本发明涉及预测领域，尤其涉及一种时间序列预测系统、方法、计算机设备及存储介质。
背景技术：
1、目前全球疫情还在肆虐之中，各国纷纷采取了各种政策手段来应对疫情冲击，并加快恢复经济和社会秩序的步伐。然而，在这个过程中，迄今为止的经验表明，对于对疫情恢复的观察缺乏强有力的支持，导致需要一种能够精确、准确地观测疫情和经济复苏的手段。
2、同时，传统的经济指标无法提供足够细粒度的经济指标，以帮助分析和监测不同部门、行业、地区的复苏情况。此外，政策干预对不同行业恢复的影响效果也是未知的，因此需要更为详细和准确的经济数据来进行分析和预判。
3、由于疫情恢复时期的时间序列数据具有非常复杂的时空结构，无法被传统的统计建模方法直接处理。而且，这些数据本身也存在噪声或异常值，使得传统的时间序列分析方法往往难以捕捉到复杂非线性流形里的微小变化，从而无法给出可靠的预测结果。因此，需要更为先进和精确的分析技术来应对这些问题。
技术实现思路
1、本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于动态图学习的时间序列预测系统，以达到高效、可靠预测的目的。为此，本发明采取以下技术方案。
2、一种基于动态图学习的时间序列预测系统，包括：
3、数据获取模块：用于获取电网系统和气象系统的数据；
4、区域经济指数构建模块：与数据获取模块相连，根据获取的数据计算出排除气温、假期等影响因素后的行业每周电力消耗同比变化值和恢复指数；
5、动态图时间序列预测模块：获取行业间的相关性，并根据区域经济指数建立时间序列预测模型，以预测行业未来的恢复趋势，并确定一个行业复苏所对其他行业的影响；
6、结论筛选模块：与动态图时间序列预测模块相连，将每个行业的恢复速度加倍，构建每个行业的模拟用电量序列；通过将属于某个特定行业的所有组织的时间序列输入改变为模拟值，同时保持其他行业组织的输入不变，利用时间序列预测模型得到行业在未来的复苏趋势；最终，通过比较每个行业对其他行业复苏的能力，以筛选出最具有推动其他行业复苏能力的行业。
7、本技术方案根据各组织的日用电量记录，设计了区域经济指数的计算方法，并根据该经济指数提出了一种基于动态图学习的时间序列预测模型，最终帮助政府规划制定政策来促进经济复苏。
8、在数据获取模块中获取电网系统和气象系统的数据，并与区域经济指数构建模块相连。这使系统可以获取多源数据，支持对行业每周电力消耗等重要指标进行分析以及对其他影响因素进行排除，从而提高了预测模型的准确性。
9、区域经济指数构建模块与数据获取模块紧密相连。该模块根据获取的数据计算出排除天气、假期等因素后的行业每周电力消耗同比变化值和恢复指数，为后续的预测分析奠定了一个基础，为更准确地预测未来的恢复趋势打下基础。
10、动态图时间序列预测模块与其他两个模块结合使用。该模块采用最新的动态图技术，可以获得高质量的预测结果，能够利用区域经济指数和额外的信息获取行业间相关性，建立时间序列预测模型并预测未来恢复的趋势，进一步提高全系统预测的准确性。
11、结论筛选模块与动态图时间序列预测模块连接，能够评估行业对其他行业复苏的影响。该模块将每个行业的恢复速度加倍，并将属于特定行业的所有组织的时间序列输入改变为模拟值，使用时间序列模型生成未来预测结果以筛选出最具有推动其他行业发展的行业，并对制定经济复苏策略提供参考。
12、多模块相互配合，使该系统更具可扩展性和流程化。整个系统可以自动运行，支持快速分析多个行业的数据并提供实时预测结果，是一个可靠的辅助决策工具。该方案适用范围广泛，可以应用于各种行业的复苏预测及相关问题分析，具有很高的实际应用价值。
13、基于动态图学习的时间序列预测模型能够更好地描述数据之间复杂的交互关系，可以解决数据具有复杂的时空结构，传统的统计建模方法无法处理的问题；本技术的基于深度学习的时间序列预测模型可以自适应地捕捉到复杂非线性流形里的微小变化，并从中提取有效特征；基于动态图学习的时间序列预测算法可以大幅提升预测精度和可靠性；基于动态图学习的预测算法可以充分利用多源数据来提供更为全面、准确地预测结果。
14、作为优选技术手段：数据获取模块获取的电网系统数据包括日用电量记录，获取的气象系统数据包括日温度数据。
15、作为优选技术手段：区域经济指数构建模块在构建区域经济指数时，
16、201)首先获取未经调整的区域经济恢复指数；
17、
18、其中，ri,w表示n年第w周的i行业的经济指数；表示n年第w周i行业的每周电力消耗值；
19、202)使用回归模型捕获电力消耗和温度之间的非线性关系，对温度和电力数据进行训练，并用最大程度地减少预测值p和实际每日电力消耗值之间的均方误差进行校准，得到排除气温因素扰动的区域经济恢复指数；
20、
21、
22、
23、式中：为经过处理的电力消耗值的估计值；f为多元回归模型，用于预测电力消耗值；td是当期的温度，x1～x3和b是回归模型的参数，ed为对应td日期的电力消耗值；
24、203)去除节假日因素对区域经济恢复指数的影响；
25、
26、
27、
28、di,1-3为行业i在n年第1-3周的平均电力消耗同比变化值，反映每年1月份初至2月份下旬的平均电力消耗情况；di,3-6表示从第3周到第6周的区域经济指数同比数据，用于剔除由于春节假期带来的扰动效应；di,6-行业i在n年6周后的平均电力消耗同比变化值。
29、通过排除温度和节假日因素的干扰，可以更准确地衡量区域经济的实际恢复情况。采用电力消耗数据作为主要指标，能够全面、客观地反映出当地实际经济活动水平。使用回归模型考虑了气温和电力消耗之间的非线性关系，剔除了天气因素对电力消耗的影响；同时，通过剔除春节带来的扰动效应，更加准确地评估了区域经济的实际表现。运用自然和社会科学知识得以快速获取信息，及时更新经济数据，提供最新、最准确的区域经济状况信息。
30、作为优选技术手段：动态图时间序列预测模块工作时：
31、301)采用一个门循环单元(gru)来模拟过去日用电量序列的时间信息作为图的节点特征；将每个节点特征表示为一个包含多个特征维度的向量，其中包括当前时点的经济指数di，以此来捕捉节点在时间上的演化和变化；
32、302)计算相关权值，构建动态图的有向边和加权边，边代表组织之间的相互作用和影响关系，以反映出不同行业之间恢复方面的差异、联动程度和协调性；
33、303)在构建的动态图上，每个组织将从其他组织收集信息并生成其最终表示，以准确地预测未来的日用电量趋势；
34、304)利用表示解码，得到预测的未来恢复趋势；
35、305)通过最小化解码结果与实际日用电量序列之间的均方误差来校准预测的未来恢复趋势。
36、采用门循环单元来模拟过去日用电量序列的时间信息，同时考虑经济指数多个特征维度，能够更全面、准确地反映节点在时间上的演化和变化，从而提高了预测的准确性。利用相关权值构建动态图的有向边和加权边，能够反映不同行业之间的恢复方面差异、联动程度和协调性，从而更好地考虑了组织之间的相互作用和影响关系。在构建的动态图上，每个组织将从其他组织收集信息并生成其最终表示，能够更好地捕捉组织之间的信息交流和影响，提高了模型的预测能力。通过最小化解码结果与实际日用电量序列之间的均方误差来校准预测的未来恢复趋势，能够有效地提高预测的准确性和稳定性。
37、作为优选技术手段：结论筛选模块工作时：
38、401)初步结论，复苏模式分析：
39、将机构分为多个行业，并分别计算每个行业在平均每周复苏指数，得到不同行业的恢复特征；通过对不同行业的复苏特征进行分析，初步得出各行业的复苏模式；
40、402)对复苏趋势的变化进行分析：
41、基于pruned exact linear time算法，使用rbf核作为损失函数实现核的检测，同时增加拐点数量时的惩罚项约束来得到拐点数量估计结果；
42、基于动态规划思想计算损失值来确定拐点位置；
43、将两种算法得到的拐点取并集并合并靠近的项，以得出复苏趋势的变化预测结果；
44、403)采用反事实实验；
45、通过模拟对不同行业的支持政策，观察其对整体经济和社会生活复苏的影响；通过构建每个行业的模拟用电量序列，将属于某个特定行业的所有组织的时间序列输入改变为模拟值，同时保持其他行业组织的输入不变，来比较不同行业间支持政策的效果差异，以帮助预测和评估不同政策方案对整体复苏的潜在影响。
46、本技术方案全面、准确地呈现各行业的复苏特征和模式，能够帮助决策者更好地了解各行业的情况，及时采取有效措施促进经济恢复。基于pruned exact linear time算法和动态规划思想，实现了对复苏趋势的变化进行分析和预测，具有较高的预测精度。通过反事实实验，能够模拟不同行业支持政策对整体经济和社会生活的影响，为决策者提供科学依据，有利于评估不同政策方案的潜在影响。从而能更准确解读复杂数据和科学预测，能够为决策者提供有效决策依据，从而作出合理、精准的恢复政策。
47、本发明的第二目的是提供一种基于动态图学习的时间序列预测方法，一种基于动态图学习的时间序列预测方法包括以下步骤：
48、1)数据获取：获取电网系统和气象系统的数据；
49、2)区域经济指数构建：根据获取的数据计算出排除气温、假期影响因素后的行业每周电力消耗同比变化值和恢复指数；
50、3)动态图时间序列预测：获取行业间的相关性，并根据区域经济指数建立时间序列预测模型，以预测行业未来的恢复趋势，并确定一个行业复苏所对其他行业的影响；
51、4)结论筛选：与动态图时间序列预测模块相连，将每个行业的恢复速度加倍，构建每个行业的模拟用电量序列；通过将属于某个特定行业的所有组织的时间序列输入改变为模拟值，同时保持其他行业组织的输入不变，利用时间序列预测模型得到行业在未来的复苏趋势；最终，通过比较每个行业对其他行业复苏的能力，以筛选出最具有推动其他行业复苏能力的行业。
52、本技术方案根据构建区域经济指数后可排除气温、节假日等影响因素，使得对恢复趋势及时预测更为准确。通过动态图分析行业间的相关性，建立时间序列预测模型，快速了解每个行业的未来趋势和相互影响，从而制定合理的政策方案。结合结论筛选模块，将每个行业的恢复速度加倍以及根据模拟值修改输入数据，评估每个行业对其他行业复苏的推动能力，并选出最具有竞争力的行业推动整体经济复苏。集成多个技术手段，如数据获取、区域经济计算、动态图分析和时间序列预测模型构建，强化了该方法的普适性和可靠性，为决策者提供了科学、精确的辅助决策信息。本方法具有好的准确性、全面性和普适性，可以有效地帮助决策者了解不同行业间的关系，并为制定恢复政策提供科学依据。
53、作为优选技术手段：步骤2)区域经济指数构建模块在构建区域经济指数时，包括步骤：
54、201)首先获取未经调整的区域经济恢复指数；
55、
56、其中，ri,w表示n年第w周的i行业的经济指数；表示n年第w周i行业的每周电力消耗值；
57、202)使用回归模型捕获电力消耗和温度之间的非线性关系，对温度和电力数据进行训练，并用最大程度地减少预测值p和实际每日电力消耗值之间的均方误差进行校准，得到排除气温因素扰动的区域经济恢复指数；
58、
59、
60、
61、式中：为经过处理的电力消耗值的估计值；f为多元回归模型，用于预测电力消耗值；td是当期的温度，x1～x3和b是回归模型的参数，ed为对应td日期的用电量；
62、203)去除节假日因素对区域经济恢复指数的影响；
63、
64、
65、
66、di,1-3为行业i在n年第1-3周的平均电力消耗同比变化值，反映每年1月份初至2月份下旬的平均电力消耗情况；di,3-6表示从第3周到第6周的区域经济指数同比数据，用于剔除由于春节假期带来的扰动效应；di,6-行业i在n年6周后的平均电力消耗同比变化值。
67、作为优选技术手段：在步骤3)动态图时间序列预测模块工作时，包括步骤：
68、301)采用一个门循环单元(gru)来模拟过去日用电量序列的时间信息作为图的节点特征；将每个节点特征表示为一个包含多个特征维度的向量，其中包括当前时点的经济指数di，以此来捕捉节点在时间上的演化和变化；
69、302)计算相关权值，构建动态图的有向边和加权边，边代表组织之间的相互作用和影响关系，以反映出不同行业之间恢复方面的差异、联动程度和协调性；
70、303)在构建的动态图上，每个组织将从其他组织收集信息并生成其最终表示，以准确地预测未来的日用电量趋势；
71、304)利用表示解码，得到预测的未来恢复趋势；
72、305)通过最小化解码结果与实际日用电量序列之间的均方误差来校准预测的未来恢复趋势；
73、步骤4)结论筛选模块工作时，包括步骤：
74、401)初步结论，复苏模式分析：
75、将机构分为多个行业，并分别计算每个行业在平均每周复苏指数，得到不同行业的恢复特征；通过对不同行业的复苏特征进行分析，初步得出各行业的复苏模式；
76、402)对复苏趋势的变化进行分析：
77、基于pruned exact linear time算法，使用rbf核作为损失函数实现核的检测，同时增加拐点数量时的惩罚项约束来得到拐点数量估计结果；
78、基于动态规划思想计算损失值来确定拐点位置；
79、将两种算法得到的拐点取并集并合并靠近的项，以得出复苏趋势的变化预测结果；
80、403)采用反事实实验；
81、通过模拟对不同行业的支持政策，观察其对整体经济和社会生活复苏的影响；通过构建每个行业的模拟用电量序列，将属于某个特定行业的所有组织的时间序列输入改变为模拟值，同时保持其他行业组织的输入不变，来比较不同行业间支持政策的效果差异，以帮助预测和评估不同政策方案对整体复苏的潜在影响。
82、本发明的第三目的是提供一种计算机设备；计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码被所述一个或多个处理器执行时，实现所述的时间序列预测系统。
83、本发明的第四目的是提供一种存储介质，存储介质中存储有至少一条程序代码，其特征在于，所述程序代码被处理器执行时，实现一种基于动态图学习的时间序列预测方法的步骤。
84、有益效果：本技术方案能够更好地描述数据之间复杂的交互关系，可以解决数据具有复杂的时空结构，传统的统计建模方法无法处理的问题。本技术的基于深度学习的时间序列预测模型可以自适应地捕捉到复杂非线性流形里的微小变化，并从中提取有效特征。基于动态图学习的时间序列预测算法可以大幅提升预测精度和可靠性；基于动态图学习的预测算法可以充分利用多源数据来提供更为全面、准确地预测结果。
1.一种基于动态图学习的时间序列预测系统，其特征在于：包括：
2.根据权利要求1所述的一种基于动态图学习的时间序列预测系统，其特征在于：数据获取模块获取的电网系统数据包括日用电量记录，获取的气象系统数据包括日温度数据。
3.根据权利要求2所述的一种基于动态图学习的时间序列预测系统，其特征在于：区域经济指数构建模块在构建区域经济指数时，
4.根据权利要求3所述的一种基于动态图学习的时间序列预测系统，其特征在于：动态图时间序列预测模块工作时：
5.根据权利要求4所述的一种基于动态图学习的时间序列预测系统，其特征在于：结论筛选模块工作时：
6.一种基于动态图学习的时间序列预测方法，其特征在于：包括以下步骤：
7.根据权利要求6所述的一种基于动态图学习的时间序列预测方法，其特征在于：步骤2)区域经济指数构建模块在构建区域经济指数时，包括步骤：
8.根据权利要求7所述的一种基于动态图学习的时间序列预测方法，其特征在于：
9.一种计算机设备，其特征在于：所述设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码被所述一个或多个处理器执行时，实现如权利要求1-5任一项所述的时间序列预测系统。
10.一种存储介质，所述存储介质中存储有至少一条程序代码，其特征在于，所述程序代码被处理器执行时，实现如权利要求6-8任一项所述的一种基于动态图学习的时间序列预测方法的步骤。
