(19)中华 人民共和国 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 202111272908.4 (22)申请日 2021.10.2 9 (71)申请人 北京京东振世信息技 术有限公司 地址 100086 北京市海淀区知春路76号6层 (72)发明人 何凤翔　王英杰　 (74)专利代理 机构 北京英赛 嘉华知识产权代理 有限责任公司 1 1204 代理人 王达佐　马晓亚 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 用于训练预测模型和预测数据的方法和装 置 (57)摘要 本公开的实施例公开了用 于训练预测模型 和预测数据的方法和装置。 该方法的具体实施方 式包括： 获取训练样本集和估计函数集合； 执行 训练步骤： 从训练样本集中选取目标样本； 根据 目标样本计算样本权重序列； 对于估计函数集合 中的每个估计函数， 将目标样 本的输入变量序列 输入该估计函数进行预测得到该估计函数对应 的预测值序列； 根据预设的损失函数、 每个估计 函数对应的预测值序列和目标样本的输出变量 序列计算出每个估计函数的损失值序列； 求解第 一目标函数最小时对应的估计函数作为预测模 型。 若样本权重序列不收敛或预测模型不收敛， 则重复执行上述训练步骤。 该实施方式能够在非 平稳的时序数据下同时实现稳健预测与可解释 推断。 权利要求书2页 说明书10页 附图4页 CN 113962319 A 2022.01.21 CN 113962319 A 1.一种用于训练预测模型的方法， 包括： 获取训练样本集和估计函数集 合， 其中， 训练样本包括输入变量序列和输出变量序列； 执行如下训练步骤： 从所述训练样本集中选取目标样本； 根据目标样本计算样本权重 序列； 对于所述估计函数集合中的每个估计函数， 将目标样本的输入变量序列输入该估计 函数进行预测得到该估计函数对应的预测值序列； 根据预设的损失函数、 每个估计函数对 应的预测值序列和目标样本的输出变量序列计算出每个估计函数的损失值序列； 求解第一 目标函数最小时对应的估计函数作为预测模型， 其中， 所述第一 目标函数包括损失值序列 与样本权重序列的加权和以及惩罚项； 若样本权重序列收敛且预测模型收敛， 则输出训练 完成的预测模型； 若样本权重序列不收敛或预测模型不收敛， 则重复执 行上述训练步骤。 2.根据权利要求1所述的方法， 其中， 所述 根据目标样本计算样本 权重序列， 包括： 获取数据分布之间的关联权 重序列； 计算关联权 重序列与初始的样本 权重序列之差， 得到 权重差序列； 求解第二目标函数最大时对应的估计函数作为目标预测模型， 其中， 所述第二目标函 数包括损失值序列中每 个损失值分别与相同时间点对应的权 重差的乘积之和； 求解第三目标函数最小时对应的样本权重序列作为最终的样本权重序列， 其中， 第三 目标函数包括损失值序列中每个损失值分别与相同时间点对应的权重差的乘积之和、 关联 权重序列与样本权重序列之差的L2范数、 样本权重序列的L2范数三者的加权和。 3.根据权利要求2所述的方法， 其中， 所述求解第 二目标函数最大时对应的估计函数作 为目标预测模型， 包括： 通过基于凸函数的差的规划算法求解第二目标函数最大时对应的估计函数作为目标 预测模型。 4.根据权利要求2所述的方法， 其中， 所述求解第 三目标函数最小时对应的样本权重序 列作为最终的样本 权重序列， 包括： 对于每个时间点， 使用标准梯度下降算法求 解使该时间点的损失值 最小的样本 权重； 每个时间点的损失值 最小的样本 权重组成了样本 权重序列。 5.根据权利 要求1‑4中任一项所述的方法， 其中， 所述损失函数为Huber损失函数， 所述 惩罚项采用L1范数或L2范数。 6.一种预测数据的方法， 包括： 获取时序数据集 合； 将所述时序数据集合中每个时序数据分别输入根据权利要求1 ‑5中任一项的方法训练 出的预测模型， 输出每 个时序数据的预测值。 7.一种用于训练预测模型的装置， 包括： 获取单元， 被配置成获取训练样本集和估计函数集合， 其中， 训练样本包括输入变量序 列和输出变量序列； 训练单元， 被配置成执行如下训练步骤： 从所述训练样本集中选取目标样本； 根据目标 样本计算样本权重序列； 对于所述估计函数集合中的每个估计函数， 将目标样本的输入变 量序列输入该估计函数进行预测得到该估计函数对应的预测值序列； 根据预设的损失函 数、 每个估计函数对应的预测值序列和目标样本的输出变量序列计算出每个估计函数的损权　利　要　求　书 1/2 页 2 CN 113962319 A 2失值序列； 求解第一目标函数最小时对应的估计函数作为预测模型， 其中， 所述第一目标函 数包括损失值序列与样本权重序列的加权和以及惩罚项； 若样本权重序列收敛且预测模型 收敛， 则输出训练完成的预测模型； 重复单元， 被配置成若样本权重序列不收敛或预测模型不收敛， 则重复执行上述训练 步骤。 8.一种预测数据的装置， 包括： 获取单元， 被配置成获取时序数据集 合； 预测单元， 被配置成将所述时序数据集合中每个时序数据分别输入根据权利要求1 ‑5 中任一项的方法训练出的预测模型， 输出每 个时序数据的预测值。 9.一种电子设备， 包括： 一个或多个处 理器； 存储装置， 其上存 储有一个或多个 计算机程序， 当所述一个或多个计算机程序被所述一个或多个处理器执行， 使得所述一个或多个处 理器实现如权利要求1 ‑6中任一项所述的方法。 10.一种计算机可读介质， 其上存储有计算机程序， 其中， 所述计算机程序被处理器执 行时实现如权利要求1 ‑6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 113962319 A 3