时序信号预测方法、装置、设备及存储介质.pdf

《时序信号预测方法、装置、设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《时序信号预测方法、装置、设备及存储介质.pdf（27页完成版）》请在专利查询网上搜索。

1、(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 202410036943.3(22)申请日 2024.01.10(71)申请人 腾讯科技（深圳）有限公司地址 518057 广东省深圳市南山区高新区科技中一路腾讯大厦35层(72)发明人 沈雷(74)专利代理机构 北京派特恩知识产权代理有限公司 11270专利代理师 汪哲雯胡春光(51)Int.Cl.G06F 17/15(2006.01)G06F 18/214(2023.01)G06F 18/27(2023.01)G06F 18/22(2023.01)G06N 3/0455(2023.01)G06。

2、N 3/084(2023.01)G06F 123/02(2023.01)(54)发明名称时序信号预测方法、装置、设备及存储介质(57)摘要本申请提供了一种时序信号预测方法、装置、设备及存储介质，可应用于云技术、人工智能、智慧交通等各种场景；方法包括：获取包括窗口时序信号，窗口时序信号中包含待预测位置；选取窗口时序信号中除待预测位置的一个信号点作为第一基准点；确定第一基准点与窗口时序信号中除待预测位置的每个信号点的第一相关性；从窗口时序信号中，选取第一相关性大于第一相关性阈值的多个连续信号点作为历史时序信号；基于历史时序信号，对待预测位置的时序信号进行预测，得到目标时序信号。通过本申请，能够有效。

3、提高时序信号的预测准确度，保证预测信号与窗口时序信号之间的连续性，同时可以有效节约计算资源。权利要求书3页 说明书17页 附图6页CN 117540136 A2024.02.09CN 117540136 A1.一种时序信号预测方法，其特征在于，所述方法包括：获取窗口时序信号，所述窗口时序信号中包含待预测位置；选取所述窗口时序信号中除所述待预测位置的一个信号点作为第一基准点；确定所述第一基准点与所述窗口时序信号中除所述待预测位置的每个信号点的第一相关性；从所述窗口时序信号中，选取所述第一相关性大于第一相关性阈值的多个连续信号点作为历史时序信号；基于所述历史时序信号，对所述待预测位置的时序信号进行。

4、预测，得到目标时序信号。2.根据权利要求1所述的时序信号预测方法，其特征在于，所述获取包括多个连续信号点的窗口时序信号之前，所述方法还包括：获取待预测时序信号，并确定所述待预测时序信号中的待预测位置；基于所述待预测位置，对所述待预测时序信号按照时间窗口进行划分，得到所述窗口时序信号，其中，每个所述窗口时序信号包含一个待预测位置。3.根据权利要求1所述的时序信号预测方法，其特征在于，所述选取所述窗口时序信号中除所述待预测位置的一个信号点作为第一基准点，包括：确定所述窗口时序信号中除所述待预测位置的任意两个不同信号点之间的第二相关性；基于所述第二相关性，确定所述窗口时序信号中除所述待预测位置的每个。

5、信号点对应的平均相关性；选取所述平均相关性大于第二相关性阈值的任一信号点作为所述第一基准点。4.根据权利要求3所述的时序信号预测方法，其特征在于，所述确定所述窗口时序信号中除所述待预测位置的任意两个不同信号点之间的第二相关性，包括：确定所述窗口时序信号中除所述待预测位置的任意两个不同信号点之间的交叉注意力，所述交叉注意力，用于指示所述两个不同信号点之间的相关性；对所述交叉注意力进行归一化处理，得到所述任意两个不同信号点之间的第二相关性。5.根据权利要求1所述的时序信号预测方法，其特征在于，所述基于所述历史时序信号，对所述待预测位置的时序信号进行预测，得到目标时序信号，包括：获取训练得到的时序预。

6、测模型；调用所述时序预测模型的编码器，对所述历史时序信号进行特征提取，得到所述历史时序信号的编码特征；调用所述时序预测模型的回归器，对所述编码特征进行回归预测，得到所述待预测位置的目标时序信号。6.根据权利要求5所述的时序信号预测方法，其特征在于，在所述获取训练得到的时序预测模型之前，所述方法还包括：获取基于原始时序信号构建的训练样本，所述训练样本为，在所述原始时序信号中选取的输入信号，所述训练样本对应的样本标签为，在所述原始时序信号中选取的掩码信号；调用待训练时序预测模型的编码器，对所述输入信号进行特征提取，得到所述输入信号的编码特征；权利要求书1/3 页2CN 117540136 A2调用。

7、所述待训练时序预测模型的回归器，对所述编码特征进行回归预测，得到预测信号；获取所述预测信号与所述掩码信号的差异，并基于所述差异更新所述时序预测模型的模型参数。7.根据权利要求6所述的时序信号预测方法，其特征在于，在所述获取基于原始时序信号构建的训练样本之前，所述方法还包括：基于对所述原始时序信号进行窗口划分，得到至少一个原始窗口时序信号；针对各所述原始窗口时序信号分别执行如下处理：从所述原始窗口时序信号中，选取多个连续信号点作为所述掩码信号，并确定所述原始窗口时序信号中除所述掩码信号外的信号点；从所述除所述掩码信号外的信号点中，选取多个连续信号点作为所述输入信号；基于所述原始窗口时序信号选取的。

8、所述掩码信号和所述输入信号，构建所述训练样本。8.根据权利要求7所述的时序信号预测方法，其特征在于，所述基于对所述原始时序信号进行窗口划分，得到至少一个原始窗口时序信号，包括：获取固定窗口长度；当所述原始时序信号长度大于或等于所述固定窗口长度时，对所述原始时序信号按照所述固定窗口长度进行窗口划分，得到所述原始窗口时序信号。9.根据权利要求7所述的时序信号预测方法，其特征在于，所述从所述原始窗口时序信号中，选取多个连续信号点作为所述掩码信号，包括：选取所述原始窗口时序信号中的一个信号点作为第二基准点；确定所述第二基准点与所述原始窗口时序信号中每个信号点的第三相关性；从所述原始窗口时序信号中，选取。

9、所述第三相关性大于第三相关性阈值的多个连续信号点作为所述掩码信号。10.根据权利要求7所述的时序信号预测方法，其特征在于，所述从所述除所述掩码信号外的信号点中，选取多个连续信号点作为所述输入信号，包括：选取所述原始窗口时序信号中除所述掩码信号外的信号点中的一个信号点作为第三基准点；确定所述第三基准点与除所述掩码信号外的每个信号点的第四相关性；从所述除所述掩码信号外的信号点中，选取所述第四相关性大于第四相关性阈值的多个连续信号点作为所述输入信号。11.根据权利要求7所述的时序信号预测方法，其特征在于，所述从所述除所述掩码信号外的信号点中，选取多个连续信号点作为所述输入信号，包括：获取除所述掩码信。

10、号外不同信号点之间的第一相似度；基于所述第一相似度，确定除所述掩码信号外每个信号点对应的平均相似度；选取最高的所述平均相似度所对应的信号点作为第三基准点；基于所述第一相似度，确定所述第三基准点与所述除所述掩码信号外每个信号点的第二相似度；从所述除所述掩码信号外的每个信号点中，选取所述第二相似度大于相似度阈值的多权利要求书2/3 页3CN 117540136 A3个连续信号点作为所述输入信号。12.一种时序信号预测装置，其特征在于，所述装置包括：获取模块，用于获取窗口时序信号，所述窗口时序信号中包含待预测位置；基准点选择模块，用于选取所述窗口时序信号中除所述待预测位置的一个信号点作为第一基准点；。

11、相关性确定模块，用于确定所述第一基准点与所述窗口时序信号中除所述待预测位置的每个信号点的第一相关性；信号选择模块，用于从所述窗口时序信号中，选取所述第一相关性大于第一相关性阈值的多个连续信号点作为历史时序信号；预测模块，用于基于所述历史时序信号，对所述待预测位置的时序信号进行预测，得到目标时序信号。13.一种电子设备，其特征在于，所述电子设备包括：存储器，用于存储计算机可执行指令；处理器，用于执行所述存储器中存储的计算机可执行指令时，实现权利要求1至11任一项所述的时序信号预测方法。14.一种计算机可读存储介质，存储有计算机可执行指令或者计算机程序，其特征在于，所述计算机可执行指令或者计算机程。

12、序被处理器执行时，实现权利要求1至11任一项所述的时序信号预测方法。权利要求书3/3 页4CN 117540136 A4时序信号预测方法、装置、设备及存储介质技术领域0001本申请涉及信息处理技术领域，尤其涉及一种时序信号预测方法、装置、设备、存储介质及程序产品。背景技术0002随着时序预测技术的快速发展，时序预测技术已经广泛应用到股票市场、销量预测、能源需求预测、交通流量预测以及天气预测等领域，而时序预测方法往往使用当前整段时序信号进行时序信号预测，这样虽然能够预测得到目标时序信号，但是预测结果会受到时序信号中相关性较低信号点的影响，导致预测结果的准确度较低。发明内容0003本申请实施例提供。

13、一种时序信号预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够提高时序信号的预测准确度并有效节约计算资源。0004本申请实施例的技术方案是这样实现的：本申请实施例提供了一种时序信号预测方法，所述方法包括：获取窗口时序信号，所述窗口时序信号中包含待预测位置；选取所述窗口时序信号中除所述待预测位置的一个信号点作为第一基准点；确定所述第一基准点与所述窗口时序信号中除所述待预测位置的每个信号点的第一相关性；从所述窗口时序信号中，选取所述第一相关性大于第一相关性阈值的多个连续信号点作为历史时序信号；基于所述历史时序信号，对所述待预测位置的时序信号进行预测，得到目标时序信号。0005本申请。

14、实施例还提供了一种时序信号预测装置，包括：获取模块，用于获取窗口时序信号，所述窗口时序信号中包含待预测位置；基准点选择模块，用于选取所述窗口时序信号中除所述待预测位置的一个信号点作为第一基准点；相关性确定模块，用于确定所述第一基准点与所述窗口时序信号中除所述待预测位置的每个信号点的第一相关性；信号选择模块，用于从所述窗口时序信号中，选取所述第一相关性大于第一相关性阈值的多个连续信号点作为历史时序信号；预测模块，用于基于所述历史时序信号，对所述待预测位置的时序信号进行预测，得到目标时序信号。0006上述时序信号预测装置，还包括：时间窗口划分模块，用于获取待预测时序信号，并确定所述待预测时序信号中。

15、的待预测位置；基于所述待预测位置，对所述待预测时序信号按照时间窗口进行划分，得到所说明书1/17 页5CN 117540136 A5述窗口时序信号，其中，每个所述窗口时序信号包含一个待预测位置。0007上述方案中，所述基准点选择模块，还用于确定所述窗口时序信号中除所述待预测位置的任意两个不同信号点之间的第二相关性；基于所述第二相关性，确定所述窗口时序信号中除所述待预测位置的每个信号点对应的平均相关性；选取所述平均相关性大于第二相关性阈值的任一信号点作为所述第一基准点。0008上述方案中，所述基准点选择模块，还用于确定所述窗口时序信号中除所述待预测位置的任意两个不同信号点之间的第二相关性；基于所。

16、述第二相关性，确定所述窗口时序信号中除所述待预测位置的每个信号点对应的平均相关性；选取所述平均相关性最高的信号点作为所述第一基准点。0009上述方案中，所述相关性确定模块，还用于确定所述窗口时序信号中除所述待预测位置的任意两个不同信号点之间的交叉注意力，所述交叉注意力，用于指示所述两个不同信号点之间的相关性；对所述交叉注意力进行归一化处理，得到所述任意两个不同信号点之间的第二相关性。0010上述方案中，所述预测模块，还用于获取训练得到的时序预测模型；调用所述时序预测模型的编码器，对所述历史时序信号进行特征提取，得到所述历史时序信号的编码特征；调用所述时序预测模型的回归器，对所述编码特征进行回归。

17、预测，得到所述待预测位置的目标时序信号。0011在获取训练得到的时序预测模型之前，还需要对时序预测模型进行训练，上述时序信号预测装置，还包括：样本获取模块，用于获取基于原始时序信号构建的训练样本，所述训练样本为，在所述原始时序信号中选取的输入信号，所述训练样本对应的样本标签为，在所述原始时序信号中选取的掩码信号；编码模块，用于调用待训练时序预测模型的编码器，对所述输入信号进行特征提取，得到所述输入信号的编码特征；回归模块，用于调用所述待训练时序预测模型的回归器，对所述编码特征进行回归预测，得到预测信号；参数更新模块，用于获取所述预测信号与所述掩码信号的差异，并基于所述差异更新所述时序预测模型的。

18、模型参数。0012上述方案中，所述时间窗口划分模块，还用于基于对所述原始时序信号进行窗口划分，得到至少一个原始窗口时序信号。0013上述时序信号预测装置，还包括掩码信号选取模块和输入信号选取模块：所述掩码信号选取模块，用于从所述原始窗口时序信号中，选取多个连续信号点作为所述掩码信号，并确定所述原始窗口时序信号中除所述掩码信号外的信号点；所述输入信号选取模块，用于从所述除所述掩码信号外的信号点中，选取多个连续信号点作为所述输入信号；样本构建模块，用于基于所述原始窗口时序信号选取的所述掩码信号和所述输入信号，构建所述训练样本。0014上述方案中，所述时间窗口划分模块，还用于获取固定窗口长度；当所述。

19、原始时序信号长度大于或等于所述固定窗口长度时，对所述原始时序信号按照所述固定窗口长度进说明书2/17 页6CN 117540136 A6行窗口划分，得到所述原始窗口时序信号。0015上述方案中，所述掩码信号选取模块，还用于选取所述原始窗口时序信号中的一个信号点作为第二基准点；确定所述第二基准点与所述原始窗口时序信号中每个信号点的第三相关性；从所述原始窗口时序信号中，选取所述第三相关性大于第三相关性阈值的多个连续信号点作为所述掩码信号。0016上述方案中，所述输入信号选取模块，还用于选取所述原始窗口时序信号中除所述掩码信号外的信号点中的一个信号点作为第三基准点；确定所述第三基准点与除所述掩码信号。

20、外的每个信号点的第四相关性；从所述除所述掩码信号外的信号点中，选取所述第四相关性大于第四相关性阈值的多个连续信号点作为所述输入信号。0017上述方案中，所述输入信号选取模块，获取除所述掩码信号外不同信号点之间的第一相似度；基于所述第一相似度，确定除所述掩码信号外每个信号点对应的平均相似度；选取最高的所述平均相似度所对应的信号点作为所述第三基准点；基于所述第一相似度，确定所述第三基准点与所述除所述掩码信号外每个信号点的第二相似度；从所述除所述掩码信号外的每个信号点中，选取所述第二相似度大于相似度阈值的多个连续信号点作为所述输入信号。0018本申请实施例提供一种电子设备，所述电子设备包括：存储器，。

21、用于存储计算机可执行指令；处理器，用于执行所述存储器中存储的计算机可执行指令时，实现本申请实施例提供的时序信号预测方法。0019本申请实施例提供一种计算机可读存储介质，存储有计算机程序或计算机可执行指令，用于被处理器执行时实现本申请实施例提供的时序信号预测方法。0020本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，实现本申请实施例提供的时序信号预测方法。0021本申请实施例具有以下有益效果：通过获取窗口时序信号，并从中选取一个信号点作为基准点，确定基准点与其他信号点的相关性，将相关性大于相关性阈值的连续信号点作为历史时序信。

22、号，从而保证选取的连续信号点与基准点之间具有较高的相关性，并基于选取的连续信号点进行预测，得到待预测位置的目标时序信号，有效提高了时序信号的预测准确度。附图说明0022图1是本申请实施例提供的时序信号预测系统的架构示意图；图2是本申请实施例提供的用于时序信号预测的电子设备的结构示意图；图3A是本申请实施例提供的时序信号预测方法的流程示意图；图3B是本申请实施例提供的第一基准点选取方法的流程示意图；图4是本申请实施例提供的时序预测模型的结构示意图；图5A是本申请实施例提供的时序预测模型的训练方法的流程示意图；图5B是本申请实施例提供的训练样本的获取方法的流程示意图；图5C是本申请实施例提供的掩码。

23、信号选取方法的流程示意图；说明书3/17 页7CN 117540136 A7图5D是本申请实施例提供的按相关性进行选取输入信号的流程示意图；图5E是本申请实施例提供的按相似度进行选取输入信号的流程示意图；图6是本申请实施例提供的缺失信号窗口划分的示意图；图7是本申请实施例提供的时序预测模型信号补全过程的示意图。具体实施方式0023为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。0024在以下的描述中，涉及到“一些实施例”，其描述。

24、了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。0025在以下的描述中，所涉及的术语“第一第二第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。0026本申请实施例中，术语“模块”或“单元”是指有预定功能的计算机程序或计算机程序的一部分，并与其他相关部分一起工作以实现预定目标，并且可以通过使用软件、硬件（如处理电路或存储器）或其组合来全部或部分实现。同样的，一个处理器（。

25、或多个处理器或存储器）可以用来实现一个或多个模块或单元。此外，每个模块或单元都可以是包含该模块或单元功能的整体模块或单元的一部分。0027除非另有定义，本申请实施例所使用的所有的技术和科学术语与所属技术领域的技术人员通常理解的含义相同。本申请实施例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。0028对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。00291）时序信号：即时间序列信号，是横轴为时间的信号，是时域内的信号，可以是模拟信号或数字信号，通常用于表示或传输信息。在时间轴上可以表现为连续的。

26、波形或离散的脉冲序列。例如，中央处理器（CPU，Central Processing Unit）的时钟信号是一种时序信号，用于控制计算机内部的操作时序。00302）时序信号点：是指时序信号在某一时刻所对应的点，时序信号中至少由一个时序信号点组成。00313）交叉注意力：交叉注意力是一种在自然语言处理（NLP）中使用的机制，特别是在一些现代架构如Transformer模型中。并且，交叉注意力能够反映出时序信号中任意两个信号点之间的依赖关系，确定两个信号点之间的相似度。00324）softmax函数：softmax函数是一种归一化指数函数，也是逻辑函数的推广。它可以将一个含任意实数的K维向量z“压。

27、缩”到另一个K维实向量(z)中，使得每一个元素的范围都在（0,1）之间，并且所有元素的和为1。00335）编码器（Encoder）：编码器由多个相同的层组成，每一层由自注意力层和前馈全说明书4/17 页8CN 117540136 A8连接层组成。它以输入序列为输入，通过多头自注意力子层对输入序列进行编码，将其映射为隐藏层表示，然后通过前馈神经网络子层将隐藏层映射为输出序列。00346）回归器（Regressor）：回归器是一种通过拟合数据来预测数值型变量的值的算法，包括线性回归、岭回归、lasso回归、elasticnet回归等。0035时序信号预测在工业界具有广泛的应用，例如股票市场预测、销。

28、量预测、能源需求预测、交通流量预测、天气预测等。而时序预测方法往往使用当前整段时序信号进行时序预测，这样虽然能够预测得到目标时序信号，但是预测结果会手段时序信号中相关性较低信号点的影响，导致预测结果的准确率较低。针对上述问题，本申请实施例提供一种时序信号预测方法、装置、电子设备、计算机可读存储介质和计算机程序产品，能够有效提高时序信号的预测准确度，同时节约计算资源。0036参见图1，图1是本申请实施例提供的时序信号预测系统100的架构示意图，为实现支撑一个时序信号预测应用，终端400通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合。0037终端400用于，在。

29、图形界面401向用户展示上传待预测时序信号的输入区域，以从该输入区域获取用户上传的待预测时序信号，将预测时序信号输入终端，终端400会确定待预测时序信号中的待预测位置，并基于待预测位置，对待预测时序信号按照时间窗口进行划分，得到窗口时序信号，其中，每个窗口时序信号包含一个待预测位置。在得到窗口时序信号之后，终端400将窗口时序信号通过网络300，上传至服务器200，服务器200在获取到窗口时序信号之后，可以选取窗口时序信号中除待预测位置的一个信号点作为第一基准点。在确定第一基准点之后，服务器200确定第一基准点与窗口时序信号中除待预测位置的每个信号点的第一相关性；之后服务器200从窗口时序信号。

30、中，选取第一相关性大于第一相关性阈值的多个连续信号点作为历史时序信号；之后服务器200根据历史时序信号，对待预测位置的时序信号进行预测，得到目标时序信号，最后服务器200通过网络300将目标时序信号传输到终端400，并在终端400显示预测后完整的时序信号。0038需要说明的是，本申请实施例可以应用于时序信号预测、缺失信号补全以及异常信号检测等场景中。0039其中，本申请实施例提供的时序信号预测方法可以借助云技术以及人工智能实现。本申请实施例通过从原始时序信号中选取包含多个相关性较高的连续信号点作为历史时序信号，可以较大概率保证目标时序信号与原始时序信号的连续性，并利用训练好的时序预测模型对历史。

31、时序信号进行预测，可以有效提高时序信号的预测准确度。0040其中，云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、以及应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源。0041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。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。

32、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。说明书5/17 页9CN 117540136 A90042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。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。0043在一些实施例中，服务器200。

33、可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、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、内容分发网络（Content Delivery Network，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。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载终端等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例中不做限制。0044下面说明本申请实施例提供的用于实施时序信号预测的电子设备的示例性应用，本申请实施例中的电子设备可。

34、以为服务器或终端。0045参见图2，图2是本申请实施例提供的电子设备的结构示意图，图2所示的电子设备500可以是图1中的终端400或者服务器200，电子设备500包括：至少一个处理器410、存储器450、至少一个网络接口420和用户接口430。终端中的各个组件通过总线系统440耦合在一起。可理解，总线系统440用于实现这些组件之间的连接通信。总线系统440除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统440。0046处理器410可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器（Digital Sign。

35、al Processor，DSP），或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。0047用户接口430包括使得能够呈现媒体内容的一个或多个输出装置431，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口430还包括一个或多个输入装置432，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。0048存储器450可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器450可选地包括在物理位置上远离处理器 410的一个或多个。

36、存储设备。0049存储器450包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器（ROM，Read Only Memory），易失性存储器可以是随机存取存储器（Random Access Memory，RAM）。本申请实施例描述的存储器450旨在包括任意适合类型的存储器。0050在一些实施例中，存储器450能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。0051操作系统451，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，说明书6/17 页10CN 117540136 A10例如框。

37、架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；网络通信模块452，用于经由一个或多个（有线或无线）网络接口420到达其他电子设备，示例性的网络接口420包括：蓝牙、无线相容性认证（WiFi）、和通用串行总线（Universal Serial Bus，USB）等；呈现模块453，用于经由一个或多个与用户接口430相关联的输出装置431（例如，显示屏、扬声器等）使得能够呈现信息（例如，用于操作外围设备和显示内容和信息的用户接口）；输入处理模块454，用于对一个或多个来自一个或多个输入装置432的用户输入或互动进行检测以及翻译所检测的输入或互动。0052在一些实施例中，本申请。

38、实施例提供的装置可以采用软件方式实现，图2示出了存储在存储器450中的时序信号预测装置455，其可以是程序和插件等形式的软件，包括以下软件模块：获取模块4551、基准点选择模块4552、相关性确定模块4553、信号选择模块4554和预测模块4555，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。0053在另一些实施例中，本申请实施例提供的装置可以采用硬件方式实现，作为示例，本申请实施例提供的装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的时序信号预测方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用。

39、集成电路（Application Specific Integrated Circuit，ASIC）、数字信号处理器（Digital Signal Processor，DSP）、可编程逻辑器件（Programmable Logic Device，PLD）、复杂可编程逻辑器件（Complex Programmable Logic Device，CPLD）、现场可编程门阵列（FieldProgrammable Gate Array，FPGA）或其他电子元件。0054在一些实施例中，终端或服务器可以通过运行计算机程序或计算机可执行指令来实现本申请实施例提供的时序信号预测方法。举例来说，计算机程序可以。

40、是操作系统中的原生程序（例如，专用的分类模型的训练程序）或软件模块，例如，可以嵌入到任意程序（如即时通信客户端、相册程序、电子地图客户端、导航客户端）中的分类模型的训练模块；例如可以是本地（Native）应用程序（APP，Application），即需要在操作系统中安装才能运行的程序。总而言之，上述计算机程序可以是任意形式的应用程序、模块或插件。0055将结合本申请实施例提供的电子设备的示例性应用和实施，说明本申请实施例提供的时序信号预测方法。0056参见图3A，图3A是本申请实施例提供的时序信号预测方法的流程示意图，将结合图3A示出的步骤进行说明，本申请实施例提供的时序信号预测方法可以由服务。

41、器或终端单独实施，或者由服务器及终端协同实施，下面将以服务器单独实施为例进行说明。0057在步骤101中，获取窗口时序信号，窗口时序信号中包含待预测位置。0058在一些实施例中，服务器在获取窗口时序信号之前，可以先构建包括多个连续信号点的窗口时序信号，在实际应用中，可通过如下方式构建窗口时序信号：获取待预测时序信号，并确定待预测时序信号中的待预测位置；基于待预测位置，对待预测时序信号按照时间窗口进行划分，得到窗口时序信号，其中，每个窗口时序信号包含一个待预测位置。这里需要说明的是，本文中所提到的多个为至少两个。其中，待预测时序信号可以是金融市场时序信号、销量时序信号、能源需求时序信号、交通流量。

42、时序信号、天气时序信号，但不限于上说明书7/17 页11CN 117540136 A11述时序信号。0059在实际应用中，确定待预测时序信号的位置针对不同的应用场景可能有所不同。当处于信号补全场景中时，确定时序信号中的缺失位置，可以采用数据分析工具或编写特定代码检查待预测时序信号的数据完整性，从而确定缺失位置；也可以获取待预测时序信号之前，通过数据可视化的方法，将时序信号可视化，从而直观地确定缺失位置，并将位置信息封装到待预测时序信号中。0060当处于信号预测场景中时，确定时序信号中的待预测位置，可以是用户根据需求指定信号的待预测位置；也可以是根据时序信号向前和/或向后选取固定长度的时序信号作。

43、为待预测位置，其中，固定长度为预设值。0061当处于异常信号检测场景中时，确定时序信号中的待预测位置，可以是用户根据需求指定信号的检测位置；也可以根据经验模型确定当前时序信号中出现异常信号概率大于阈值的信号点的位置，作为时序信号中的待预测位置，这里的阈值可以是预设值，也可以根据不同时序信号动态设置。0062其中，获取时序信号的方式可以为，由用户通过终端设备上传的待预测时序信号，也可以为通过采集装置采集到的待预测时序信号。0063在一些实施例中，基于待预测位置向前和/或向后选取一定信号长度，将待预测时序信号进行窗口划分，得到窗口时序信号，其中，基于待预测位置向前和/或向后选取信号，保证得到的窗口。

44、时序信号与待预测信号具有较高的相关性，从而提高时序信号预测的准确度。0064例如，当获取到一段时序信号，首先通过数据分析工具检查时序信号的完整性，假设通过缺失信号的检测得到时序信号中在三个位置处存在缺失信号，然后基于每个缺失位置，对时序信号进行窗口划分，最后得到三个窗口时序信号，其中，每个窗口时序信号中包含一个缺失位置。0065在步骤102中，选取窗口时序信号中除待预测位置的一个信号点作为第一基准点。0066在一些实施例中，可以基于窗口时序信号中除待预测位置的信号点，从中任选一个信号点作为第一基准点。0067在一些实施例中，参见图3B，图3B是本申请实施例提供的第一基准点选取方法的流程示意图。。

45、图3A示出的步骤102可以通过以下步骤1021至步骤1023实现，下面具体说明。0068在步骤1021中，确定窗口时序信号中除待预测位置的任意两个不同信号点之间的第二相关性。0069在一些实施例中，可以计算窗口时序信号中除待预测位置的任意两个不同信号点之间的交叉注意力，用于指示两个不同信号点之间的相关性，并对交叉注意力进行归一化处理，得到任意两个不同信号点之间的第二相关性。0070在一些实施例中，从窗口时序信号除待预测位置中选取任意两个不同信号点，将其中一个信号点经过线性层进行线性变换，得到该信号点对应的查询向量以及键向量，再将另一个信号点同样经过线性层进行线性变换，得到另一个信号点对应的查询。

46、向量以及键向量，通过计算一个信号点的查询向量与另一个信号点键向量的点积，得到两个信号点之间的交叉注意力。0071在实际应用中可以采用如下公式，计算两个信号点之间的交叉注意力。说明书8/17 页12CN 117540136 A120072（1）；在公式（1）中，为信号点m和信号点n之间的交叉注意力，为信号点m对应的查询向量，为信号点n对应的键向量，其中，信号点m和n仅是为了区分两个不同的信号点，并无先后顺序之分，即也可以是与的点积。0073在计算得到的交叉注意力后，将得到的交叉注意力进行归一化，使得相关性的取值落在固定的区间。例如，使第二相关性所处的取值区间为0,1，以便于不同信号点之间相关性的。

47、进行比较。0074在步骤1022中，基于第二相关性，确定窗口时序信号中除待预测位置的每个信号点对应的平均相关性。0075在一些实施例中，可以根据任意两个不同信号点之间的第二相关性，计算窗口时序信号中除待预测位置的每个信号点与其他信号点相关性的均值，得到窗口时序信号中除待预测位置的每个信号点的平均相关性，从而可以更好的反映每个信号点与其他信号点的相关程度。0076例如，窗口时序信号中包含10个信号点，第一个信号点与其他9个信号点之间的第二相关性分别为0.2、0.4、0.3、0.5、0.6、0.8、0.7、0.6、0.8、0.9，通过计算上述相关性的均值，得到第一信号点的平均相关性为0.58。00。

48、77在步骤1023中，选取平均相关性大于第二相关性阈值的任一信号点作为第一基准点。0078在一些实施例中，根据每个信号点的平均相关性大小对信号点进行排序，确定平均相关性大于第二相关性阈值的信号点，当大于第二相关性阈值的信号点存在多个时，从中任选一个信号点作为第一基准点，其中，第二相关性阈值可以是预设值，也可以是根据每个信号点的平均相关性大小动态设置，从而保证第一基准点与其他信号点存在较高的相关性，基于该基准点向前和/或向后选取历史时序信号，能够较大概率保证目标时序信号与原始时序信号的连续性，能够有效提高时序信号的预测准确度。0079在一些实施例中，在确定窗口时序信号中除待预测位置的每个信号点对。

49、应的平均相关性之后，还可以选取平均相关性最高的信号点作为第一基准点，保证第一基准点与其他信号点的相关性最高，使得该基准点在当前窗口时序信号中最具有代表性，基于该基准点选取的信号点进行时序信号预测，能够提高信号的预测准确度。0080在步骤103中，确定第一基准点与窗口时序信号中除待预测位置的每个信号点的第一相关性。0081在一些实施例中，确定任意两个不同信号点之间的第二相关性，针对第二相关性的具体计算可参照前述步骤1021，此处不再赘述，基于不同信号点之间的第二相关性，从窗口时序信号中，将表示第一基准点与其他信号点之间相关性的信号点筛选出来，以确定第一相关性，方便后续对信号点的筛选。0082在步。

50、骤104中，从窗口时序信号中，选取第一相关性大于第一相关性阈值的多个连续信号点作为历史时序信号。0083在一些实施例中，在确定第一基准点与窗口时序信号中除待预测位置的各信号点的第一相关性之后，可以从窗口时序信号中，以第一基准点为基准，向前和/或向后选取第一相关性大于第一相关性阈值的多个连续信号点作为历史时序信号，其中，历史时序信号说明书9/17 页13CN 117540136 A13所包括的信号点的数量可以没有限制，在实际应用中，历史时序信号所包括的信号点的数量为不小于目标数量，目标数量的大小可以依据实际需要进行设定，例如目标数量为10个，这里，第一相关性阈值与第二相关性阈值大小可以相同或不同。