序列预测方法、模型处理方法、装置和计算机设备

技术领域

本申请涉及计算机技术领域，特别是涉及一种序列预测方法、模型处理方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着计算机技术和人工智能的发展，时间序列预测的应用越来越多，时间序列预测在很多场景中可以起到重要的作用。例如，在工业领域中，可以预测电池容量随着时间的衰减情况，在交通领域中，可以预测红绿灯路口的车流量随着时间的变化等。

传统技术中，可以通过建立数学模型的方法进行时间序列的预测，例如可以通代数或微分方程的方式构建数学模型，来预测时间序列。

然而，构建数学模型的过程容易出现误差，从而导致时间序列预测的准确度较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提升序列预测准确度的序列预测方法、模型处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

一方面，本申请提供了一种序列预测方法，包括：获取目标项目的历史数据项序列；所述历史数据项序列包括所述目标项目在多个历史时间中每个历史时间的数据项，且各所述数据项按各自历史时间的时序排列；获取所述历史数据项序列中每个数据项分别对应的经验知识，所述经验知识是描述所述目标项目状态的文本，所述文本中描述所述状态的时间，在所述经验知识所对应数据项的历史时间之后；提取每个所述经验知识的语义特征，得到每个所述经验知识的语义特征；将所述历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列；根据所述历史融合项序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列；所述观察时间在各所述历史时间之后。

另一方面，本申请还提供了一种序列预测装置，包括：序列获取模块，用于获取目标项目的历史数据项序列；所述历史数据项序列包括所述目标项目在多个历史时间中每个历史时间的数据项，且各所述数据项按各自历史时间的时序排列；知识获取模块，用于获取所述历史数据项序列中每个数据项分别对应的经验知识，所述经验知识是描述所述目标项目状态的文本，所述文本中描述所述状态的时间，在所述经验知识所对应数据项的历史时间之后；特征提取模块，用于提取每个所述经验知识的语义特征，得到每个所述经验知识的语义特征；数据融合模块，用于将所述历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列；序列预测模块，用于根据所述历史融合项序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列；所述观察时间在各所述历史时间之后。

在一些实施例中，所述数据融合模块，还用于：针对所述历史数据项序列中的每个数据项，将所述数据项与对应的经验知识的语义特征进行拼接，得到每个所述数据项分别对应的融合项；按照所述历史数据项序列中数据项的排列顺序，对每个所述数据项分别对应的融合项进行排列，生成历史融合项序列。

在一些实施例中，所述装置还用于：按照所述历史数据项序列中数据项的排列顺序，对各所述数据项对应的经验知识的语义特征进行排列，生成语义特征序列；所述数据融合模块，还用于：将所述历史数据项序列和所述语义特征序列中同一位置处的数据项和语义特征进行拼接，得到每个所述数据项分别对应的融合项。

在一些实施例中，序列预测模块，还用于：按照所述历史融合项序列中每个融合项包括的语义特征，对所述历史融合项序列进行切分，得到多个子序列；其中，同一所述子序列中融合项包括的语义特征一致，相邻的两个所述子序列中融合项包括的语义特征不一致；基于所述多个子序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列。

在一些实施例中，所述序列预测模块，还用于：对所述多个子序列分别进行编码，得到每个所述子序列分别对应的编码特征；根据每个所述子序列分别对应的编码特征，生成所述历史数据项序列对应的编码特征序列；基于所述历史数据项序列对应的编码特征序列，预测所述目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列。

在一些实施例中，所述编码特征是通过已训练的编码模型生成的，所述方法还包括编码模型训练模块，所述编码模型训练模块，用于：获取正样本对，所述正样本对包括所述目标项目在至少两个存在重叠的历史时段分别对应的样本，所述历史时段对应的样本包括所述目标项目在所述历史时段中各历史时间的数据项，所述样本中数据项按各自时序排列；获取负样本对，所述负样本对包括所述目标项目在至少两个不存在重叠的历史时段分别对应的样本；针对所述正样本对中每个样本，将所述样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成所述正样本对中每个样本分别对应的融合项序列；针对所述负样本对中每个样本，将所述样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成所述负样本对中每个样本分别对应的融合项序列；根据所述正样本对中每个样本分别对应的融合项序列、所述负样本对中每个样本分别对应的融合项序列，训练编码模型。

在一些实施例中，所述编码模型训练模块，还用于：将所述正样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得所述正样本对中每个样本分别对应的编码特征序列；将所述负样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得所述负样本对中每个样本分别对应的编码特征序列；确定所述正样本对中每个样本分别对应的编码特征序列之间的相似度，得到所述正样本对对应的相似度；确定所述负样本对中每个样本分别对应的编码特征序列之间的相似度，得到所述负样本对对应的相似度；根据所述正样本对对应的相似度和所述负样本对对应的相似度，训练所述编码模型。

在一些实施例中，所述编码模型训练模块，还用于：对多个正样本对分别对应的相似度进行第一统计运算，得到第一统计相似度；对多个负样本对分别对应的相似度进行所述第一统计运算，得到第二统计相似度；基于所述第一统计相似度与所述第二统计相似度之间的差异，训练所述编码模型。

在一些实施例中，所述编码模型训练模块，还用于：对多个正样本对分别对应的相似度的分布情况进行评估，得到第一评估值；对多个负样本对分别对应的相似度的分布情况进行评估，得到第二评估值；基于所述第一评估值和所述第二评估值，训练所述编码模型。

在一些实施例中，所述预测数据项序列是通过已训练的序列预测模型得到的，所述方法还包括序列预测模型训练模块，所述序列预测模型训练模块，用于：获取样本数据项序列；所述样本数据项序列包括所述目标项目在第一历史时段中各历史时间的数据项，且所述样本数据项序列中各数据项按照各自历史时间的时序排列；将所述样本数据项序列中的每个数据项，分别与对应的经验知识的语义特征融合为融合项，生成样本融合项序列；基于已训练的编码模型对所述样本融合项序列进行编码，生成样本编码特征序列；将所述样本编码特征序列输入到待训练的序列预测模型中，预测所述目标项目在第二历史时段中各历史时间的数据项，生成预测序列；根据所述预测序列和标签数据项序列，训练所述序列预测模型。

另一方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述序列预测方法中的步骤。

另一方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述序列预测方法中的步骤。

另一方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述序列预测方法中的步骤。

上述序列预测方法、装置、计算机设备、存储介质和计算机程序产品，由于经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后，故将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，可以使得历史融合项序列中的融合项包括经验知识提供的信息，由于经验知识符合实际情况，从而根据历史融合项序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，可以使得预测数据项序列更加符合真实情况，提高了序列预测的准确度。

另一方面，本申请还提供了一种模型处理方法，包括：获取正样本对，所述正样本对包括目标项目在至少两个存在重叠的历史时段分别对应的样本，所述历史时段对应的样本包括所述目标项目在所述历史时段中各历史时间的数据项，所述样本中数据项按各自时序排列；获取负样本对，所述负样本对包括所述目标项目在至少两个不存在重叠的历史时段分别对应的样本；针对所述正样本对中每个样本，将所述样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成所述正样本对中每个样本分别对应的融合项序列；所述经验知识是描述所述目标项目状态的文本，所述文本中描述所述状态的时间，在所述经验知识所对应数据项的历史时间之后；针对所述负样本对中每个样本，将所述样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成所述负样本对中每个样本分别对应的融合项序列；根据所述正样本对中每个样本分别对应的融合项序列、所述负样本对中每个样本分别对应的融合项序列，训练编码模型。

另一方面，本申请还提供了一种模型处理装置，包括：正样本对获取模块，用于获取正样本对，所述正样本对包括目标项目在至少两个存在重叠的历史时段分别对应的样本，所述历史时段对应的样本包括所述目标项目在所述历史时段中各历史时间的数据项，所述样本中数据项按各自时序排列；负样本对获取模块，用于获取负样本对，所述负样本对包括所述目标项目在至少两个不存在重叠的历史时段分别对应的样本；第一融合模块，用于针对所述正样本对中每个样本，将所述样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成所述正样本对中每个样本分别对应的融合项序列；所述经验知识是描述所述目标项目状态的文本，所述文本中描述所述状态的时间，在所述经验知识所对应数据项的历史时间之后；第二融合模块，用于针对所述负样本对中每个样本，将所述样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成所述负样本对中每个样本分别对应的融合项序列；模型训练模块，用于根据所述正样本对中每个样本分别对应的融合项序列、所述负样本对中每个样本分别对应的融合项序列，训练编码模型。

另一方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述模型处理中的步骤。

另一方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述模型处理中的步骤。

另一方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述模型处理中的步骤。

上述模型处理方法、装置、计算机设备、存储介质和计算机程序产品，由于经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后，故将样本中的数据项分别与对应的经验知识的语义特征融合为融合项，可以使得融合项序列中的融合项包括经验知识提供的信息，由于经验知识符合实际情况，从而根据融合项序列训练编码模型，可以使得编码模型学习到更符合实际情况的知识，从而在将编码模型用于预测序列的情况下，可以提高序列预测的准确度。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中序列预测方法的应用环境图；

图2为一个实施例中序列预测方法的流程示意图；

图3为一个实施例中编码模型的结构示意图；

图4为一个实施例中编码层的结构示意图；

图5为一个实施例中序列预测方法的流程示意图；

图6为一个实施例中生成负样本对的原理图；

图7为一个实施例中生成正样本对的原理图；

图8为一个实施例中训练编码模型的原理图；

图9为一个实施例中模型处理方法的流程示意图；

图10为一个实施例中序列预测方法的应用环境图；

图11为一个实施例中序列预测方法的流程示意图；

图12为一个实施例中序列预测装置的结构框图；

图13为一个实施例中模型处理装置的结构框图；

图14为一个实施例中计算机设备的内部结构图；

图15为一个实施例中计算机设备的内部结构图。

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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的序列预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。

具体地，服务器104可以获取目标项目的历史数据项序列，历史数据项序列包括目标项目在多个历史时间中每个历史时间的数据项，且各数据项按各自历史时间的时序排列。服务器104可以获取历史数据项序列中每个数据项分别对应的经验知识，经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后。服务器104可以提取每个经验知识的语义特征，得到每个经验知识的语义特征，将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列。服务器104可以根据历史融合项序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列。服务器104可以存储预测数据项序列，还可以将预测数据项序列发送至终端102，终端102采用可视化方式将预测数据项序列进行展示，例如可以采用图或表的形式进行展示。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、智能语音交互设备、智能家电、车载终端、飞行器、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，还可以是云服务器，云服务器用于提供云服务、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(Content DeliveryNetwork，内容分发网络)以及大数据和人工智能平台等基础云计算服务。终端102以及服务器104可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

本申请提供的序列预测方法，可以是基于人工智能技术的，例如，本申请中可以基于人工智能技术训练语义特征提取模型，通过语义特征提取模型提取经验知识的语义特征。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。换句话说，人工智能是计算机科学的一个综合技术，它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。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。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、预训练模型技术、操作/交互系统、机电一体化等技术。其中，预训练模型又称大模型、基础模型，经过微调后可以广泛应用于人工智能各大方向下游任务。人工智能软件技术主要包括计算机视觉技术、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。本申请提供的序列预测方法还可以是基于预训练模型的，例如，语义特征提取模型可以是预训练的模型。本申请实施例提供的方案涉及人工智能的机器学习/深度学习等技术，具体通过如下实施例进行说明：

在一些实施例中，如图2所示，提供了一种序列预测方法，该方法可以由终端或服务器执行，还可以由终端和服务器共同执行，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤202至步骤210。其中：

步骤202，获取目标项目的历史数据项序列；历史数据项序列包括目标项目在多个历史时间中每个历史时间的数据项，且各数据项按各自历史时间的时序排列。

其中，项目是指数据项与时间相关的事物。随着时间的变化，项目的数据项包括的数值可以不变、变大或变小。项目包括但不限于是降雨量、车流量、基金或股票的价格、脑电波信号或电池容量等中的至少一种。项目的数据项是指项目的取值大小，例如，若目标项目为降雨量，则目标项目的数据项为降雨量的大小，若目标项目为车流量，则目标项目的数据项为车流量的大小。目标项目可以是任意的项目。历史数据项序列的长度可以根据需要设置，即历史数据序列中包括的数据项的个数可以根据需要设置。

时间可以是时间段或时间点，时间段的时间长度可以是小时、天、月或年等中的至少一种。历史时间是指当前时间之前的时间。历史数据项序列中包括目标项目在多个连续的历史时间的数据项，且历史数据项序列中，数据项按照时间先后顺序进行排列，例如，按照时间从前到后的顺序排列。

具体地，当需要对目标项目的数据项进行预测时，服务器可以获取最近多个历史时间中每个历史时间的数据项，按照时间先后顺序，对该多个历史时间中每个历史时间的数据项进行排列，得到目标项目的历史数据项序列。最近多个历史时间包括但不限于是最近2个小时、最近7天或最近6个月等中的任一个。例如，目标项目的历史数据项序列可以表示为(D

步骤204，获取历史数据项序列中每个数据项分别对应的经验知识，经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后。

其中，数据项对应的经验知识，是根据经验所得到的知识。每个数据项分别对应有经验知识，数据项对应的经验知识是描述目标项目的状态的文本。某一历史时间的数据项对应的经验知识，用于描述目标项目的数据项在该历史时间之后的状态。经验知识可以包括状态或状态的时间中的至少一个。经验知识是文本形式的，可以是一句话或多句话。目标项目的状态可以反应目标项目的变化趋势。例如，以目标项目为降雨量，历史时间的时长为一天为例，经验知识可以是“明天下雨”、“明天不下雨”、“明天降雨量增加”、“明天降雨量不变”、“明天降雨量减少”或“明天的降雨量预计为15mm(毫秒)”中的至少一个。其中，“下雨”、“不下雨”、“降雨量增加”、“降雨量不变”、“降雨量减少”均是描述目标项目的状态的文本，“明天”为状态的时间，即该状态发生的时间。数据项的经验知识可以是通过人工标注的方式生成的。经验知识也可以理解为专家知识。

具体地，数据项的经验知识也可以是服务器生成的。针对每个历史时间，当该历史时间的下一时间的数据项已知的情况下，服务器可以将该历史时间的下一时间的数据项与该历史时间的数据项进行对比，根据对比结果确定该历史时间的数据项对应的经验知识。以降雨量为例，将该历史时间(例如某一天)的下一时间的降雨量大小与该历史时间的降雨量大小进行对比，当对比结果为历史时间的下一时间的降雨量大小，大于该历史时间的降雨量大小的情况下，可以将“该历史时间的下一时间的降雨量增加”作为该历史时间的数据项对应的经验知识。

在一些实施例中，在该历史时间的下一时间的数据项未知的情况下，服务器可以对该历史时间以及其之前的多个历史时间的数据项进行拟合，得到拟合曲线，拟合曲线的自变量为历史时间，因变量为数据项，服务器可以确定在该拟合曲线中的自变量为该历史时间的下一时间的情况下，该拟合曲线的因变量的取值，将确定出的取值与该历史时间的数据项进行对比，根据对比结果确定该历史时间的数据项对应的经验知识。以降雨量为例，若该确定出的取值(降雨量大小)，大于该历史时间的降雨量大小，则可以将“该历史时间的下一时间的降雨量增加”作为该历史时间的数据项对应的经验知识。

步骤206，提取每个经验知识的语义特征，得到每个经验知识的语义特征。

具体地，服务器可以对经验知识进行分词，得到多个词语。服务器可以生成每个词语对应的词向量(Word embedding)，并按照词语在经验知识中的排列顺序对词语对应的词向量进行排列，将排列的结果作为经验知识的语义特征。

在一些实施例中，服务器可以采用神经网络模型提取语义特征。具体地，服务器可以将经验知识输入到语义特征提取模型中，提取得到经验知识的语义特征。语义特征提取模型是经过训练的，用于提取文本的语义特征的模型。

步骤208，将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列。

具体地，针对历史数据项序列中每个数据项，服务器可以将该数据项与对应的经验知识的语义特征进行融合，得到该数据项对应的融合项。得到每个数据项分别对应的融合项后，服务器可以按照数据项在历史数据项序列中的排列顺序，对各数据项分别对应的融合项进行排列，得到历史融合项序列。

在一些实施例中，融合可以为拼接，服务器可以将数据项与对应的经验知识的语义特征进行拼接，得到该数据项对应的融合项。从而，融合项中既包括数据项有包括经验知识的语义特征。

在一些实施例中，服务器可以对历史数据项序列中每个数据项分别进行特征提取，得到每个数据项的特征，将每个数据项的特征分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列。其中，特征提取可以采用神经网络实现。

步骤210，根据历史融合项序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列；所述观察时间在各所述历史时间之后。

具体地，服务器可以根据历史融合项序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，观察时间是指历史数据项序列对应的该多个历史时间之后的时间。服务器可以对历史融合项序列进行编码，根据编码的结果，预测目标项目在多个连续的观察时间各自的数据项，按照观察时间先后顺序对观察时间的数据项进行排列，得到预测数据项序列。

在一些实施例中，服务器可以对历史融合项序列进行切分，得到多个子序列，对该多个子序列分别进行编码，得到各子序列分别对应的编码特征，根据各子序列分别对应的编码特征，预测目标项目在多个连续的观察时间各自的数据项，得到预测数据项序列。其中，编码可以是通过已训练的编码模型实现的。编码模型为神经网络模型，可以是基于注意力机制或Transformer的模型，例如可以是Transformer模型或Bert(BidirectionalEncoder Representation from Transformers，基于Transformer的双向编码)模型。

在一些实施例中，编码模型包括多个编码层，如图3所示，展示了编码模型的结构图，编码模型中包括N个编码层，N大于等于2。服务器将子序列输入到编码模型中，通过编码模型的中多个编码层进行编码，得到子序列对应的编码特征。其中，每个编码层的结构可以相同也可以不同，编码层可以采用残差网络、卷积网络、归一化层等中的至少一个实现。如图4所示，展示了一些实施例中编码层的结构图，图4中，编码层包括多头注意力网络、前馈神经网络1、归一层1、前馈神经网络2和归一层2。编码层的结构不限于图4中的结构，还可以是其他的结构，例如可以是多个卷积层构成的结构，本申请不限定编码层的结构。

在一些实施例中，预测数据项序列是通过已训练的序列预测模型生成的。服务器可以将各子序列分别对应的编码特征输入到已训练的序列预测模型中，预测出目标项目在多个观察时间各自的数据项，并按照观察时间的先后顺序对各观察时间各自的数据项进行排列，生成预测数据项序列。

在一些实施例中，如图5所示，序列预测方法的流程图包括：步骤502，采集序列；步骤504，采集经验知识；步骤506，提取经验知识的语义特征；步骤508，融合，即将步骤502采集到的序列与步骤506中提取的语义特征进行融合；步骤510，采用编码模型对步骤508融合的结果进行编码；步骤512，根据步骤510中编码得到的结果进行序列的预测。

上述序列预测方法中，由于经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后，故将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，可以使得历史融合项序列中的融合项包括经验知识提供的信息，由于经验知识符合实际情况，从而根据历史融合项序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，可以使得预测数据项序列更加符合真实情况，提高了序列预测的准确度。

在一些实施例中，将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列，包括：针对历史数据项序列中的每个数据项，将数据项与对应的经验知识的语义特征进行拼接，得到每个数据项分别对应的融合项；按照历史数据项序列中数据项的排列顺序，对每个数据项分别对应的融合项进行排列，生成历史融合项序列。

其中，例如，历史数据项序列中的数据项是按照时间从前到后的顺序排列为(D

具体地，在历史数据项序列中的数据项是按照时间从前到后的顺序排列的情况下，服务器按照数据项的历史时间从前到后的顺序，对每个数据项分别对应的融合项进行排列，生成历史融合项序列。例如，历史数据项序列按照时间从前到后排列为(D

本实施例中，将数据项与对应的经验知识的语义特征进行拼接，得到每个数据项分别对应的融合项，使得融合项中既包括数据项又包括经验知识的语义特征，从而预测出的序列受到了经验知识的影响，由于经验知识是根据经验得到的，经验知识符合实际情况，故使得预测出的序列更加符合实际情况。

在一些实施例中，方法还包括：按照历史数据项序列中数据项的排列顺序，对各数据项对应的经验知识的语义特征进行排列，生成语义特征序列；针对历史数据项序列中的每个数据项，将数据项与对应的经验知识的语义特征进行拼接，得到每个数据项分别对应的融合项，包括：将历史数据项序列和语义特征序列中同一位置处的数据项和语义特征进行拼接，得到每个数据项分别对应的融合项。

具体地，服务器可以按照历史数据项序列中数据项的排列顺序，对各数据项对应的经验知识的语义特征进行排列，生成语义特征序列。例如，在数据项是按照时间从前到后的顺序排列的情况下，按照数据项的历史时间从前到后的顺序对经验知识的语义特征进行排列，生成语义特征序列。

在一些实施例中，服务器可以将历史数据项序列和语义特征序列中同一位置处的数据项和语义特征进行拼接，得到每个数据项分别对应的融合项。例如，历史数据项序列可以表示为(D

本实施例中，将历史数据项序列和语义特征序列中同一位置处的数据项和语义特征进行拼接，得到每个数据项分别对应的融合项，提高了生成融合项的效率。

在一些实施例中，根据历史融合项序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，包括：按照历史融合项序列中每个融合项包括的语义特征，对历史融合项序列进行切分，得到多个子序列；其中，同一子序列中融合项包括的语义特征一致，相邻的两个子序列中融合项包括的语义特征不一致；基于多个子序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列。

具体地，服务器可以根据语义特征，对历史融合项序列切分为多个子序列，子序列中不同的融合项包括的语义特征相同，且相邻的子序列中语义特征不同。例如，历史融合项序列为((D

在一些实施例中，服务器可以将历史融合项序列中的首个融合项作为子序列头，从历史融合项序列中子序列头之后的各融合项中，按序查找包括的语义特征与子序列头包括的语义特征不同的融合项，在查找到的情况下，停止查找，并将子序列头到查找到的融合项之间的序列(包括子序列头，但不包括查找到的融合项)，作为子序列，然后，服务器将查找到的融合项作为下一轮的子序列头，重复从历史融合数据序列中该子序列头之后的各融合项中，按序查找包括的语义特征与子序列头包括的语义特征不同的融合项，以得到下一个子序列，在遍历该历史融合项序列的情况下，得到各个子序列。

本实施例中，由于同一子序列中融合项包括的语义特征一致，相邻的两个子序列中融合项包括的语义特征不一致，从而使得每个子序列具有独立的语义特征，从而基于多个子序列，可以增强语义特征对序列预测的影响，从而使得预测出的预测数据项序列更加符合实际情况，提高了序列预测的准确度，

在一些实施例中，基于多个子序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，包括：对多个子序列分别进行编码，得到每个子序列分别对应的编码特征；根据每个子序列分别对应的编码特征，生成历史数据项序列对应的编码特征序列；基于历史数据项序列对应的编码特征序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列。

具体地，针对每个子序列，服务器可以确定该子序列与每个子序列之间的相似度特征，相似度特征是用于反应相似度的特征，得到多个相似度特征。子序列可以采用向量或矩阵形式存储，子序列的尺度与相似度特征的尺度是相同的，例如为尺度相同的向量或矩阵。针对每个相似度特征，服务器可以将该相似度特征与子序列进行融合，得到相似度融合特征。融合可以是哈达玛乘积运算，即将对应位置的数值进行相乘。得到多个相似度融合特征后，服务器可以将该多个相似度融合特征进行统计，得到该子序列对应的编码特征。统计可以是相加，即将对应位置的数值进行求和。

在一些实施例中，该多个子序列中包括第一子序列，以第一子序列为例，来说明计算第一子序列与每个子序列之间的相似度特征的方法。针对每个子序列，服务器可以将该子序列与第一子序列进行中对应位置的数值进行相乘再将相乘的结果求和，即将子序列看成向量，对子序列和第一子序列进行内积运算，得到内积值，基于内积值和第一子序列得到第一子序列与该子序列之间的相似度特征。具体地，服务器可以将内积值与第一子序列进行相乘，得到第一子序列与该子序列之间的相似度特征。或者，服务器可以对内积值进行归一化，将归一化的结果与第一子序列进行相乘，得到第一子序列与该子序列之间的相似度特征。

在一些实施例中，服务器对待训练的编码模型进行训练，得到已训练的编码模型。编码模型为神经网络模型，可以是基于注意力机制或Transformer的模型，例如可以是Transformer模型或Bert(Bidirectional Encoder Representation from Transformers，基于Transformer的双向编码)模型。这里不对编码模型的结构进行限定。服务器可以通过已训练的编码模型对各个子序列进行编码，得到每个子序列分别对应的编码特征。

在一些实施例中，服务器可以按照子序列在历史融合项序列中的位置，对各子序列分别对应的编码特征进行排列，生成编码特征序列。子序列在历史融合项序列中的位置越靠前，则子序列对应的编码特征在编码特征序列中的位置越靠前。

在一些实施例中，预测数据项序列是通过已训练的序列预测模型生成的。服务器可以将编码特征序列输入到已训练的序列预测模型中，预测出目标项目在多个连续的观察时间中每个观察时间的数据项，并按照观察时间的先后顺序对各观察时间各自的数据项进行排列，生成预测数据项序列。或者，服务器可以通过回归器例如岭回归生成预测数据项序列。例如，服务器可以将编码特征序列输入到岭回归，构建编码特征序列与预测出的数据项之间的映射关系，生成预测数据项序列。

本实施例中，通过编码可以进一步提取子序列的特征，从而基于编码特征序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，提高了序列预测的准确度。

在一些实施例中，编码特征是通过已训练的编码模型生成的，方法还包括编码模型训练步骤，编码模型训练步骤包括：获取正样本对，正样本对包括目标项目在至少两个存在重叠的历史时段分别对应的样本，历史时段对应的样本包括目标项目在历史时段中各历史时间的数据项，样本中数据项按各自时序排列；获取负样本对，负样本对包括目标项目在至少两个不存在重叠的历史时段分别对应的样本；针对正样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成正样本对中每个样本分别对应的融合项序列；针对负样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成负样本对中每个样本分别对应的融合项序列；根据正样本对中每个样本分别对应的融合项序列、负样本对中每个样本分别对应的融合项序列，训练编码模型。

其中，两个历史时段之间存在重叠是指两个历史时段存在相同的时间点或相同的时间段。例如，第一历史时段为第1天到第10天，第二历史时段为第6天到第15天，则第一历史时段和第二历史时段存在重叠，且重叠的时间段为第6天到第10天。正样本中可以包括至少两个样本，以包括两个为例，例如正样本中包括第一样本和第二样本，第一样本包括目标项目在第一历史时段中各历史时间的数据项，且第一样本中数据项按各自时序排列，第二样本包括目标项目在第二历史时段中各历史时间的数据项，且第二样本中数据项按各自时序排列，第一历史时段与第二历史时段存在重叠。

两个历史时段之间不存在重叠是指两个历史时段不存在相同的时间点或相同的时间段。例如，第一历史时段为第1天到第10天，第二历史时段为第11天到第20天，第一历史时段和第二历史时段不存在重叠，即不存在相同的时间点或时间段。负样本中可以包括至少两个样本，以包括两个为例，例如负样本中包括第三样本和第四样本，第三样本包括目标项目在第三历史时段中各历史时间的数据项，且第三样本中数据项按各自时序排列，第四样本包括目标项目在第四历史时段中各历史时间的数据项，且第四样本中数据项按各自时序排列，第三历史时段与第四历史时段不存在重叠。

正样本对和负样本对可以时从目标项目在目标历史时段对应的数据项序列中采样得到的。目标历史时段的时长大于时长阈值，时长阈值可以根据需要设置。目标历史时段对应的数据项序列，包括目标项目在目标历史时段中各历史时间的数据项，且数据项序列中数据项按各自历史时间先后顺序排列。例如，服务器可以随机生成两个时间窗口，时间窗口为历史的一段时间即历史时段。这两个时间窗口的大小可以相同也可以不同，对于每个时间窗口，从数据项序列中获取该时间窗口中各历史时间分别对应的数据项，得到每个时间窗口分别对应的样本，若这两个时间窗口存在重叠，则这两个时间窗口分别对应的样本组成正样本对，若这两个时间窗口不存在重叠，则这两个时间窗口分别对应的样本组成负样本对。如图6所示，时间窗口1和时间窗口2不存在重叠，则时间窗口1对应的样本和时间窗口对应的样本，组合负样本对。如图7所示，时间窗口3和时间窗口4存在重叠，则时间窗口3对应的样本和时间窗口4对应的样本，组成正样本对。

具体地，针对正样本中的每个样本，服务器可以获取样本中每个数据项分别对应的经验知识，提取每个经验知识的语义特征，得到每个经验知识的语义特征，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，获得样本对应的融合项序列。以正样本中包括两个样本为例，服务器可以获取第一样本中每个数据项分别对应的经验知识，提取每个经验知识的语义特征，得到每个经验知识的语义特征，将第一样本中每个数据项，分别与对应的经验知识的语义特征融合为融合项，获得第一融合项序列。服务器可以获取第二样本中每个数据项分别对应的经验知识，提取每个经验知识的语义特征，得到每个经验知识的语义特征，将第二样本中每个数据项，分别与对应的经验知识的语义特征融合为融合项，获得第二融合项序列。

在一些实施例中，针对负样本中的每个样本，服务器可以获取样本中每个数据项分别对应的经验知识，提取每个经验知识的语义特征，得到每个经验知识的语义特征，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，获得样本对应的融合项序列。以负样本中包括两个样本为例，服务器可以获取第三样本中每个数据项分别对应的经验知识，提取每个经验知识的语义特征，得到每个经验知识的语义特征，将第三样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，获得第三融合项序列。服务器可以获取第四样本中每个数据项分别对应的经验知识，提取每个经验知识的语义特征，得到每个经验知识的语义特征，将第四样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，获得第四融合项序列。

在一些实施例中，服务器可以将正样本对中每个样本分别对应的融合项序列分别输入到编码模型中进行编码，得到正样本对中每个样本分别对应的编码结果。服务器可以将负样本对中每个样本分别对应的融合项序列分别输入到编码模型中进行编码，得到负样本对中每个样本分别对应的编码结果。服务器可以朝着使得正样本对中每个样本分别对应的编码结果之间的差异减小、且负样本对中每个样本分别对应的编码结果之间的差异变大的方向，训练编码模型。

以正样本中包括两个样本、且负样本中包括两个样本为例，服务器可以将第一融合项序列、第二融合项序列、第三融合项序列和第四融合项序列分别输入到编码模型中，得到第一融合项序列、第二融合项序列、第三融合项序列和第四融合项序列分别对应的编码结果，根据各编码结果更新编码模型的参数，例如可以朝着使得第一融合项序列的编码结果与第二融合项序列的编码结果之间的差异变小、并使得第三融合项序列的编码结果与第四融合项序列的编码结果之间的差异变大的方向，更新编码模型的参数。

本实施例中，根据正样本对和负样本对训练编码模型，从而可以使得编码模型学习到正样本对中各样本的特征，并学习到负样本对中各样本的特征，提高了训练效果。

在一些实施例中，根据正样本对中每个样本分别对应的融合项序列、负样本对中每个样本分别对应的融合项序列，训练编码模型，包括：将正样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得正样本对中每个样本分别对应的编码特征序列；将负样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得负样本对中每个样本分别对应的编码特征序列；确定正样本对中每个样本分别对应的编码特征序列之间的相似度，得到正样本对对应的相似度；确定负样本对中每个样本分别对应的编码特征序列之间的相似度，得到负样本对对应的相似度；根据正样本对对应的相似度和负样本对对应的相似度，训练编码模型。

具体地，针对每个样本，服务器可以按照样本对应的融合项序列中每个融合项包括的语义特征，对样本对应的融合项序列进行切分，得到多个样本子序列，其中，同一样本子序列中融合项包括的语义特征一致，相邻的两个样本子序列中融合项包括的语义特征不一致。服务器可以将该多个样本子序列输入到编码模型中，分别对每个样本子序列进行编码，得到该多个样本子序列分别对应的编码特征，按照样本子序列在样本对应的融合项序列中的排列顺序，对该多个样本子序列分别对应的编码特征进行排列，得到样本对应的编码特征序列。

在一些实施例中，以正样本中包括两个样本、且负样本中包括两个样本为例，服务器可以将第一融合项序列输入到编码模型中编码得到多个编码特征，获得第一编码特征序列，并将第二融合项序列输入到编码模型中编码得到多个编码特征，获得第二编码特征序列，将第三融合项序列输入到编码模型中编码得到多个编码特征，获得第三编码特征序列，并将第四融合项序列输入到编码模型中编码得到多个编码特征，获得第四编码特征序列。例如图8中，若样本为第一样本，则图8中的融合项序列为第一融合项序列，编码模型输出第一编码特征序列；若样本为第二样本，则图8中的融合项序列为第二融合项序列，编码模型输出第二编码特征序列；若样本为第三样本，则图8中的融合项序列为第三融合项序列，编码模型输出第三编码特征序列；若样本为第四样本，则图8中的融合项序列为第四融合项序列，编码模型输出第四编码特征序列。

在一些实施例中，服务器可以确定第一编码特征序列与第二编码特征序列之间的相似度，得到正样本对对应的相似度，并确定第三编码特征序列与第四编码特征序列之间的相似度，得到负样本对对应的相似度。服务器可以根据正样本对对应的相似度和负样本对对应的相似度，训练编码模型。具体地，服务器可以朝着使得正样本对对应的相似度变大、负样本对对应的相似度减小的方向，更新编码模型的参数。

在一些实施例中，编码特征序列可以是向量形式的，编码特征序列之间的相似度可以采用余弦相似度，服务器可以计算第一编码特征序列与第二编码特征序列之间的余弦相似度，得到正样本对对应的相似度。服务器可以计算第三编码特征序列与第四编码特征序列之间的余弦相似度，得到负样本对应的相似度。例如，正样本对对应的相似度为Cos_sim_pos(Pos_Fearure1,Pos_Fearure2)＝(Pos_Fearure1×Pos_Fearure2)/|Pos_Fearure1|×|Pos_Fearure2|。负样本对对应的相似度为Cos_sim_Neg(Neg_Fearure1,Neg_Fearure2)＝(Neg_Fearure1×Neg_Fearure2)/|Neg_Fearure1|×|Neg_Fearure2|。其中，Cos_sim_pos代表正样本对对应的相似度，Pos_Fearure1代表第一编码特征序列，Pos_Fearure2代表第二编码特征序列。Cos_sim_Neg代表负样本对对应的相似度，Neg_Fearure1代表第三编码特征序列，Neg_Fearure2代表第四编码特征序列。

本实施例中，根据正样本对对应的相似度和负样本对对应的相似度，训练编码模型，从而可以使得编码模型学习到的正样本对中各样本的特征相差较小，学习到的负样本对中各样本的特征相差较大，从而使得样本对应的历史时段存在重叠即样本相似度较高的情况下，编码模型提取出的样本的特征也具有较高的相似，反之，在样本对应的历史时段之间不存在重叠即样本相似度较低的情况下，编码模型提取出的样本的特征具有较大差异，提高了训练效果。

在一些实施例中，根据正样本对对应的相似度和负样本对对应的相似度，训练编码模型，包括：对多个正样本对分别对应的相似度进行第一统计运算，得到第一统计相似度；对多个负样本对分别对应的相似度进行第一统计运算，得到第二统计相似度；基于第一统计相似度与第二统计相似度之间的差异，训练编码模型。

其中，第一统计运算包括求和运算、均值运算、取众数的运算、取中位数的运算等中的至少一种。若第一统计运算为求和运算，则第一统计相似度为第一总相似度，第二统计相似度为第二总相似度。若第一统计运算为均值运算，则第一统计相似度为第一平均相似度，第二统计相似度为第二平均相似度。

具体地，服务器可以确定多个不同的正样本对分别对应的相似度，并确定多个不同的负样本分别对应的相似度，多个是指至少两个。服务器可以对该多个不同的正样本对分别对应的相似度进行求和运算，得到第一总相似度，对该多个不同的负样本分别对应的相似度进行求和运算，得到第二总相似度。服务器可以确定计算第一总相似度减去第二总相似度所得到的结果，得到总相似度差值，服务器可以根据总相似度差值确定编码模型的模型损失值，模型损失值与总相似度差值成负相关关系。服务器可以通过模型损失值调整编码模型的参数，例如采用梯度下降算法调整编码模型的参数。

在一些实施例中，服务器可以确定多个不同的正样本对分别对应的相似度，并确定多个不同的负样本分别对应的相似度，多个是指至少两个。服务器可以对该多个不同的正样本对分别对应的相似度进行均值运算，得到第一平均相似度，对该多个不同的负样本分别对应的相似度进行均值运算，得到第二平均相似度。服务器可以确定计算第一平均相似度减去第二平均相似度所得到的结果，得到平均相似度差值，服务器可以根据平均相似度差值确定编码模型的模型损失值，模型损失值与平均相似度差值成负相关关系。服务器可以通过模型损失值调整编码模型的参数，例如采用梯度下降算法调整编码模型的参数。

本实施例中，基于第一统计相似度与第二统计相似度之间的差异，训练编码模型，可以使得针对历史时段存在重叠的样本即相似度较高的样本，编码模型提取出的样本的特征也较相似，针对历史时段之间不存在重叠的样本即相似度较低的样本，编码模型提取出的样本的特征存在较大差异，提高了训练效果。

在一些实施例中，根据正样本对对应的相似度和负样本对对应的相似度，训练编码模型，包括：对多个正样本对分别对应的相似度的分布情况进行评估，得到第一评估值；对多个负样本对分别对应的相似度的分布情况进行评估，得到第二评估值；基于第一评估值和第二评估值，训练编码模型。

其中，第一评估值反映了该多个正样本对分别对应的相似度的分布情况，第一评估值越小，则该多个正样本对分别对应的相似度的分布越集中，即各正样本对分别对应的相似度之间的差异越小。第二评估值反映了该多个负样本对分别对应的相似度的分布情况，第二评估值越小，则该多个负样本对分别对应的相似度的分布越集中，即各负样本对分别对应的相似度之间的差异越小。

具体地，针对多个正样本对中的每个正样本对，服务器可以计算正样本对所对应的相似度与第一平均相似度之间差值，得到正样本对所对应的相似度偏差。服务器可以对多个正样本对分别对应的相似度偏差进行统计，例如对相似度偏差进行求和或者对相似度偏差的平方进行求和，得到第一评估值。针对多个负样本对中的每个负样本对，服务器可以计算负样本对所对应的相似度与第二平均相似度之间差值，得到负样本对所对应的相似度偏差。服务器可以对多个负样本对分别对应的相似度偏差进行统计，例如对相似度偏差进行求和或者对相似度偏差的平方进行求和，得到第二评估值。

在一些实施例中，服务器可以计算多个正样本对分别对应的相似度的方差，将计算出的方差作为第一评估值，计算多个负样本对分别对应的相似度的方差，将计算出的方差作为第二评估值。或者，服务器可以计算多个正样本对分别对应的相似度的标准差，将计算出的标准差作为第一评估值，计算多个负样本对分别对应的相似度的标准差，将计算出的标准差作为第二评估值。

在一些实施例中，服务器可以基于第一评估值和第二评估值，生成编码模型的模型损失值，模型损失值与第一评估值成正相关关系，模型损失值与第二评估值成正相关关系。服务器可以根据模型损失值更新编码模型的参数。

在一些实施例中，服务器可以根据平均相似度差值、第一评估值和第二评估值，确定编码模型的模型损失值，模型损失值与平均相似度差值成负相关关系，模型损失值与第一评估值成正相关关系，模型损失值与第二评估值成正相关关系。具体地，服务器可以计算相似度阈值减去平均相似度差值所得到的差值，得到目标差值，相似度阈值为接近1的正数，例如为1。

在一些实施例中，服务器可以确定目标差值、第一评估值和第二评估值分别对应的权重，权重可以是根据经验预设的。服务器可以根据目标差值、第一评估值和第二评估值分别对应的权重，对目标差值、第一评估值和第二评估值进行加权，得到模型损失值。例如，服务器可以通过公式Loss_total＝a1*(1-(Mean_pos-M ean_neg)+a2*(Std_pos)+a3*(Std_neg))计算模型损失值。其中，a1、a2和a3分别为权重，Loss_total为模型损失值，Mean_pos为第一平均相似度，M ean_neg第二平均相似度，(Mean_pos-M ean_neg)为平均相似度差值，(1-(Mean_pos-M ean_neg)为目标差值，Std_pos为第一评估值，Std_neg为第二评估值。

本实施例中，基于多个正样本对分别对应的相似度的分布情况、多个负样本对分别对应的相似度的分布情况，训练编码模型，可以使得正样本对所对应的相似度在分布上是聚集的，且负样本对所对应的相似度在分布上也是聚集的，提高了训练效果。

在一些实施例中，预测数据项序列是通过已训练的序列预测模型得到的，方法还包括序列预测模型训练步骤，序列预测模型训练步骤包括：获取样本数据项序列；样本数据项序列包括目标项目在第一历史时段中各历史时间的数据项，且样本数据项序列中各数据项按照各自历史时间的时序排列；将样本数据项序列中的每个数据项，分别与对应的经验知识的语义特征融合为融合项，生成样本融合项序列；基于已训练的编码模型对样本融合项序列进行编码，生成样本编码特征序列；将样本编码特征序列输入到待训练的序列预测模型中，预测目标项目在第二历史时段中各历史时间的数据项，生成预测序列；根据预测序列和标签数据项序列，训练序列预测模型。

其中，第一历史时段和第二历史时段是两个不同的历史时段。第二历史时段在第一历史时段之后。标签数据项序列包括目标项目在第二历史时段中各历史时间的真实的数据项，且标签数据项序列中各数据项按各自历史时间的时序排列。

具体地，服务器可以对样本融合项序列进行切分得到多个样本子序列，将各样本子序列输入到已训练的编码模型中进行编码，得到各样本子序列分别对应的编码特征，并根据各样本子序列分别对应的编码特征生成样本编码特征序列。对样本融合项序列进行切分的方法，参考对历史融合项序列进行切分的方法。

在一些实施例中，服务器可以根据预测序列与标签数据项序列之间的差异，确定序列预测模型的损失值。预测序列与标签数据项序列之间的差异，与序列预测模型的损失值成正相关关系。具体地，服务器可以计算预测序列和标签数据项序列中同一位置处的两个数据项之间的差值，得到各个位置处的差值，并对各个位置处的差值进行统计例如进行求和运算或求均值的运算，得到统计值，基于统计值确定序列预测模型的损失值。序列预测模型的损失值与统计值成正相关关系。服务器可以根据序列预测模型的损失值，更新序列预测模型的参数，以训练序列预测模型。例如，服务器可以采用梯度下降算法更新序列预测模型的参数。

本实施例中，在训练序列预测模型的过程中，通过已训练的编码模型，生成样本编码特征序列，即编码模型是在序列预测模型训练之前就已经训练好的，故对于序列预测模型的训练过程来说，编码模型属于预训练好的模型，采用预训练好的编码模型来对序列预测模型进行训练，可以减少训练过程中需要调整的参数，通过编码模型学习到的知识加快序列预测模型的学习，提高了训练序列预测模型的效率。

在一些实施例中，如图9所示，提供了一种模型处理方法，该方法可以由终端或服务器执行，还可以由终端和服务器共同执行，以该方法应用于图1中的服务器为例进行说明，包括以下步骤902至步骤910。其中：

步骤902，获取正样本对，正样本对包括目标项目在至少两个存在重叠的历史时段分别对应的样本，历史时段对应的样本包括目标项目在历史时段中各历史时间的数据项，样本中数据项按各自时序排列。

其中，两个历史时段之间存在重叠是指两个历史时段存在相同的时间点或相同的时间段。例如，第一历史时段为第1天到第10天，第二历史时段为第6天到第19天，则第一历史时段和第二历史时段存在重叠，且重叠的时间段为第6天到第10天。

步骤904，获取负样本对，负样本对包括目标项目在至少两个不存在重叠的历史时段分别对应的样本。

其中，两个历史时段之间不存在重叠是指两个历史时段不存在相同的时间点或相同的时间段。例如，第一历史时段为第1天到第10天，第二历史时段为第11天到第20天，第一历史时段和第二历史时段不存在重叠，即不存在相同的时间点或时间段。

步骤906，对正样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成正样本对中每个样本分别对应的融合项序列；经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后。

其中，针对正样本中的每个样本，服务器可以获取样本中每个数据项分别对应的经验知识，提取每个经验知识的语义特征，得到每个经验知识的语义特征，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，获得样本对应的融合项序列。

步骤908，针对负样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成负样本对中每个样本分别对应的融合项序列。

其中，针对负样本中的每个样本，服务器可以获取样本中每个数据项分别对应的经验知识，提取每个经验知识的语义特征，得到每个经验知识的语义特征，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，获得样本对应的融合项序列。

步骤910，根据正样本对中每个样本分别对应的融合项序列、负样本对中每个样本分别对应的融合项序列，训练编码模型。

具体地，服务器可以将正样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得正样本对中每个样本分别对应的编码特征序列；将负样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得负样本对中每个样本分别对应的编码特征序列；确定正样本对中每个样本分别对应的编码特征序列之间的相似度，得到正样本对对应的相似度；确定负样本对中每个样本分别对应的编码特征序列之间的相似度，得到负样本对对应的相似度；根据正样本对对应的相似度和负样本对对应的相似度，训练编码模型。

上述模型处理方法中，由于经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后，故将样本中的数据项分别与对应的经验知识的语义特征融合为融合项，可以使得融合项序列中的融合项包括经验知识提供的信息，由于经验知识符合实际情况，从而根据融合项序列训练编码模型，可以使得编码模型学习到更符合实际情况的知识，从而在将编码模型用于预测序列的情况下，可以提高序列预测的准确度。

上述模型处理方法中生成的编码模型可以用于进行序列预测。如图10所示，展示了一种序列预测的应用场景图，终端展示序列预测界面，终端获取通过序列预测界面中的“上传”控件的触发操作，获取上传的历史数据项序列，采用可视化方法在序列预测界面的第一区域中展示该历史数据项序列，终端响应于“预测”控件的触发操作，向服务器发送携带上传的历史数据项序列的预测请求。服务器响应于预测请求，从预测请求中获取历史数据项序列，为历史数据项序列中每个数据项生成对应的经验知识，将数据项与对应的经验知识的语义特征进行融合生成融合项，得到历史融合项序列，通过编码器对历史融合项序列进行编码，根据编码结果预测后续的多个数据项，得到预测数据项序列，将预测数据项序列返回至终端。终端接收到服务器返回的预测数据项序列后，可以采用可视化方法在序列预测界面的第二区域中展示该预测数据项序列。当然，序列预测界面还可以提供用于上传历史数据项序列中各数据项分别对应的经验知识的入口。预测请求中还可以携带历史数据项序列中各数据项分别对应的经验知识。在预测请求中携带历史数据项序列中各数据项分别对应的经验知识的情况下，服务器可以通过预测请求携带的历史数据项序列和经验知识，得到预测数据项序列。

在一些实施例中，如图11所示，提供了一种序列预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤1102至步骤1128。其中：

步骤1102，获取多个正样本对和多个负样本对。

其中，正样本对包括目标项目在至少两个存在重叠的历史时段分别对应的样本，历史时段对应的样本包括目标项目在历史时段中各历史时间的数据项，样本中数据项按各自时序排列。负样本对包括目标项目在至少两个不存在重叠的历史时段分别对应的样本。

步骤1104，对正样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成正样本对中每个样本分别对应的融合项序列；针对负样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成负样本对中每个样本分别对应的融合项序列。

其中，经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后。

步骤1106，将正样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得正样本对中每个样本分别对应的编码特征序列；将负样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得负样本对中每个样本分别对应的编码特征序列。

步骤1108，确定正样本对中每个样本分别对应的编码特征序列之间的相似度，得到正样本对对应的相似度；确定负样本对中每个样本分别对应的编码特征序列之间的相似度，得到负样本对对应的相似度。

步骤1110，根据多个正样本对分别对应的相似度和多个负样本对分别对应的相似度，训练编码模型，得到已训练的编码模型。

步骤1112，获取样本数据项序列，样本数据项序列包括目标项目在第一历史时段中各历史时间的数据项，将样本数据项序列中的每个数据项，分别与对应的经验知识的语义特征融合为融合项，生成样本融合项序列。

其中，样本数据项序列可以为任意的样本。样本数据项序列中各数据项按照各自历史时间的时序排列。

步骤1114，基于已训练的编码模型对样本融合项序列进行编码，生成样本编码特征序列。

步骤1116，将样本编码特征序列输入到待训练的序列预测模型中，预测目标项目在第二历史时段中各历史时间的数据项，生成预测序列。

步骤1118，根据预测序列和标签数据项序列，训练序列预测模型，得到已训练的序列预测模型。

步骤1120，获取目标项目的历史数据项序列；历史数据项序列包括目标项目在多个历史时间中每个历史时间的数据项。

其中，历史数据项序列中各数据项按各自历史时间的时序排列。

步骤1122，将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列。

步骤1124，按照历史融合项序列中每个融合项包括的语义特征，对历史融合项序列进行切分，得到多个子序列。

其中，同一子序列中融合项包括的语义特征一致，相邻的两个子序列中融合项包括的语义特征不一致；

步骤1126，将多个子序列输入到已训练的编码模型中进行编码，得到每个子序列分别对应的编码特征，根据每个子序列分别对应的编码特征，生成历史数据项序列对应的编码特征序列。

步骤1128，将历史数据项序列对应的编码特征序列输入到已训练的序列预测模型中，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列；观察时间在各历史时间之后。

本申请提供的序列预测方法，由于经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后，故将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，可以使得历史融合项序列中的融合项包括经验知识提供的信息，由于经验知识符合实际情况，从而根据历史融合项序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列，可以使得预测数据项序列更加符合真实情况，提高了序列预测的准确度。且在训练序列预测模型的过程中，通过已训练的编码模型，生成样本编码特征序列，即编码模型是在序列预测模型训练之前就已经训练好的，故对于序列预测模型的训练过程来说，编码模型属于预训练好的模型，采用预训练好的编码模型来对序列预测模型进行训练，可以减少训练过程中需要调整的参数，通过编码模型学习到的知识加快序列预测模型的学习，提高了训练序列预测模型的效率。

本申请提供的序列预测方法，可以用于应用场景，包括但不限于是金融、交通、天气、医疗、工业等领域。例如，在金融领域中，可以用于预测基金或股票的价格进行预测；在交通领域中，可以用于预测车流量或人流量，在大出行的场景下，预测车流量或人流量，可以为交通管理提供重要的信息，减少大出行场景下的交通拥堵的情况；在天气领域中，可以用于预测降水量或温度；在医疗领域中，可以用于预测脑电波信号，在工业领域中，可以用于预测电池容量的衰减。

以预测交通领域中路口的车流量为例，则目标项目为车流量，历史时刻的数据项为历史时刻的车流量的取值。为了预测某个路口的车流量，服务器可以获取某个路口处多个历史时间中每个历史时间的车流量大小即车流量的取值，按照历史时间先后顺序排列为历史数据项序列。服务器获取历史数据项序列中每个数据项分别对应的经验知识，经验知识是描述车流量在该经验知识对应数据项的历史时间之后的状态的文本，例如经验知识为下一时间车流量增加。服务器提取每个经验知识的语义特征，得到每个经验知识的语义特征，将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列，然后，根据历史融合项序列，预测车流量在多个连续的观察时间中每个观察时间的数据项即车流量大小，将预测出的各数据项按照观察时间先后顺序排列得到预测数据项序列，预测数据项序列也即预测车流量大小序列。在大出行的场景下，预测车流量或人流量，可以为交通管理提供重要的信息，减少大出行场景下的交通拥堵的情况。

以预测天气场景中的降雨量为例，则目标项目为降雨量，历史时刻的数据项为历史时刻的降雨量的取值。为了预测降雨量，服务器可以获取多个历史时间中每个历史时间的降雨量大小即降雨量的取值，按照历史时间先后顺序排列为历史数据项序列。服务器获取历史数据项序列中每个数据项分别对应的经验知识，经验知识是描述降雨量在该经验知识对应数据项的历史时间之后的状态的文本，例如经验知识为下一时间降雨量增加。服务器提取每个经验知识的语义特征，得到每个经验知识的语义特征，将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列，然后，根据历史融合项序列，预测降雨量在多个连续的观察时间中每个观察时间的数据项即降雨量大小，将预测出的各数据项按照观察时间先后顺序排列得到预测数据项序列，预测数据项序列也即预测降雨量大小序列。从而实现了一种能够准确预测降雨量的方法，提高了降雨量的预测准确度。

以预测在工业领域中电池容量的衰减为例，目标项目为电池容量，历史时刻的数据项为历史时刻的电池容量的剩余容量表征值，剩余容量表征值可以为剩余的容量，或者剩余的容量与电池未衰减时的容量的百分比。为了预测电池容量的衰减过程，在电池容量衰减的过程中，服务器可以对电池进行容量采集所得到的电池在多个历史时间中每个历史时间的剩余容量表征值，得到多个历史时间中每个历史时间的数据项，按照历史时间先后顺序排列为历史数据项序列。服务器获取历史数据项序列中每个数据项分别对应的经验知识，经验知识是描述电池容量在该经验知识对应数据项的历史时间之后的状态的文本，例如经验知识为下一时间电池容量加速衰减。服务器提取每个经验知识的语义特征，得到每个经验知识的语义特征，将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列，然后，根据历史融合项序列，预测电池容量在多个连续的观察时间中每个观察时间的数据项即剩余容量表征值，将预测出的各数据项按照观察时间先后顺序排列得到预测数据项序列，预测数据项序列也即预测剩余容量表征值序列，提高了剩余容量表征值预测的准确度，从而提高了对电池容量衰减过程的预测准确度。

本申请中，通过实验，在两个实验数据集上，将本申请提供的序列预测方法与TimesNet方法和ETSformer方法进行了对比。

表1：两个公开数据集上我们算法与其他算法效果对比

其中，预测步长是指序列的长度，例如历史数据项序列的长度。表1中的小数数值代表预测的准确度，采用RMSE计算方法得到。RMSE的计算方式为：

其中，X代表数据集，X

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的序列预测方法的序列预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个序列预测装置实施例中的具体限定可以参见上文中对于序列预测方法的限定，在此不再赘述。

在一些实施例中，如图12所示，提供了一种序列预测装置，包括：序列获取模块1202、知识获取模块1204、特征提取模块1206、数据融合模块1208和序列预测模块1210，其中：

序列获取模块1202，用于获取目标项目的历史数据项序列；历史数据项序列包括目标项目在多个历史时间中每个历史时间的数据项，且各数据项按各自历史时间的时序排列。

知识获取模块1204，用于获取历史数据项序列中每个数据项分别对应的经验知识，经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后。

特征提取模块1206，用于提取每个经验知识的语义特征，得到每个经验知识的语义特征。

数据融合模块1208，用于将历史数据项序列中的各数据项，分别与对应的经验知识的语义特征融合为融合项，获得历史融合项序列。

序列预测模块1210，用于根据历史融合项序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列；观察时间在各历史时间之后。

在一些实施例中，数据融合模块1208，还用于：针对历史数据项序列中的每个数据项，将数据项与对应的经验知识的语义特征进行拼接，得到每个数据项分别对应的融合项；按照历史数据项序列中数据项的排列顺序，对每个数据项分别对应的融合项进行排列，生成历史融合项序列。

在一些实施例中，装置还用于：按照历史数据项序列中数据项的排列顺序，对各数据项对应的经验知识的语义特征进行排列，生成语义特征序列；数据融合模块1208，还用于：将历史数据项序列和语义特征序列中同一位置处的数据项和语义特征进行拼接，得到每个数据项分别对应的融合项。

在一些实施例中，序列预测模块1210，还用于：按照历史融合项序列中每个融合项包括的语义特征，对历史融合项序列进行切分，得到多个子序列；其中，同一子序列中融合项包括的语义特征一致，相邻的两个子序列中融合项包括的语义特征不一致；基于多个子序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列。

在一些实施例中，序列预测模块1210，还用于：对多个子序列分别进行编码，得到每个子序列分别对应的编码特征；根据每个子序列分别对应的编码特征，生成历史数据项序列对应的编码特征序列；基于历史数据项序列对应的编码特征序列，预测目标项目在多个连续的观察时间中每个观察时间的数据项，得到预测数据项序列。

在一些实施例中，编码特征是通过已训练的编码模型生成的，方法还包括编码模型训练模块，编码模型训练模块，用于：获取正样本对，正样本对包括目标项目在至少两个存在重叠的历史时段分别对应的样本，历史时段对应的样本包括目标项目在历史时段中各历史时间的数据项，样本中数据项按各自时序排列；获取负样本对，负样本对包括目标项目在至少两个不存在重叠的历史时段分别对应的样本；针对正样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成正样本对中每个样本分别对应的融合项序列；针对负样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成负样本对中每个样本分别对应的融合项序列；根据正样本对中每个样本分别对应的融合项序列、负样本对中每个样本分别对应的融合项序列，训练编码模型。

在一些实施例中，编码模型训练模块，还用于：将正样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得正样本对中每个样本分别对应的编码特征序列；将负样本对中每个样本分别对应的融合项序列，分别输入到编码模型中编码得到多个编码特征，获得负样本对中每个样本分别对应的编码特征序列；确定正样本对中每个样本分别对应的编码特征序列之间的相似度，得到正样本对对应的相似度；确定负样本对中每个样本分别对应的编码特征序列之间的相似度，得到负样本对对应的相似度；根据正样本对对应的相似度和负样本对对应的相似度，训练编码模型。

在一些实施例中，编码模型训练模块，还用于：对多个正样本对分别对应的相似度进行第一统计运算，得到第一统计相似度；对多个负样本对分别对应的相似度进行第一统计运算，得到第二统计相似度；基于第一统计相似度与第二统计相似度之间的差异，训练编码模型。

在一些实施例中，编码模型训练模块，还用于：对多个正样本对分别对应的相似度的分布情况进行评估，得到第一评估值；对多个负样本对分别对应的相似度的分布情况进行评估，得到第二评估值；基于第一评估值和第二评估值，训练编码模型。

在一些实施例中，预测数据项序列是通过已训练的序列预测模型得到的，方法还包括序列预测模型训练模块，序列预测模型训练模块，用于：获取样本数据项序列；样本数据项序列包括目标项目在第一历史时段中各历史时间的数据项，且样本数据项序列中各数据项按照各自历史时间的时序排列；将样本数据项序列中的每个数据项，分别与对应的经验知识的语义特征融合为融合项，生成样本融合项序列；基于已训练的编码模型对样本融合项序列进行编码，生成样本编码特征序列；将样本编码特征序列输入到待训练的序列预测模型中，预测目标项目在第二历史时段中各历史时间的数据项，生成预测序列；根据预测序列和标签数据项序列，训练序列预测模型。

在一些实施例中，如图13所示，提供了一种模型处理装置，包括：正样本对获取模块1302、负样本对获取模块1304、第一融合模块1306、第二融合模块1308和模型训练模块1310，其中：

正样本对获取模块1302，用于获取正样本对，正样本对包括目标项目在至少两个存在重叠的历史时段分别对应的样本，历史时段对应的样本包括目标项目在历史时段中各历史时间的数据项，样本中数据项按各自时序排列。

负样本对获取模块1304，用于获取负样本对，负样本对包括目标项目在至少两个不存在重叠的历史时段分别对应的样本。

第一融合模块1306，用于针对正样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成正样本对中每个样本分别对应的融合项序列；经验知识是描述目标项目状态的文本，文本中描述状态的时间，在经验知识所对应数据项的历史时间之后。

第二融合模块1308，用于针对负样本对中每个样本，将样本中每个数据项分别与对应的经验知识的语义特征融合为融合项，生成负样本对中每个样本分别对应的融合项序列。

模型训练模块1310，用于根据正样本对中每个样本分别对应的融合项序列、负样本对中每个样本分别对应的融合项序列，训练编码模型。

上述序列预测装置和模型处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图14所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储序列预测方法和模型处理方法中涉及到的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种序列预测方法。

在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图15所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种序列预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图14和图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一些实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述序列预测方法中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述序列预测方法中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述序列预测方法中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。