预测数据的获取方法、装置和存储介质及电子设备

技术领域

本申请涉及计算机领域，具体而言，涉及一种预测数据的获取方法、装置和存储介质及电子设备。

背景技术

相关技术中，通常直接基于历史数据构造特征进行时序预测，然而，该方法使用的参数数据单一、独立、缺少关联性，无法有效结合数据之间依赖关系，导致获取到的预测数据准确性较低，进而相关技术中存在预测数据的获取准确性低下的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种预测数据的获取方法、装置和存储介质及电子设备，以至少解决相关技术中预测数据的准确性较低的技术问题。

根据本申请实施例的一个方面，提供了一种预测数据的获取方法，包括：确定目标时间序列上的多个第一时间点，并获取上述多个第一时间点中的各个第一时间点关联的历史数据；基于上述各个第一时间点关联的历史数据，获取上述各个第一时间点对应的历史数据向量；在获取到上述各个第一时间点对应的时间位置向量的情况下，分别整合上述各个第一时间点对应的历史数据向量和时间位置向量，得到上述各个第一时间点对应的第一目标向量，其中，上述时间位置向量用于表示上述第一时间点在上述目标时间序列上的位置信息；基于上述第一目标向量，获取上述多个第一时间点对应的第二目标向量，其中，上述第二目标向量用于表示上述各个第一时间点关联的历史数据之间的依赖关系；根据上述第二目标向量，对上述目标时间序列上的第二时间点进行预测，得到上述第二时间点关联的预测数据，其中，上述第二时间点在上述目标时间序列上位于上述第一时间点之后。

根据本申请实施例的另一方面，还提供了一种预测数据的获取装置，包括：第一获取单元，用于确定目标时间序列上的多个第一时间点，并获取上述多个第一时间点中的各个第一时间点关联的历史数据；第二获取单元，用于基于上述各个第一时间点关联的历史数据，获取上述各个第一时间点对应的历史数据向量；整合单元，用于在获取到上述各个第一时间点对应的时间位置向量的情况下，分别整合上述各个第一时间点对应的历史数据向量和时间位置向量，得到上述各个第一时间点对应的第一目标向量，其中，上述时间位置向量用于表示上述第一时间点在上述目标时间序列上的位置信息；第三获取单元，用于基于上述第一目标向量，获取上述多个第一时间点对应的第二目标向量，其中，上述第二目标向量用于表示上述各个第一时间点关联的历史数据之间的依赖关系；预测单元，用于根据上述第二目标向量，对上述目标时间序列上的第二时间点进行预测，得到上述第二时间点关联的预测数据，其中，上述第二时间点在上述目标时间序列上位于上述第一时间点之后。

作为一种可选的方案，上述第三获取单元，包括：变换装置，用于在获取到至少一个目标矩阵的情况下，利用上述至少一个目标矩阵对上述各个第一时间点对应的第一目标向量进行线性变换，得到上述多个第一时间点对应的第二目标向量。

作为一种可选的方案，上述变换装置，包括：变换子装置，用于在获取到第一矩阵、以及第二矩阵的情况下，分别利用上述第一矩阵、以及上述第二矩阵对上述各个第一时间点对应的第一目标向量进行线性变换，得到上述各个第一时间点对应的第一矩阵向量、以及第二矩阵向量，其中，上述第一矩阵向量为利用上述第一矩阵对上述各个第一时间点对应的第一目标向量进行线性变换得到的矩阵向量，上述第二矩阵向量为利用上述第二矩阵对上述各个第一时间点对应的第一目标向量进行线性变换得到的矩阵向量；拼接子装置，用于分别对上述各个第一时间点对应的第一矩阵向量、以及上述各个第一时间点对应的第二矩阵向量进行拼接处理，得到上述第一矩阵向量对应的第一目标矩阵、以及上述第二矩阵向量对应的第二目标矩阵；计算子装置，用于基于上述第一目标矩阵、以及上述第二目标矩阵进行并行计算，得到上述多个第一时间点对应的第二目标向量。

作为一种可选的方案，上述第二获取单元，包括：第一获取装置，用于获取上述各个第一时间点关联的历史数据各自对应的协变量数据，其中，上述协变量数据为上述历史数据相关的、随着时间变化而变化的参考数据；拼接装置，用于对上述各个第一时间点关联的历史数据、和上述各自对应的协变量数据进行拼接处理，得到上述各个第一时间点对应的历史数据向量。

作为一种可选的方案，上述装置还包括：第一编码装置，用于在上述分别整合上述各个第一时间点对应的历史数据向量和时间位置向量，得到上述各个第一时间点对应的第一目标向量之前，对上述各个第一时间点使用不同周期的正弦曲线、以及余弦曲线进行位置信息的编码处理，得到上述各个第一时间点对应的时间位置向量。

作为一种可选的方案，上述装置还包括：输入装置，用于在上述确定目标时间序列上的多个第一时间点，并获取上述多个第一时间点中的各个第一时间点关联的历史数据之后，将上述各个第一时间点关联的历史数据输入目标模型，其中，上述目标模型为利用样本数据进行训练得到的、用于时序预测的模型，上述目标模型包括编码层和解码层；第二编码装置，用于在上述确定目标时间序列上的多个第一时间点，并获取上述多个第一时间点中的各个第一时间点关联的历史数据之后，利用上述编码层对上述各个第一时间点关联的历史数据进行编码处理，得到上述第二目标向量；解码装置，用于在上述确定目标时间序列上的多个第一时间点，并获取上述多个第一时间点中的各个第一时间点关联的历史数据之后，利用上述解码层对上述第二目标向量进行解码处理，得到上述预测数据。

作为一种可选的方案，上述解码装置，包括：确定子装置，用于利用上述解码层中的全连接层将上述第二目标向量转化为目标维度的输出数据，并将上述输出数据确定为上述预测数据，其中，上述全连接层用于将上述编码层输出的数据转化为上述目标维度的数据。

作为一种可选的方案，上述装置还包括：第一确定装置，用于在上述将上述各个第一时间点关联的历史数据输入目标模型之前，获取多个样本数据，并确定当前目标模型，其中，上述样本数据中携带有第一样本时间点的样本历史数据、以及第二样本时间点的验证历史数据，上述第二样本时间点位于上述第一样本时间点之后；第二获取装置，用于在上述将上述各个第一时间点关联的历史数据输入目标模型之前，将上述多个样本数据输入上述当前目标模型，得到上述当前目标模型的多个输出数据，其中，上述输出数据为上述当前目标模型根据上述样本历史数据进行预测得到的数据；计算装置，用于在上述将上述各个第一时间点关联的历史数据输入目标模型之前，确定上述多个输出数据中的各个输出数据对应的验证历史数据，并基于上述输出数据、以及上述对应的验证历史数据计算上述当前目标模型当前的偏差数值；第二确定装置，用于在上述将上述各个第一时间点关联的历史数据输入目标模型之前，在上述当前的偏差数值达到收敛条件的情况下，将上述当前目标模型确定为上述目标模型；第三确定装置，用于在上述将上述各个第一时间点关联的历史数据输入目标模型之前，在上述当前的偏差数值未达到上述收敛条件的情况下，调整上述当前目标模型的模型参数，并将调整后的目标模型确定为上述当前目标模型。

作为一种可选的方案，上述计算装置，包括：计算子装置，用于采用均方误差、指数分布、以及绝对总和误差均平方损失函数相结合的方式，对上述输出数据、以及上述对应的验证历史数据进行损失计算，得到上述当前的偏差数值。

作为一种可选的方案，上述装置还包括：第三获取装置，用于在上述确定目标时间序列上的多个第一时间点，并获取上述多个第一时间点中的各个第一时间点关联的历史数据之前，获取对目标用户触发的预测请求，其中，上述预测请求用于请求预测上述目标用户在上述第二时间点的数据，上述目标时间序列为上述目标用户的时间序列；上述第一获取单元，包括：第四获取装置，用于响应于上述预测请求，确定上述目标时间序列上的、与上述第二时间点之间存在预测关系的上述多个第一时间点，并获取上述各个第一时间点关联的历史数据。

根据本申请实施例的又一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如以上预测数据的获取方法。

根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的预测数据的获取方法。

在本申请实施例中，确定目标时间序列上的多个第一时间点，并获取上述多个第一时间点中的各个第一时间点关联的历史数据；基于上述各个第一时间点关联的历史数据，获取上述各个第一时间点对应的历史数据向量；在获取到上述各个第一时间点对应的时间位置向量的情况下，分别整合上述各个第一时间点对应的历史数据向量和时间位置向量，得到上述各个第一时间点对应的第一目标向量，其中，上述时间位置向量用于表示上述第一时间点在上述目标时间序列上的位置信息；基于上述第一目标向量，获取上述多个第一时间点对应的第二目标向量，其中，上述第二目标向量用于表示上述各个第一时间点关联的历史数据之间的依赖关系；根据上述第二目标向量，对上述目标时间序列上的第二时间点进行预测，得到上述第二时间点关联的预测数据，其中，上述第二时间点在上述目标时间序列上位于上述第一时间点之后。

利用上述预测数据的获取方法，基于目标时间序列确定多个历史时间点，获取并分别整合每一个历史时间点对应的历史数据向量和每一个历史时间点对应的时间位置向量，以得到每一个历史时间点对应的第一目标向量，通过第一目标向量获取用于表示每一个历史时间点对应的历史数据之间的依赖关系的第二目标向量，通过有效结合历史数据之间的依赖关系，消除了用于预测数据的历史数据存在的数据单一、独立、缺少关联的弊端，提高了第二目标向量的数据预测准确性，进一步第二目标向量用于预测目标时间序列上多个历史时间点之后的目标时间点对应的预测数据，进而达到了基于目标时间序列上多个历史时间点对应的历史数据的依赖关系以提高多个历史时间点之后的目标时间点对应的预测数据的准确性，从而实现了提高获取的预测数据的准确性的技术效果，进而解决了相关技术中预测数据的获取准确性较低的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种可选的预测数据的获取方法的应用环境的示意图；

图2是根据本申请实施例的一种可选的预测数据的获取方法的流程的示意图；

图3是根据本申请实施例的一种可选的预测数据的获取方法的示意图；

图4是根据本申请实施例的另一种可选的预测数据的获取方法的示意图；

图5是根据本申请实施例的另一种可选的预测数据的获取方法的示意图；

图6是根据本申请实施例的另一种可选的预测数据的获取方法的示意图；

图7是根据本申请实施例的另一种可选的预测数据的获取方法的示意图；

图8是根据本申请实施例的另一种可选的预测数据的获取方法的示意图；

图9是根据本申请实施例的另一种可选的预测数据的获取方法的示意图；

图10是根据本申请实施例的一种可选的预测数据的获取装置的示意图；

图11是根据本申请实施例的一种可选的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。

根据本申请实施例的一个方面，提供了一种预测数据的获取方法，可选地，作为一种可选的实施方式，上述预测数据的获取方法可以但不限于应用于如图1所示的环境中。其中，可以但不限于包括用户设备102以及服务器112，该用户设备102上可以但不限于包括显示器108、处理器106及存储器104，该服务器112包括数据库114以及处理引擎116。

具体过程可如下步骤：

步骤S102，用户设备102获取目标时间序列上的多个第一时间点中的各个第一时间点对应的第一目标向量；

步骤S104-S106，通过网络110将各个第一时间点对应的第一目标向量发送至服务器112；

步骤S108，服务器112通过处理引擎对各个第一时间点对应的第一目标向量进行处理得到多个第一时间点对应的第二目标向量，其中，第二目标向量用于表示各个第一时间点关联的历史数据之间的依赖关系；

步骤S110-S112，通过网络110将第二目标向量发送至用户设备102，用户设备102通过处理器106利用该第二目标向量进行对目标时间序列上的第二时间点进行数据预测，第二时间点在目标时间序列上位于第一时间点之后，以及将数据预测结果显示在显示器108，并将上述用于数据预测的第二目标向量存储在存储器104。

除图1示出的示例之外，上述步骤可以由客户端、或服务器独立完成，也可以由客户端和服务器共同完成，如由客户端执行对各个第一时间点对应的第一目标向量进行处理得到多个第一时间点对应的第二目标向量等步骤，从而减轻服务器的处理压力。该用户设备102包括但不限于手持设备(如手机)、笔记本电脑、台式电脑、车载设备等，本申请并不限制用户设备102的具体实现方式。

可选地，作为一种可选的实施方式，如图2所示，预测数据的获取方法包括：

步骤S202，确定目标时间序列上的多个第一时间点，并获取多个第一时间点中的各个第一时间点关联的历史数据；

步骤S204，基于各个第一时间点关联的历史数据，获取各个第一时间点对应的历史数据向量；

步骤S206，在获取到各个第一时间点对应的时间位置向量的情况下，分别整合各个第一时间点对应的历史数据向量和时间位置向量，得到各个第一时间点对应的第一目标向量，其中，时间位置向量用于表示第一时间点在目标时间序列上的位置信息；

步骤S208，基于第一目标向量，获取多个第一时间点对应的第二目标向量，其中，第二目标向量用于表示各个第一时间点关联的历史数据之间的依赖关系；

步骤S210，根据第二目标向量，对目标时间序列上的第二时间点进行预测，得到第二时间点关联的预测数据，其中，第二时间点在目标时间序列上位于第一时间点之后。

可选地，在本实施例中，上述预测数据的获取方法可以但不限于应用在预测银行用户的未来资金周转情况。银行用户的资金周转包括资金的存入与转出，为了保证银行平台内的资金处于较为平稳的波动范围，银行平台需要预测未来趋势的用户的资金存入与转出情况，以便银行能够做出基于预测得到的未来趋势情况适应性准备相应调整策略。

现有技术中，往往采用基于时序模型，直接利用用户历史数据进行未来趋势的数据预测，该方法往往使用的历史参数数据单一、独立、缺少关联性，无法有效结合数据之间依赖关系，存在预测数据的获取准确性低下的问题。

将上述预测数据的获取方法应用在银行用户资金周转预测场景下，如图3所示，具体步骤如下：

步骤S302，获取银行用户在历史时间段对应的历史数据以及历史数据对应的历史数据向量；

步骤S304，基于各个第一时间点关联的历史数据，获取各个第一时间点对应的历史数据向量；

步骤S306，在获取到历史时间点对应的时间位置向量的情况下，分别整合历史数据向量和时间位置向量，得到历史时间点对应的第一目标向量；

步骤S308，基于第一目标向量，获取用于表示历史时间点关联的历史数据之间的依赖关系的多个第一时间点对应的第二目标向量；

步骤S310，根据第二目标向量，对未来时间点进行预测，得到银行用户在未来时间点关联的预测数据。

需要说明的是，利用上述预测数据的获取方法，充分考虑并有效结合银行用户的历史时间段对应的历史数据之间的依赖关系，消除了用于预测数据的历史数据存在的数据单一、独立、缺少关联的弊端，提高了数据预测准确性，进而解决了上述获取的预测数据准确性较低的问题。

可选地，在本实施例中，目标时间序列可以但不限于存储多个第一时间点，第一时间点可以但不限于为过去一段时间内的历史时间点，每一个时间点可以但不限于关联各自对应的历史数据。

可选地，在本实施例中，基于各个第一时间点关联的历史数据，获取各个第一时间点对应的历史数据向量，其中，每一个历史数据向量可以但不限于用于指示对应第一时间点的历史数据之间的依赖关系。

可选地，在本实施例中，时间位置可以但不限于用于表示时间点在目标时间序列上的位置信息，可以但不限于包括时间点在目标时间序列上的排序信息。

可选地，在本实施例中，可以但不限于基于各个第一时间点关联的时间位置，获取各个第一时间点对应的时间位置向量。

可选地，在本实施例中，在获取到各个第一时间点对应的时间位置向量的情况下，可以但不限于分别整合各个第一时间点对应的历史数据向量和时间位置向量，得到各个时间点对应的第一目标向量。

可选地，在本实施例中，基于各个时间点对应的第一目标向量，可以但不限于获取多个时间点对应的第二目标时间点，其中，第二目标向量可以但不限于用于表示各个第一时间点关联的历史数据之间的依赖关系，第二目标向量可以但不限于用于对目标时间序列上的第二时间点进行预测以得到第二时间的关联的预测数据，第二时间点可以但不限于位于第一时间点之后。

可选地，在本实施例中，多个第一时间点关联的历史数据之间的依赖关系可以但不限于为基于历史数据之间的关联度，关联度用于表示历史数据之间的相关程度，其中，历史数据之间的相关程度越高，历史数据之间的关联度越高。

可选地，在本实施中，获取多个第一时间点关联的历史数据之间的关联度，并将满足关联度条件的历史数据移至同一历史数据集合，基于多个历史数据集合以确定多个第一时间点对应的第二目标向量，其中，一个历史数据集合中的历史数据之间的关联度满足关联度条件，关联度条件用于指示历史数据之间的相关程度大于预设阈值。

举例说明，在历史数据A和历史数据B之间的关联度满足关联度条件时，历史数据A和历史数据B的依赖关系满足依赖关系条件，则将历史数据A和历史数据B放在同一历史数据集合中。

进一步举例说明，可选的例如图4所示，目标时间序列402上至少包括第一时间点404、第一时间点406、第二时间点408，其中，第二时间点408在目标时间序列402上位于第一时间点404和第一时间点406之后。

步骤S4002，获取第一时间点404关联的历史数据，并基于该历史数据获取第一时间点404对应的第一历史数据向量410；

步骤S4004，获取第一时间点404关联的时间位置，并基于该时间位置获取第一时间点404对应的第一时间位置向量412；

步骤S4006，整合第一时间点404对应的第一历史数据向量410和第一时间位置向量412，以得到第一时间点404对应的第一目标向量414；

步骤S4008，同理，获取第二时间点408关联的历史数据和时间位置，并获取第二时间点408对应的历史数据向量和时间位置向量，整合历史数据向量和时间位置向量以得第二时间点406对应的第一目标向量416；

步骤S4010，基于第一时间点404对应的第一目标向量414和第二时间点406对应的第一目标向量416，获取目标时间序列402上的第一时间点404和第二时间点406对应的第二目标向量418；

步骤S4012，利用第二目标向量418，对目标时间序列402上的第二时间点408进行数据预测，得到第二时间点408关联的预测数据。

需要说明的是，上述图4所示内容仅通过两个第一时间点和一个第二第二时间点进行说明，本发明实际并不限制目标时间序列上的时间点的数量。

通过本申请提供的实施例，确定目标时间序列上的多个第一时间点，并获取上述多个第一时间点中的各个第一时间点关联的历史数据；基于上述各个第一时间点关联的历史数据，获取上述各个第一时间点对应的历史数据向量；在获取到上述各个第一时间点对应的时间位置向量的情况下，分别整合上述各个第一时间点对应的历史数据向量和时间位置向量，得到上述各个第一时间点对应的第一目标向量，其中，上述时间位置向量用于表示上述第一时间点在上述目标时间序列上的位置信息；基于上述第一目标向量，获取上述多个第一时间点对应的第二目标向量，其中，上述第二目标向量用于表示上述各个第一时间点关联的历史数据之间的依赖关系；根据上述第二目标向量，对上述目标时间序列上的第二时间点进行预测，得到上述第二时间点关联的预测数据，其中，上述第二时间点在上述目标时间序列上位于上述第一时间点之后。

利用上述预测数据的获取方法，基于目标时间序列确定多个历史时间点，获取并分别整合每一个历史时间点对应的历史数据向量和每一个历史时间点对应的时间位置向量，以得到每一个历史时间点对应的第一目标向量，通过第一目标向量获取用于表示每一个历史时间点对应的历史数据之间的依赖关系的第二目标向量，通过有效结合历史数据之间的依赖关系，消除了用于预测数据的历史数据存在的数据单一、独立、缺少关联的弊端，提高了第二目标向量的数据预测准确性，进一步第二目标向量用于预测目标时间序列上多个历史时间点之后的目标时间点对应的预测数据，进而达到了基于目标时间序列上多个历史时间点对应的历史数据的依赖关系以提高多个历史时间点之后的目标时间点对应的预测数据的准确性，从而实现了提高获取的预测数据的准确性的技术效果。

作为一种可选的方案，基于第一目标向量，获取多个第一时间点对应的第二目标向量，包括：

S1，在获取到至少一个目标矩阵的情况下，利用至少一个目标矩阵对各个第一时间点对应的第一目标向量进行线性变换，得到多个第一时间点对应的第二目标向量。

可选地，在本实施例中，至少一个目标矩阵可以但不限于分别对各个第一时间点对应的第一目标向量进行线性变换，得到多个第一时间点对应的第二目标向量，其中，第二目标向量用于表示各个第一时间点关联的历史数据之间的依赖关系。需要说明的是，目标矩阵可以但不限于由预设的矩阵参数构成，基于目标模型对第一目标向量进行线性变换得到第二目标向量并利用第二目标向量得到第二时间点对应的的预测数据之后，可以但不限于基于第三时间点获取第二时间点对应的验证历史数据，基于预测数据与实际数据对目标矩阵进行优化，进而提高预测数据的获取准确性。其中，第三时间点位于第二时间点之后，基于预测数据与实际数据对目标矩阵进行优化可以但不限于根据预测数据与对应的验证历史的损失数值，实现对目标矩阵的调整优化。

对输出数据、以及对应的验证历史数据进行损失计算，得到当前的偏差数值

作为一种可选的方案，在获取到至少一个目标矩阵的情况下，利用至少一个目标矩阵对各个第一时间点对应的第一目标向量进行线性变换，得到多个第一时间点对应的第二目标向量，包括：

S1，在获取到第一矩阵、以及第二矩阵的情况下，分别利用第一矩阵、以及第二矩阵对各个第一时间点对应的第一目标向量进行线性变换，得到各个第一时间点对应的第一矩阵向量、以及第二矩阵向量，其中，第一矩阵向量为利用第一矩阵对各个第一时间点对应的第一目标向量进行线性变换得到的矩阵向量，第二矩阵向量为利用第二矩阵对各个第一时间点对应的第一目标向量进行线性变换得到的矩阵向量；

S2，分别对各个第一时间点对应的第一矩阵向量、以及各个第一时间点对应的第二矩阵向量进行拼接处理，得到第一矩阵向量对应的第一目标矩阵、以及第二矩阵向量对应的第二目标矩阵；

S3，基于第一目标矩阵、以及第二目标矩阵进行并行计算，得到多个第一时间点对应的第二目标向量。

可选地，在本实施例中，目标矩阵可以但不限于用于对各个第一时间点对应的第一目标向量进行线性变换，目标矩阵可以但不限于基于矩阵参数构成，目标矩阵可以但不限于基于矩阵参数的调整而得以优化，目标矩阵可以但不限于包括第一矩阵、第二矩阵。

可选地，在本实施例中，分别利用第一矩阵、以及第二矩阵依次对各个第一时间点对应的第一目标向量进行依次线性变换，得到各个第一时间点对应的第一矩阵向量、以及第二矩阵向量，其中，第一矩阵向量为利用第一矩阵对各个第一时间点对应的第一目标向量进行线性变换得到的矩阵向量，第二矩阵向量为利用第二矩阵对各个第一时间点对应的第一目标向量进行线性变换得到的矩阵向量。

可选地，在本申请实施例中，拼接处理可以但不限于基于第一矩阵向量和第二矩阵向量中具有关联的数据进行拼接的处理，以得到第一矩阵向量对应的第一目标矩阵、以及第二矩阵向量对应的第二目标矩阵。

可选地，在本实施例中，基于第一目标矩阵、以及第二目标矩阵进行并行计算，得到多个第一时间点对应的第二目标向量。

进一步举例说明，如图5所示，假设各个第一时间点对应的第一目标向量包括第一目标向量502、第二目标向量504，且至少一个目标矩阵包括第一矩阵506、第二矩阵508。

步骤S5002-1至步骤S5002-2，利用第一矩阵506对第一目标向量502进行线性变换，得到第一矩阵向量510；

步骤S5004-1至步骤S5004-2，利用第一矩阵506对第一目标向量504进行线性变换，得到第一矩阵向量512；

步骤S5006-1至步骤S5006-2，利用第二矩阵508对第一目标向量502进行线性变换，得到第二矩阵向量514；

步骤S5008-1至步骤S5008-2，利用第二矩阵508对第二目标向量504进行线性变换，得到第二矩阵向量516；

步骤S5010，对第一矩阵向量5010、第一矩阵向量512进行拼接处理，得到对应的第一目标矩阵518；

步骤S5012，对第二矩阵向量514、第二矩阵向量516进行拼接处理，得到对应的第二目标矩阵520；

步骤S5014，对第一目标矩阵向量518、第二目标矩阵向量520进行并行计算，得到多个第一时间点对应的第二目标向量522，第二目标向量522用于表示各个第一时间点关联的历史数据之间的依赖关系。

需要说明的是，上述第一矩阵、第二矩阵是仅是至少一个目标矩阵的。本发明实际并不限制至少一个目标矩阵的实际数量，例如，至少一个目标矩阵可以但不限于包括第一矩阵、第二矩阵、第三矩阵等多个矩阵。

进一步举例说明，如图6所示，假设第一目标向量集合602包括m个第一时间点对应的m个第一目标向量，其中，第t个第一时间点对应的第t个第一目标向量为X

步骤S6002-1至步骤S6002-2，使用第一矩阵W

步骤S6002-3，将第一矩阵向量集合604中的m个第一时间点各自对应的m个q向量(q

步骤S6004-1至步骤S6004-2，使用第二矩阵W

步骤S6004-3，将第一矩阵向量集合604中的m个第一时间点各自对应的m个k向量(k

步骤S6006-1至步骤S6006-2，使用第三矩阵W

步骤S6006-3，将第一矩阵向量集合604中的m个第一时间点各自对应的m个v向量(v

步骤S6008，基于查询矩阵Q、键矩阵K以及值矩阵V进行并行计算，确定各个第一时间点对应的第二目标向量，第二目标向量用于输出各个时间点对应的预测数值，如公式(1)所示：

其中，d

进一步举例说明，如图7所示，利用Self-attention模块702实现对查询矩阵Q、键矩阵K以及值矩阵V的并行计算以确定各个第一时间点对应的第二目标向量，其中，MatMul子模块704可以但不限于用于根据输入的矩阵Q和矩阵K，对矩阵K进行转置操作得到矩阵K对应的转置矩阵K

作为一种可选的方案，基于各个第一时间点关联的历史数据，获取各个第一时间点对应的历史数据向量，包括：

S1，获取各个第一时间点关联的历史数据各自对应的协变量数据，其中，协变量数据为历史数据相关的、随着时间变化而变化的参考数据；

S2，对各个第一时间点关联的历史数据、和各自对应的协变量数据进行拼接处理，得到各个第一时间点对应的历史数据向量。

可选地，在本实施例中，协变量数据为历史数据相关的、随着时间变化而变化的参考数据。

进一步举例说明，在一种预测超市未来趋势的收支金额时，过去一段时间的历史每日收支为第一时间点关联的历史数据，协变量数据可以但不限于为过去一段时间的历史每日人流量、历史节假日信息等数据。

可选地，在本实施例中，对各个第一时间点关联的历史数据、和各自对应的协变量数据进行拼接处理，得到各个第一时间点对应的历史数据向量，包括：

其中，j表示第一时间点的顺序，yj表示第j个第一时间点关联的历史数据，xjm表示第j个第一时间点关联的历史数据的第m个协变量数据，X

通过本申请提供的实施例，获取各个第一时间点关联的历史数据各自对应的协变量数据，其中，协变量数据为历史数据相关的、随着时间变化而变化的参考数据；对各个第一时间点关联的历史数据、和各自对应的协变量数据进行拼接处理，得到各个第一时间点对应的历史数据向量。在各个第一时间点对应的历史数据的基础上结合历史数据对应关联的协变量数据以得到第一时间点对应的历史数据向量，进而达到了提高获取的第一时间点对应的历史数据向量准确性的目的，从而实现了提高获取的预测数据的准确性的技术效果。

作为一种可选的方案，在分别整合各个第一时间点对应的历史数据向量和时间位置向量，得到各个第一时间点对应的第一目标向量之前，方法还包括：

S1，对各个第一时间点使用不同周期的正弦曲线、以及余弦曲线进行位置信息的编码处理，得到各个第一时间点对应的时间位置向量。

可选地，在本实施例中，可以但不限于通过位置嵌入方法(Positional Encoding)以得到各个第一时间点对应的时间位置向量，其中，时间位置向量可以但不限于用于体现对应第一时间点所在序列的位置信息，包括排序信息，位置嵌入方法可以但不限于用于对各个第一时间点使用不同周期的正弦曲线、以及余弦曲线进行位置信息的编码处理。

可选地，在本实施例中，通过位置嵌入方法，对不同时间点使用不同周期的正弦曲线、以及余弦曲线进行位置信息的编码处理，如公式(3)所示，以得到各个时间点对应的时间位置向量，如公式(4)所示。

p

其中，m代表协变量个数，j为时间点对应的顺序，i为代码维度，最大维度为m+1，表示m个协变量加上一个历史输出值，其中，历史输出预测值为第j个时间点对应输出的历史验证数据。

基于各个第一时间点对应的历史数据向量和时间位置向量，得到各个第一时间点对应的第一目标向量，其中，第一时间点对应的历史数据向量和时间位置向量维度相同，第一目标向量可以但不限于由历史数据向量和时间位置向量相加而得到，如公式(5)所示：

X

其中，X

通过本申请提供的实施例，对各个第一时间点使用不同周期的正弦曲线、以及余弦曲线进行位置信息的编码处理，得到各个第一时间点对应的时间位置向量，基于进而达到了提高获取的第一时间点对应的第一目标向量的准确性的目的，从而实现了提高获取的预测数据的准确性的技术效果。

作为一种可选的方案，在确定目标时间序列上的多个第一时间点，并获取多个第一时间点中的各个第一时间点关联的历史数据之后，方法还包括：

S1，将各个第一时间点关联的历史数据输入目标模型，其中，目标模型为利用样本数据进行训练得到的、用于时序预测的模型，目标模型包括编码层和解码层；

S2，利用编码层对各个第一时间点关联的历史数据进行编码处理，得到第二目标向量；

S3，利用解码层对第二目标向量进行解码处理，得到预测数据。

可选地，在本实施例中，如图8所示，时序预测应用系统812包括输入层802、编码层804、解码层806、输出层808、调整层810，其中，目标模型可以但不限于包括编码层804和解码层806，目标模型可以但不限于利用样本数据进行训练得到，可以但不限于用于时序预测。

需要说明的是，输入层802可以但不限于用于将各个第一时间点关联的历史数据输入目标模型中的编码层804；编码层804可以但不限于用于将各个第一时间点关联的历史数据进行编码处理，得到第二目标向量；解码层806可以但不限于用于对编码层804处理得到的第二目标向量进行解码处理，以得到的预测数据；输出层808可以但不限于用于输出解码层806得到的预测数据；调整层810可以但不限于用于采用均方误差、指数分布、以及绝对总和误差均平方损失函数相结合的方式，对输出数据、以及对应的验证历史数据进行损失计算，得到当前目标模型的偏差数值，还可以但不限于基于当前目标模型的偏差数值对目标模型进行调整优化，以在提高数据预测的获取准确性的同时提高数据预测的获取效率。

需要说明的是，编码层804包括self-attention模块、Add&Normalize模块、FeedForward模块、Add&Normalize模块，其中，self-attention模块用于处理输入的各个第一时间点关联的历史数据，以得到所有时间点的结果值Attention是一个m+1行、n列的矩阵(表示n个历史时间点，每个时间点的向量是m+1维)，Add&Normalize模块、Feed Forward模块、Add&Normalize模块转换得到相同形状的矩阵，将矩阵按列进行聚合处理(例如按列相加)即可得到一个1行n列的向量。

需要说明的是，解码层806包括Linear模块和Relu模块，其中，Linear模块可以但不限于为全连接网络，可以但不限于将编码层输出的最后一个数据投影到更高维度的空间，Relu模块可以但不限于将Linear的输出数据转化为概率输出，选择其中最大概率的数据作为输出。

作为一种可选的方案，利用解码层对第二目标向量进行解码处理，得到预测数据，包括：

S1，利用解码层中的全连接层将第二目标向量转化为目标维度的输出数据，并将输出数据确定为预测数据，其中，全连接层用于将编码层输出的数据转化为目标维度的数据。

可选地，在本实施例中，利用解码层中的全连接层将编码层输出的数据转化为目标维度的数据。

进一步举例说明，如图8所示，将各个第一时间点关联的历史数据输入目标模型中的编码层804之后，经过编码层804中的self-attention模块计算完成后，得到所有时间点的结果值Attention为m+1行、n列的矩阵(表示n个历史时间点，每个时间点的向量是m+1维)，再经过编码层804中的Add&Normalize模块、Feed Forward模块、Add&Normalize模块的转换得到相同形状的矩阵，将矩阵按列进行聚合处理(例如按列相加)得到一个1行n列的向量，将该向量作为编码层804的输出，放到解码层806的全连接层中，转换得到1行t列的结果向量(t代理未来t个预测值)。

作为一种可选的方案，在将各个第一时间点关联的历史数据输入目标模型之前，方法还包括：

S1，获取多个样本数据，并确定当前目标模型，其中，样本数据中携带有第一样本时间点的样本历史数据、以及第二样本时间点的验证历史数据，第二样本时间点位于第一样本时间点之后；

S2，将多个样本数据输入当前目标模型，得到当前目标模型的多个输出数据，其中，输出数据为当前目标模型根据样本历史数据进行预测得到的数据；

S3，确定多个输出数据中的各个输出数据对应的验证历史数据，并基于输出数据、以及对应的验证历史数据计算当前目标模型当前的偏差数值；

S4，在当前的偏差数值达到收敛条件的情况下，将当前目标模型确定为目标模型；

S5，在当前的偏差数值未达到收敛条件的情况下，调整当前目标模型的模型参数，并将调整后的目标模型确定为当前目标模型。

可选地，在本实施例中，样本数据包括第一样本时间点的样本历史数据和第二样本时间点的样本历史数据，第二样本时间点位于第一样本时间点之后。

可选地，在本实施例中，将多个样本数据输入当前目标模型之后，可以但不限于基于第一样本时间点的样本数据作为目标模型的输入以获取对应第二样本时间点的输出数据，基于输出数据与第二样本时间点的样本数据之间的关系确定当前模型的偏差数值，在当前的偏差数值达到收敛条件的情况下，将当前目标模型确定为目标模型；在当前的偏差数值未达到收敛条件的情况下，调整当前目标模型的模型参数，并将调整后的目标模型确定为当前目标模型。

需要说明的是，收敛条件可以但不限于用于指示当前模型的当前偏差数值处于一定范围内的波动范围。

作为一种可选的方案，基于输出数据、以及对应的验证历史数据计算当前目标模型当前的偏差数值，包括：

S1，采用均方误差、指数分布、以及绝对总和误差均平方损失函数相结合的方式，对输出数据、以及对应的验证历史数据进行损失计算，得到当前的偏差数值。

可选地，在本实施例中，在得到当前的偏差数值之后，可以但不限于基于偏差数值对目标模型进行优化，包括对用于训练目标模型的目标矩阵进行参数调整优化，进而提高预测数据的获取准确性。

需要说明的是，相关技术中对于数值回归问题的模型训练，往往采用均方误差(MSE)损失函数，与之对应的评价指标是R2 Score。由于该方法在损失计算过程中，需要将多条序列预测结果进行汇总加和再与汇总真实值进行对比，采用的为绝对总和偏差(Absolute Sum Error，简称ASE)的指标进行评价，AES指标越小越好。而在模型的损失计算过程中，如图9所示，评价指标R2 Score与ASE无法保持一致、存在较大误差，从而导致损失计算结果不准确，模型优化效率低下。

需要说明的是，R2 Score与ASE满足如下关系：

其中，Y为目标真实值，

举例说明，假设样本集Y＝[10,100]，那么绝对总和偏差ASE范围为

对于该问题，可选地，在本实施例中，在训练损失函数和评价函数中分别加入加权后的ASE，引导模型进行正确目标进行训练。

需要说明的是，大多数时序预测场景中，目标y值与对应出现次数的分布大致呈现指数分布的特性，即从宏观上看，y值处于低值区间的发生概率越大；如此，本申请提出一种指数分布损失函数，进一步辅助模型的训练学习。最终的损失函数表示如下：

其中，N为样本数，β和λ是控制不同损失函数权重的松弛因子，作为超参数一般取值范围为(0,1]。

作为一种可选的方案，在确定目标时间序列上的多个第一时间点，并获取多个第一时间点中的各个第一时间点关联的历史数据之前，方法还包括：

获取对目标用户触发的预测请求，其中，预测请求用于请求预测目标用户在第二时间点的数据，目标时间序列为目标用户的时间序列；

确定目标时间序列上的多个第一时间点，并获取多个第一时间点中的各个第一时间点关联的历史数据，包括：

响应于预测请求，确定目标时间序列上的、与第二时间点之间存在预测关系的多个第一时间点，并获取各个第一时间点关联的历史数据。

可选地，在本实施例中，预测请求可以但不限于用于请求预测目标用户在第二时间点的数据，第二时间点位于多个第一时间点之后，第二时间点与多个第一时间点存在预测关系。

进一步举例说明，在一种天气预报的场景下，由于天气预报粒度已经从天缩短到小时，具有苛刻的时效要求。利用传统的基于海量数据进行计算预测的方法，则得出结论时已经失去时效意义，预测并无价值。

利用上述预测数据的获取方法，基于天气时间序列上的多个第一时间点关联的历史天气数据和时间位置信息得到第一目标向量，基于第一目标向量获取第一时间点对应的且表示各个第一时间点关联的历史天气数据之间的依赖关系的第二目标向量，利用第二目标向量对天气时间序列上的第二时间点进行预测以得到第二时间点关联的天气预测数据，其中，第二时间点为与多个第一时间点之后。一方面，充分利用多个第一时间点的历史天气数据之间的依赖关系，消除数据之间的单一、缺少关联的弊端，提高了天气数据预测的获取准确性；另一方面，基于已有的多个第一时间点的历史天气数据之间的依赖关系确定用于预测的第二目标向量，无需传统的海量数据，提高了天气数据预测的获取时效性，进而提高了天气数据预测的获取效率。

可以理解的是，在本申请的具体实施方式中，涉及到用户信息等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

根据本申请实施例的另一个方面，还提供了一种用于实施上述预测数据的获取方法的预测数据的获取装置。如图10所示，该装置包括：

第一获取单元1002，用于确定目标时间序列上的多个第一时间点，并获取所述多个第一时间点中的各个第一时间点关联的历史数据；

第二获取单元1004，用于基于所述各个第一时间点关联的历史数据，获取所述各个第一时间点对应的历史数据向量；

整合单元1006，用于在获取到所述各个第一时间点对应的时间位置向量的情况下，分别整合所述各个第一时间点对应的历史数据向量和时间位置向量，得到所述各个第一时间点对应的第一目标向量，其中，所述时间位置向量用于表示所述第一时间点在所述目标时间序列上的位置信息；

第三获取单元1008，用于基于所述第一目标向量，获取所述多个第一时间点对应的第二目标向量，其中，所述第二目标向量用于表示所述各个第一时间点关联的历史数据之间的依赖关系；

预测单元1010，用于根据所述第二目标向量，对所述目标时间序列上的第二时间点进行预测，得到所述第二时间点关联的预测数据，其中，所述第二时间点在所述目标时间序列上位于所述第一时间点之后。

具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

作为一种可选的方案，所述第三获取单元1008，包括：

变换装置，用于在获取到至少一个目标矩阵的情况下，利用所述至少一个目标矩阵对所述各个第一时间点对应的第一目标向量进行线性变换，得到所述多个第一时间点对应的第二目标向量。

具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

作为一种可选的方案，所述变换装置，包括：

变换子装置，用于在获取到第一矩阵、以及第二矩阵的情况下，分别利用所述第一矩阵、以及所述第二矩阵对所述各个第一时间点对应的第一目标向量进行线性变换，得到所述各个第一时间点对应的第一矩阵向量、以及第二矩阵向量，其中，所述第一矩阵向量为利用所述第一矩阵对所述各个第一时间点对应的第一目标向量进行线性变换得到的矩阵向量，所述第二矩阵向量为利用所述第二矩阵对所述各个第一时间点对应的第一目标向量进行线性变换得到的矩阵向量；

拼接子装置，用于分别对所述各个第一时间点对应的第一矩阵向量、以及所述各个第一时间点对应的第二矩阵向量进行拼接处理，得到所述第一矩阵向量对应的第一目标矩阵、以及所述第二矩阵向量对应的第二目标矩阵；

计算子装置，用于基于所述第一目标矩阵、以及所述第二目标矩阵进行并行计算，得到所述多个第一时间点对应的第二目标向量。

具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

作为一种可选的方案，所述第二获取单元1004，包括：

第一获取装置，用于获取所述各个第一时间点关联的历史数据各自对应的协变量数据，其中，所述协变量数据为所述历史数据相关的、随着时间变化而变化的参考数据；

拼接装置，用于对所述各个第一时间点关联的历史数据、和所述各自对应的协变量数据进行拼接处理，得到所述各个第一时间点对应的历史数据向量。

具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

作为一种可选的方案，所述装置还包括：

第一编码装置，用于在所述分别整合所述各个第一时间点对应的历史数据向量和时间位置向量，得到所述各个第一时间点对应的第一目标向量之前，对所述各个第一时间点使用不同周期的正弦曲线、以及余弦曲线进行位置信息的编码处理，得到所述各个第一时间点对应的时间位置向量。具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

作为一种可选的方案，所述装置还包括：

输入装置，用于在所述确定目标时间序列上的多个第一时间点，并获取所述多个第一时间点中的各个第一时间点关联的历史数据之后，将所述各个第一时间点关联的历史数据输入目标模型，其中，所述目标模型为利用样本数据进行训练得到的、用于时序预测的模型，所述目标模型包括编码层和解码层；

第二编码装置，用于在所述确定目标时间序列上的多个第一时间点，并获取所述多个第一时间点中的各个第一时间点关联的历史数据之后，利用所述编码层对所述各个第一时间点关联的历史数据进行编码处理，得到所述第二目标向量；

解码装置，用于在所述确定目标时间序列上的多个第一时间点，并获取所述多个第一时间点中的各个第一时间点关联的历史数据之后，利用所述解码层对所述第二目标向量进行解码处理，得到所述预测数据。

具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

作为一种可选的方案，所述解码装置，包括：

确定子装置，用于利用所述解码层中的全连接层将所述第二目标向量转化为目标维度的输出数据，并将所述输出数据确定为所述预测数据，其中，所述全连接层用于将所述编码层输出的数据转化为所述目标维度的数据。

具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

作为一种可选的方案，所述装置还包括：

第一确定装置，用于在所述将所述各个第一时间点关联的历史数据输入目标模型之前，获取多个样本数据，并确定当前目标模型，其中，所述样本数据中携带有第一样本时间点的样本历史数据、以及第二样本时间点的验证历史数据，所述第二样本时间点位于所述第一样本时间点之后；

第二获取装置，用于在所述将所述各个第一时间点关联的历史数据输入目标模型之前，将所述多个样本数据输入所述当前目标模型，得到所述当前目标模型的多个输出数据，其中，所述输出数据为所述当前目标模型根据所述样本历史数据进行预测得到的数据；

计算装置，用于在所述将所述各个第一时间点关联的历史数据输入目标模型之前，确定所述多个输出数据中的各个输出数据对应的验证历史数据，并基于所述输出数据、以及所述对应的验证历史数据计算所述当前目标模型当前的偏差数值；

第二确定装置，用于在所述将所述各个第一时间点关联的历史数据输入目标模型之前，在所述当前的偏差数值达到收敛条件的情况下，将所述当前目标模型确定为所述目标模型；

第三确定装置，用于在所述将所述各个第一时间点关联的历史数据输入目标模型之前，在所述当前的偏差数值未达到所述收敛条件的情况下，调整所述当前目标模型的模型参数，并将调整后的目标模型确定为所述当前目标模型。

具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

作为一种可选的方案，所述计算装置，包括：

计算子装置，用于采用均方误差、指数分布、以及绝对总和误差均平方损失函数相结合的方式，对所述输出数据、以及所述对应的验证历史数据进行损失计算，得到所述当前的偏差数值。

具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

作为一种可选的方案，所述装置还包括：

第三获取装置，用于在所述确定目标时间序列上的多个第一时间点，并获取所述多个第一时间点中的各个第一时间点关联的历史数据之前，获取对目标用户触发的预测请求，其中，所述预测请求用于请求预测所述目标用户在所述第二时间点的数据，所述目标时间序列为所述目标用户的时间序列；所述第一获取单元1002，包括：

第四获取装置，用于响应于所述预测请求，确定所述目标时间序列上的、与所述第二时间点之间存在预测关系的所述多个第一时间点，并获取所述各个第一时间点关联的历史数据。

具体实施例可以参考上述预测数据的获取方法中所示示例，本示例中在此不再赘述。

根据本申请实施例的又一个方面，还提供了一种用于实施上述预测数据的获取方法的电子设备，如图11所示，该电子设备包括存储器1102和处理器1104，该存储器1102中存储有计算机程序，该处理器1104被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，确定目标时间序列上的多个第一时间点，并获取多个第一时间点中的各个第一时间点关联的历史数据；

S2，基于各个第一时间点关联的历史数据，获取各个第一时间点对应的历史数据向量；

S3，在获取到各个第一时间点对应的时间位置向量的情况下，分别整合各个第一时间点对应的历史数据向量和时间位置向量，得到各个第一时间点对应的第一目标向量，其中，时间位置向量用于表示第一时间点在目标时间序列上的位置信息；

S4，基于第一目标向量，获取多个第一时间点对应的第二目标向量，其中，第二目标向量用于表示各个第一时间点关联的历史数据之间的依赖关系；

S5，根据第二目标向量，对目标时间序列上的第二时间点进行预测，得到第二时间点关联的预测数据，其中，第二时间点在目标时间序列上位于第一时间点之后。

可选地，本领域普通技术人员可以理解，图11所示的结构仅为示意，电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图11其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图11中所示更多或者更少的组件(如网络接口等)，或者具有与图11所示不同的配置。

其中，存储器1102可用于存储软件程序以及模块，如本申请实施例中的预测数据的获取方法和装置对应的程序指令/模块，处理器1104通过运行存储在存储器1102内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的预测数据的获取方法。存储器1102可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1102可进一步包括相对于处理器1104远程设置的存储器，这些远程存储器可以通过网络连接至终端。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。其中，存储器1102具体可以但不限于用于存储第一时间点关联的历史数据和位置信息、第二时间点关联的预测数据等信息。作为一种示例，如图11所示，上述存储器1102中可以但不限于包括上述预测数据的获取装置中的第一获取单元1802、第二获取单元1804、筛选单元1806及第三获取单元1808。此外，还可以包括但不限于上述预测数据的获取装置中的其他模块单元，本示例中不再赘述。

可选地，上述的传输装置1106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1106包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1106为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子设备还包括：显示器1108，用于显示上述第一时间点关联的历史数据和位置信息、第二时间点关联的预测数据等信息；和连接总线1110，用于连接上述电子设备中的各个模块部件。

在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(Peer To Peer，简称P2P)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。

根据本申请的一个方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序/指令，该计算机程序/指令包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理器执行时，执行本申请实施例提供的各种功能。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，电子设备的计算机系统仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

计算机系统包括中央处理器(Central Processing Unit，CPU)，其可以根据存储在只读存储器(Read-Only Memory，ROM)中的程序或者从存储部分加载到随机访问存储器(Random Access Memory，RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器中，还存储有系统操作所需的各种程序和数据。中央处理器、在只读存储器以及随机访问存储器通过总线彼此相连。输入/输出接口(Input/Output接口，即I/O接口)也连接至总线。

以下部件连接至输入/输出接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至输入/输出接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。

特别地，根据本申请的实施例，各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理器执行时，执行本申请的系统中限定的各种功能。

根据本申请的一个方面，提供了一种计算机可读存储介质，计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。

可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，确定目标时间序列上的多个第一时间点，并获取多个第一时间点中的各个第一时间点关联的历史数据；

S2，基于各个第一时间点关联的历史数据，获取各个第一时间点对应的历史数据向量；

S3，在获取到各个第一时间点对应的时间位置向量的情况下，分别整合各个第一时间点对应的历史数据向量和时间位置向量，得到各个第一时间点对应的第一目标向量，其中，时间位置向量用于表示第一时间点在目标时间序列上的位置信息；

S4，基于第一目标向量，获取多个第一时间点对应的第二目标向量，其中，第二目标向量用于表示各个第一时间点关联的历史数据之间的依赖关系；

S5，根据第二目标向量，对目标时间序列上的第二时间点进行预测，得到第二时间点关联的预测数据，其中，第二时间点在目标时间序列上位于第一时间点之后。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集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，可以存储在上述计算机可读取的存储介质中。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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所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，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集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。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。