本发明涉及时间序列数据预测算法技术领域，具体为一种用于对时间序列数据预测算法自动选择系统及其方法。
背景技术：
现有的对时间序列数据预测算法的种类较多，在计算性能有限的情况下，不能采用全算法全部同时计算，然后进行结果对比的方法进行数据预测，所以需要人为的控制使用的算法种类，但是在大量的数据处理过程中，均需要消耗大量的时间，采用智能数据库进行数据处理，可以有效的提高整体的数据预算速度和预测结果的精准度，所以本发明旨在解决多类时间序列、多类预测算法、多类序列特征集在限定计算性能情况下的相互匹配问题。实现给定时间序列数据输入下，系统对arima,theta,holt,naiive,ets,snaiive组成的通用预测算法集的自动比较选择，输出推荐预测算法集合。
技术实现要素：
本发明的目的在于提供一种用于对时间序列数据预测算法自动选择系统及其方法，以解决上述背景技术中提出的如何实现解决多类时间序列、多类预测算法、多类序列特征集在限定计算性能情况下的相互匹配的问题。
为实现上述目的，本发明提供如下技术方案：一种用于对时间序列数据预测算法自动选择系统，包括控制芯片，所述控制芯片电性双向连接有fastmodels训练模块，所述fastmodels训练模块电性双向连接有时间序列数据预测算法模块。
优选的，所述fastmodels训练模块为利用ct(codetranslation)模型搭建的训练平台。
优选的，所述时间序列数据预测算法模块包括且不限于arima,theta,holt,naiive,ets,snaiive组成的通用预测算法集。
一种用于对时间序列数据预测算法自动选择方法，该用于对时间序列数据预测算法自动选择方法的步骤如下：
s1：问题空间转换为子时间序列空间实例；
s2：子时间序列空间实例通过特征选择子协议，转化为特征集合实例；
s3：特征集合实例依次通过特征工程子协议、特征重要度分析子协议，分类匹配子协议，实现与算法实例与计算性能实例的映射；
s4：建立问题实例和计算性能实例的对应关系，基于计算性能实例结果，指导在问题实例的限定条件下的算法空间选择。
优选的，所述步骤s1中子时间序列空间实例为现有的时间序列数据预测推算较为精准且被认可的实例，所述子时间序列空间实例的数量不低于500份。
优选的，所述步骤s2的特征为模拟训练中的数据模型的倾斜度、峰值和数值与时间之间的比例大小等数据。
优选的，所述步骤s3中的特征重要度为训练计算性能数值和问题实例计算的实际数值之间的误差大小对比后，得到的相似程度排序，完成对相应的算法和精准度的实例计算训练。
优选的，所述步骤s4中的计算性能实例结果需要保证问题实例和计算性能实例之间的匹配度不小于60％。
与现有技术相比，本发明的有益效果是：
1)本发明可以解决多类时间序列、多类预测算法、多类序列特征集在限定计算性能情况下的相互匹配问题。实现给定时间序列数据输入下，系统对arima,theta,holt,naiive,ets,snaiive组成的通用预测算法集的自动比较选择，输出推荐预测算法集合，本发明能够有效提高时间序列预测计算效率；
2)本发明采用一个时间序列的处理通用协议，处理预测时间序列时，基于实例数据集合空间、特征集合空间、算法空间、计算性能指标空间之间建立联系，从而根据计算性能指标空间，对输入实例数据集合的预测算法做出推荐。
附图说明
图1为本发明系统流程图；
图2为本发明系统原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1-2，本发明提供一种技术方案：一种用于对时间序列数据预测算法自动选择系统，包括控制芯片，所述控制芯片电性双向连接有fastmodels训练模块，所述fastmodels训练模块为利用ct(codetranslation)模型搭建的训练平台，所述fastmodels训练模块电性双向连接有时间序列数据预测算法模块，所述时间序列数据预测算法模块包括且不限于arima,theta,holt,naiive,ets,snaiive组成的通用预测算法集。
一种用于对时间序列数据预测算法自动选择方法，该用于对时间序列数据预测算法自动选择方法的步骤如下：
s1：问题空间转换为子时间序列空间实例，子时间序列空间实例为现有的时间序列数据预测推算较为精准且被认可的实例，所述子时间序列空间实例的数量不低于500份；
s2：子时间序列空间实例通过特征选择子协议，特征为模拟训练中的数据模型的倾斜度、峰值和数值与时间之间的比例大小等数据，转化为特征集合实例；
s3：特征集合实例依次通过特征工程子协议、特征重要度分析子协议，特征重要度为训练计算性能数值和问题实例计算的实际数值之间的误差大小对比后，得到的相似程度排序，完成对相应的算法和精准度的实例计算训练，分类匹配子协议，实现与算法实例与计算性能实例的映射；
s4：建立问题实例和计算性能实例的对应关系，基于计算性能实例结果，计算性能实例结果需要保证问题实例和计算性能实例之间的匹配度不小于60％，指导在问题实例的限定条件下的算法空间选择。
工作原理：本发明在训练过程中，采用将时间序列集进行采集输入，然后将数据按照时间轴的顺序进行模拟搭建，并且对于数据峰值、倾斜角度等特征数值进行提取，并且将该特征数值与现有的问题实例特征集进行比对，然后将比对相似度高于60％的算法进行提出，并且按照相似度的高低进行排序，即进行性能计算的预测与对比分类，然后将结果进行计算，得到与现有问题实例结果相似度较高的数值，然后将该训练用的实例的特征集进行记录归纳，记录在结果集中，然后将数据清空，进行下一轮的模拟训练，并在训练完成后，通过特征值的归纳比对，对一个新的时间序列采用特征数值比对的方法，优先采用特征值相似度较高的算法进行计算，并且对于结果进行模拟匹配，保证与现有的问题实例结果的相匹配度超过60％，如低于，则按照特征值相似度较高的算法排序，采用下一算法进行继续试验，保证训练和实际结果之间的匹配度超过一定的数值，并进行参数优化后，提高训练结果和现有结果之间的相似精准度，可有效的提高时间序列预测计算效率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
1.一种用于对时间序列数据预测算法自动选择系统，包括控制芯片，其特征在于：所述控制芯片电性双向连接有fastmodels训练模块，所述fastmodels训练模块电性双向连接有时间序列数据预测算法模块。
2.根据权利要求1所述的一种用于对时间序列数据预测算法自动选择系统，其特征在于：所述fastmodels训练模块为利用ct(codetranslation)模型搭建的训练平台。
3.根据权利要求1所述的一种用于对时间序列数据预测算法自动选择系统，其特征在于：所述时间序列数据预测算法模块包括且不限于arima,theta,holt,naiive,ets,snaiive组成的通用预测算法集。
4.一种用于对时间序列数据预测算法自动选择方法，其特征在于：该用于对时间序列数据预测算法自动选择方法的步骤如下：
s1：问题空间转换为子时间序列空间实例；
s2：子时间序列空间实例通过特征选择子协议，转化为特征集合实例；
s3：特征集合实例依次通过特征工程子协议、特征重要度分析子协议，分类匹配子协议，实现与算法实例与计算性能实例的映射；
s4：建立问题实例和计算性能实例的对应关系，基于计算性能实例结果，指导在问题实例的限定条件下的算法空间选择。
5.根据权利要求4所述的一种用于对时间序列数据预测算法自动选择方法，其特征在于：所述步骤s1中子时间序列空间实例为现有的时间序列数据预测推算较为精准且被认可的实例，所述子时间序列空间实例的数量不低于500份。
6.根据权利要求4所述的一种用于对时间序列数据预测算法自动选择方法，其特征在于：所述步骤s2的特征为模拟训练中的数据模型的倾斜度、峰值和数值与时间之间的比例大小等数据。
7.根据权利要求4所述的一种用于对时间序列数据预测算法自动选择方法，其特征在于：所述步骤s3中的特征重要度为训练计算性能数值和问题实例计算的实际数值之间的误差大小对比后，得到的相似程度排序，完成对相应的算法和精准度的实例计算训练。
8.根据权利要求4所述的一种用于对时间序列数据预测算法自动选择方法，其特征在于：所述步骤s4中的计算性能实例结果需要保证问题实例和计算性能实例之间的匹配度不小于60％。
技术总结