供的一种时间序列预测方法的流程示意图；

图2是本申请另一实施例提供的一种时间序列预测方法的流程示意图；

图3是本申请另一实施例提供的一种时间序列预测方法的流程示意图；

图4是本申请另一实施例提供的一种时间序列预测方法的流程示意图；

图5是本申请另一实施例提供的一种时间序列预测方法的流程示意图；

图6是本申请另一实施例提供的一种时间序列预测方法的流程示意图；

图7是本申请另一实施例提供的一种时间序列预测方法的流程示意图；

图8是本申请实施例提供的一种变分自编码器模型的结构示意图；

图9是图8中变分自编码器模型的编码器和解码器的结构示意图；

图10是本申请实施例提供的一种全局特征提取模型的结构示意图；

图11是本申请实施例提供的一种时间序列预测装置的结构示意图；

图12是本申请实施例提供的一种电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

变分自编码器(Variational Autoencoders,VAE)，变分自编码器是一种概率生成模型，结合了自编码器和概率图模型的思想,主要组成部分包括编码器(Encoder)和解码器(Decoder)它采用编码器将输入样本映射为潜在变量，并通过解码器将潜在变量重新映射为重构数据。通过最小化重构误差和最大化潜在变量的后验概率来训练模型，从而实现数据的生成和潜在空间的控制。

Transformer模型，Transformer模型是一种基于自注意力机制的深度学习模型，利用自注意力机制来捕捉输入序列中不同位置之间的依赖关系，从而有效地建模长距离依赖，适用于并行化计算和时间序列问题建模。Transformer模型的复杂程度低，精度和性能上都优于传统的循环神经网络(RNN)和卷积神经网络(CNN)。

在时间序列预测中，涉及从多个数据表的高维事件记录中提取局部特征以及时间序列的全局特征，例如，在医疗大数据领域中围绕病人将相关的多个医疗信息数据表连接起来产生稀疏多维数据，从该稀疏多维数据提取局部特征以及全局特征，基于提取特征进行时间序列预测，即预测病人在未来时刻的事件发生概率。

然而，现有的数据特征提取方法仍需要领域专业人员参与数据分析，人工处理效率较低，且由人工确定单条记录中哪些中间特征对结果有影响，也容易丢失与最终目标导向先关的隐含特征，导致预测精度变差。同时，现有的时间序列预测方法中不能同时提取单条事件记录的局部特征和多条记录构成的时间序列全局特征，进一步降低了预测方法的执行效率。

基于此，本申请实施例提供了一种时间序列预测方法、装置、电子设备及计算机可读存储介质，能够自动同时提取局部特征以及时间序列全局特征，提高时间序列预测方法的执行效率以及预测精度。

首先描述本申请实施例中的时间序列预测方法：

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的时间序列预测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现时间序列预测方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

请参见图1，图1示出了本申请实施例提供的一种时间序列预测方法的流程示意图，如图1所示，该时间序列预测方法包括但不限于步骤S110至步骤S150。

步骤S110，获取时间序列数据集，所述时间序列数据集包括多条事件记录信息。

步骤S120，将所述事件记录信息输入至预构建的第一编码器，得到每条所述事件记录信息的目标局部特征向量。

步骤S130，根据每条所述事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，通过预构建的第二编码器根据所述目标局部特征向量集合得到目标全局特征向量。

步骤S140，对所述目标局部特征向量和所述目标全局特征向量进行融合处理，得到目标全局融合特征。

步骤S150，基于所述目标全局融合特征进行时间序列的预测，得到时间序列预测结果。

本申请实施例所示的步骤S110至步骤S150，获取时间序列数据集，时间序列数据集包括多条事件记录信息，将事件记录信息输入至预构建的第一编码器，得到每条事件记录信息的目标局部特征向量，根据每条事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，将目标局部特征向量集合输入至预构建的第二编码器，得到目标全局特征向量，对目标局部特征向量和目标全局特征向量进行融合处理，得到目标全局融合特征，基于目标全局融合特征进行时间序列的预测，得到时间序列预测结果。本申请实施例通过预构建第一编码器从时间序列数据集中的单条事件记录信息中提取局部特征向量，由每条事件记录信息的局部特征向量得到时间序列的局部特征向量集合，再将局部特征向量集合输入至预构建的第二编码器，由第二编码器根据局部特征向量集合生成全局特征向量，融合局部特征向量和全局特征向量之后即可进行时间序列预测，最大程度地减少人工干预，自动实现单条事件记录的局部特征提取以及全局时间序列特征提取，且自动提取过程贯穿单条事件记录的处理阶段和全局时间序列的处理阶段，能够提高时间序列预测方法的执行效率以及预测精度。

以上是对步骤S110至步骤S150的总体描述，下面分别对步骤S110至步骤S150进行详细描述。

在步骤S110中，获取时间序列数据集，时间序列数据集包括多条事件记录信息。

需要说明的是，本申请实施例提供的时间序列预测方法，可以应用于交通领域、电力领域、医疗领域、金融领域中时间序列数据的预测，例如，该时间序列数据集为病人的就医记录信息、道路车流量信息、用户用电量信息或股票价格等。应能理解，以应用于医疗领域为例，可以通过围绕目标病人将相应医疗系统中的多个数据库表连接起来产生多个稀疏多维数据，即目标病人对应的多条事件记录信息，其中，每条事件记录信息可以通过属性值对的方式表示。

在步骤S120和步骤S130中，将事件记录信息输入至预构建的第一编码器，得到每条事件记录信息的目标局部特征向量，根据每条事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，将目标局部特征向量集合输入至预构建的第二编码器，得到目标全局特征向量。

应能理解，通过预构建的第一编码器从单条事件记录信息x中提取其特有的局部特征向量z

Z

其中，D为时间序列数据集中的事件记录信息数量，之后再利用预构建的第二编码器根据目标局部特征向量集合Z

在步骤S140和步骤S150中，对目标局部特征向量和目标全局特征向量进行融合处理，得到目标全局融合特征，基于目标全局融合特征进行时间序列的预测，得到时间序列预测结果。

应能理解，在通过第一编码器和第二编码器自动提取事件记录信息中的局部特征和全局时间序列特征之后，合并提取得到的目标局部特征向量和目标全局特征向量，得到目标全局融合特征，基于目标全局融合特征即可相应的任务预测，得到时间序列预测结果。

利用第一编码器提取事件记录信息中的局部特征信息，将局部特征信息视为多变量的时间序列，通过第二编码器根据多变量的时间序列提取得到全局特征信息，实现了单条多维事件记录信息和多变量时间序列的特征自动提取，且自动提取过程贯穿单条记录处理阶段和全局时间序列处理阶段，最终实现多变量时间序列全局融合特征提取，最大程度地减少了人工干预，实现成规模数据的自动处理，提高时间序列预测方法的执行效率和预测精度。

在一些实施例中，所述第一编码器为变分自编码器模型中的编码器，所述第二编码器为Transformer模型中的编码器。

参见图8，图8示出了本申请实施例提供的一种变分自编码器模型的结构示意图，如图8所示，变分自编码器模型包括编码器和解码器，其中，编码器和解码器通过密集层1/密集层2、采样和再参数化层连接，编码器用于从输入的单一事件记录信息x中提取降维特征，即局部特征信息z

参见图9，图9示出了本申请实施例提供的一种变分自编码器模型中编码器和解码器的结构示意图，如图9所示，图中左边部分为变分自编码器模型中的编码器，该编码器为一维卷积神经网络(1D-CNN)，图中左边部分为变分自编码器模型中的解码器，该解码器采用与编码器相反的反卷积设计。

在编码器中，输入数据被归一化和离散化为2074维，再通过三次卷积处理和全局池化，将维度降低到34维，其中每次卷积处理都进行了批量的归一化和池化操作，最后降维数据被Dense层调整为28维。在解码器中，28维的隐藏变量通过Dense层将扩展到34维，然后通过上采样扩展到10*34维，在三次一维解旋后，通过全局池化将数据扩大到2074维。

Transformer模型包括编码器和解码器，其中，编码器由N个Encoder Block堆叠而成，解码器由N个Decoder Block堆叠而成，Transformer模型接收输入数据的特征向量，输入数据的特征向量通过位置编码后输入至编码器中，通过堆叠的N个Encoder Block的计算处理得到编码信息矩阵，将输入数据的编码信息矩阵作为解码器的输入，通过堆叠的N个Decoder Block的计算处理以及线性变换得到输入数据的预测结果。

可以理解的是，第一编码器为变分自编码器模型中用于从输入的单一事件记录信息中提取降维特征的编码器，而第二编码器为Transformer模型中由N个Encoder Block堆叠而成的编码器。利用第一编码器从事件记录信息中提取局部特征信息，以及利用第二编码器根据局部特征信息集合得到全局特征信息，一方面，与传统的自编码器相比，变分自编码器以概率的方式描述对潜在空间的观察，能够更加准确地提取事件记录信息中局部特征；另一方面，由于Transformer模型使用了自注意力机制，能够在计算中根据局部特征信息集合中不同位置的重要性动态地分配注意力权重，从而更好地捕捉局部特征信息集合中的依赖关系，且由于自注意力机制的特性，Transformer模型可以并行计算局部特征信息集合中的不同位置，提高时间序列预测方法的推理效率，此外，Transformer模型引入多头注意力机制，能够从局部特征向量集合中捕获不同的语义信息，提高时间序列预测的准确性。

在一些实施例中，参见图2，图2示出了本申请另一实施例提供的一种时间序列预测方法的流程示意图，如图2所示，所述通过预构建的第二编码器根据所述目标局部特征向量集合得到目标全局特征向量，包括步骤S210至步骤S230。

步骤S210,对所述目标局部特征向量集合中的目标局部特征向量进行位置编码，得到每个目标局部特征向量对应的目标位置特征向量。

步骤S220,将每个所述目标局部特征向量和对应的所述目标位置特征向量进行合并处理，得到位置编码后的所述目标局部特征向量集合。

步骤S230,将位置编码后的所述目标局部特征向量集合输入至预构建的第二编码器，得到目标全局特征向量。

在本申请实施例中，第一编码器为变分自编码器模型中的编码器，第二编码器为Transformer模型中的编码器，将目标局部特征向量集合输入至第二编码器之前，需要对目标局部特征向量集合中的目标局部特征向量进行位置编码，得到各目标局部特征向量对应的目标位置编码信息之后，将各目标局部特征向量和对应的目标位置编码信息相加，得到位置编码后的目标局部特征向量集合，再将位置编码后的目标局部特征向量集合输入至第二编码器，以通过第二编码器根据位置编码后的目标局部特征向量集合得到目标全局特征信息。

以上描述了应用第一编码器和第二编码器实现时间序列预测的过程，下面对第一编码器和第二编码器的训练过程进行详细描述：

在一些实施例中，参见图3，图3示出了本申请另一实施例提供的一种时间序列预测方法的流程示意图，如图3所示，所述第一编码器和所述第二编码器通过步骤S310至步骤S330训练方式得到。

步骤S310，对预构建的变分自编码器模型进行训练，得到训练后的变分自编码器模型。

步骤S320，基于所述训练后的变分自编码器模型和预构建的Transformer模型构建全局特征提取模型。

步骤S330，对所述全局特征提取模型进行训练，得到训练后的所述第一编码器和所述第二编码器。

在本申请实施例中，首先构建如图8和图9所示的变分自编码器，并对变分自编码器进行训练得到训练后的变分自编码器，之后基于训练后的变分自编码器模型和预构建的Transformer模型构建全局特征提取模型，最后对全局特征提取模型进行训练，得到训练后的第一编码器和第二编码器。本申请实施例先对变分自编码器模型进行初始训练，在基于训练后的变分自编码器模型和预构建的Transformer模型得到全局特征提取模型之后，再对全局特征提取模型进行训练，能够充分优化第一编码器和第二编码器，提高时间序列预测方法的准确性。

在一些实施例中，参见图4，图4示出了本申请另一实施例提供的一种时间序列预测方法的流程示意图，如图4所示，所述对预构建的变分自编码器模型进行训练，得到训练后的变分自编码器模型，包括但不限于步骤S410至步骤S460。

步骤S410，获取事件记录样本集，所述事件记录样本集包括多条事件记录样本。

步骤S420，将所述事件记录样本输入至所述变分自编码器模型中的编码器，得到所述事件记录样本的第一局部特征向量。

步骤S430，通过所述变分自编码模型中的解码器根据所述第一局部特征向量得到与所述事件记录样本对应的第一重构样本。

步骤S440，随机生成与所述第一局部特征向量结构相同的第二局部特征向量。

步骤S450，通过所述变分自编码模型中的解码器根据所述第二局部特征向量得到第二重构样本。

步骤S460，根据所述第一重构样本、所述第二重构样本、所述第一局部特征向量、所述第二局部特征向量以及预定义的第一损失函数确定第一损失值，并基于所述第一损失值训练所述变分自编码器。

其中，所述第一损失函数通过以下公式表示：

其中，所述l

如图8所示，在训练变分自编码器模型的过程中，首先获取事件记录样本集，事件记录样本集包括多条事件记录样本x，将事件记录样本x输入至变分自编码器模型中的编码器，以通过编码器从事件记录样本x提取得到降维特征，即第一局部特征向量z

可以理解的是，第一重构样本

在一些实施例中，所述对所述全局特征提取模型进行训练，得到训练好的所述第一编码器和所述第二编码器，包括：

对所述全局特征提取模型中的变分自编码器模型部分和Transformer模型部分进行交替训练，得到训练好的所述第一编码器和所述第二编码器。

可以理解的是，在训练全局特征提取模型的过程中，对全局特征提取模型中的变分自编码器模型部分和Transformer模型部分进行交替训练，能够充分优化第一编码器和第二编码器，提高时间序列预测方法的准确性。

在一些实施例中，参见图5，图5示出了本申请另一实施例提供的一种时间序列预测方法的流程示意图，如图5所示，所述对所述全局特征提取模型中的变分自编码器模型部分和Transformer模型部分进行交替训练，得到训练好的所述第一编码器和所述第二编码器，包括但不限于步骤S510和步骤S520。

步骤S510，在固定所述全局特征提取模型中变分自编码器模型部分的网络参数的情况下，对所述全局特征提取模型进行训练，以更新所述全局特征提取模型中Transformer模型部分的网络参数。

步骤S520，在固定所述全局特征提取模型中Transformer模型部分的网络参数的情况下，对所述全局特征提取模型进行训练，以更新所述全局特征提取模型中变分自编码器模型部分的网络参数。

应能理解，在交替训练全局特征提取模型中的变分自编码器模型部分和Transformer模型部分的过程中，针对训练Transformer模型部分，可以在固定变分自编码器模型部分的网络参数的情况下，对全局特征提取模型进行训练，以更新全局特征提取模型中Transformer模型部分的网络参数，同理，针对训练变分自编码器模型部分，可以在固定Transformer模型部分的网络参数的情况下，对全局特征提取模型进行训练，以更新所述全局特征提取模型中变分自编码器模型部分的网络参数。

在一些实施例中，参见图6，图6示出了本申请实施例提出的一种时间序列预测方法的流程示意图，如图6所示，所述对所述全局特征提取模型进行训练，以更新所述全局特征提取模型中变分自编码器模型部分的网络参数，包括但不限于步骤S610至步骤S650。

步骤S610，获取所述事件记录样本集中每条所述事件记录样本的所述第一局部特征向量。

步骤S620，根据每条所述事件记录样本的所述第一局部特征向量得到时间序列的第一局部特征向量集合，通过所述Transformer模型的编码器根据所述第一局部特征向量集合得到第一全局特征向量。

步骤S630，通过所述Transformer模型的解码器根据所述第一全局特征向量得到第二局部特征向量集合，以及通过所述变分自编码模型的解码器根据所述第二局部特征向量集合得到与所述第二局部特征向量集合对应的事件记录重构样本集。

步骤S640，通过所述变分自编码模型的编码器和所述Transformer模型的编码器根据所述事件记录重构样本集得到第二全局特征向量。

步骤S650，根据所述第一全局特征向量、所述第二全局特征向量以及预定义的第二损失函数确定第二损失值，以及基于所述第二损失值训练所述全局特征提取模型，以更新所述全局特征提取模型中变分自编码器模型部分的网络参数。

述Z′

参见图10，图10示出了本申请实施例提供的一种全局特征提取模型的结构示意图，如图10所示，在全局特征提取模型中，变分自编码器模型部分的编码器，即VAE编码器用于从事件记录样本集X的每条事件记录信息中提取第一局部特征向量z

可以理解的是，如图10所示，在更新全局特征提取模型中Transformer模型部分的过程中，变分自编码器模型在此之前已进行过训练，可以认为变分自编码器模型的损失已最小化，若全局特征提取模型中的Transformer编码器根据一系列局部特征向量z

可以理解的是，在上述实施例中，通过所述Transformer模型的编码器根据第一局部特征向量集合得到第一全局特征向量，包括：对第一局部特征向量集合中的第一局部特征向量进行位置编码，得到每个目标局部特征向量对应的第一位置特征向量；将每个第一局部特征向量和对应的第一位置特征向量进行合并处理，得到位置编码后的第一局部特征向量集合；将位置编码后的第一局部特征向量集合输入至Transformer模型的编码器，得到第一全局特征向量。

在一些实施例中，针对变分自编码器模型的损失函数设计如下：

首先变分自编码器模型需要实现其自身功能，通过以下公式实现：

同时，使用第一损失函数l

l

其中，α

全局特征提取模型中的变分自编码器模型部分和Transformer模型部分的训练是交替进行的，因此，在交替训练中，在每个epoch结束时，本地变分自编码器模型的权重将根据以下公式调整一次：

在一些实施例中，针对全局特征提取模型的损失函数设计如下：

首先全局特征提取模型中的变分自编码器模型需要实现其自身功能，通过以下公式实现：

当Z

l

为了支持大数据分类任务，增加了以下第一分类损失函数：

全局特征向量Z′

表型分析实质上是二分类的组合。假设有K的表型，网络需要K个sigmoid输出,其中每个输出代表预测出现特定表型的概率。

因此，在训练过程中，全局特征提取模型的损失可以用以下公式表示：

l

其中α

在一些实施例中，参见图7，图7示出了本申请实施例提出的一种时间序列预测方法的流程示意图，如图7所示，在训练所述全局特征提取模型的过程中，所述方法还包括步骤S710和步骤S720。

步骤S710，根据所述第一局部特征向量集合中的特征数量和所述事件记录样本集中的数据类别数量确定所述事件记录样本集中每个数据类别的采样时间。

步骤S720，根据所述采样时间在所述事件记录样本集中进行事件记录样本采样,以基于采样得到事件记录样本对所述全局特征提取模型进行训练。

应能理解的是，对事件记录样本集中的每个数据类别采用替换法进行平衡抽样，以保证训练时每一类抽样数据的数量都是相等的。假设第一局部特征向量集合中的特征数量为n，事件记录样本集中的数据类别数量为k，数据集中的迭代次数为c。将[n/k]作为整个事件记录样本集中每个数据类别的平衡采样时间。也就是说，无论每个类别的数据记录数是大于还是小于[n/k]，之前采样过的类别内的数据下次都会放回事件记录样本集采样，直到整个类别采样[n/k]次。

因此，对于小类数据，即使每个数据被多次采样，每次采样都会产生具有变化的非重复重建数据。因此，可以尽可能多地提取类特征，整个模型可以充分关注小类数据。对于大类数据，因为每个数据都很珍贵，需要让每个数据有很高的概率参与到训练过程中。假设一个大类中有s条记录。在每个训练迭代中，只有[n/k]的记录被抽样到训练过程中。因此，该类别中每条记录未被采集的概率为1-n/(ks)，经过c轮迭代，未被收集的概率为(1-n/(ks))c。因此，无论数据多么不均匀，只要c足够大，每条记录不被收集的概率将足够小，以保证每条记录都参与训练过程。

通过上述的样本抽样方式，同时结合变分自编码器中同一样本每个产生不同隐含特征的方式，能够时间序列预测在特征提取过程中常见的数据不平衡的问题。

请参见图11，本申请实施例还提供了一种时间序列预测装置100，该时间序列预测装置100包括：

时间序列获取模块110，用于获取时间序列数据集，所述时间序列数据集包括多条事件记录信息；

局部特征提取模块120，用于将所述事件记录信息输入至预构建的第一编码器，得到每条所述事件记录信息的目标局部特征向量；

全局特征提取模块130，用于根据每条所述事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，通过预构建的第二编码器根据所述目标局部特征向量集合得到目标全局特征向量；

特征向量融合模块140，用于对所述目标局部特征向量和所述目标全局特征向量进行融合处理，得到目标全局融合特征；

时间序列预测模块150，用于基于所述目标全局融合特征进行时间序列的预测，得到时间序列预测结果。

本申请实施例提出一种时间序列预测装置，该装置获取时间序列数据集，时间序列数据集包括多条事件记录信息，将事件记录信息输入至预构建的第一编码器，得到每条事件记录信息的目标局部特征向量，根据每条事件记录信息的目标局部特征向量得到时间序列的目标局部特征向量集合，将目标局部特征向量集合输入至预构建的第二编码器，得到目标全局特征向量，对目标局部特征向量和目标全局特征向量进行融合处理，得到目标全局融合特征，基于目标全局融合特征进行时间序列的预测，得到时间序列预测结果。本申请实施例通过预构建第一编码器从时间序列数据集中的单条事件记录信息中提取局部特征向量，由每条事件记录信息的局部特征向量得到时间序列的局部特征向量集合，再将局部特征向量集合输入至预构建的第二编码器，由第二编码器根据局部特征向量集合生成全局特征向量，融合局部特征向量和全局特征向量之后即可进行时间序列预测，最大程度地减少人工干预，自动实现单条事件记录的局部特征提取以及全局时间序列特征提取，且自动提取过程贯穿单条事件记录的处理阶段和全局时间序列的处理阶段，能够提高时间序列预测方法的执行效率以及预测精度。

需要说明的是，上述装置的模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

请参见图12，图12示出本申请实施例提供的一种电子设备的硬件结构，电子设备包括：

处理器210，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集合成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集合成电路等方式实现，用于执行相关计算机程序，以实现本申请实施例所提供的技术方案；

存储器220，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器220可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器220中，并由处理器210来调用执行本申请实施例的时间序列预测方法；

输入/输出接口230，用于实现信息输入及输出；

通信接口240，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WI F I、蓝牙等)实现通信；和总线250，在设备的每个组件(例如处理器210、存储器220、输入/输出接口230和通信接口240)之间传输信息；

其中处理器210、存储器220、输入/输出接口230和通信接口240通过总线250实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个计算机程序，一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述时间序列预测方法。

存储器作为一种计算机可读存储介质，可用于存储软件程序以及计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集合成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请每个实施例中的各功能单元可以集合成在一个处理单元中，也可以是每个单元单独物理存在，也可以两个或两个以上单元集合成在一个单元中。上述集合成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集合成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请每个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。