摘要: 趋势预测是指通过提取和分析数据中有用的信息和模式，进行未来预测的一类任务。长期以来，趋势预测在工业界和学术领域都颇受欢迎，也在很多应用场景中都起到了至关重要的作用。比如近年来兴起的线上消费模式中，商家会比较关注库存量应该保持在多少... 展开 趋势预测是指通过提取和分析数据中有用的信息和模式，进行未来预测的一类任务。长期以来，趋势预测在工业界和学术领域都颇受欢迎，也在很多应用场景中都起到了至关重要的作用。比如近年来兴起的线上消费模式中，商家会比较关注库存量应该保持在多少才能够满足客户的需求，投资者希望能提前预知股票的涨跌来进行投资理财策略的制定，医生希望能提前判断出用哪种治疗方案对患者未来的痊愈起到最好效果等。总而言之，对趋势预测进行研究和应用对引爆互联网经济、为智能商务制定商业策略、提升服务满意度等方面都有着重要意义。由于不同应用情境对趋势预测在准确性、稳定性和可解释性方面的关注有所差异，如何利用数据挖掘技术对不同情境进行分析和建模，满足趋势预测在特定情境的需求，已经成为计算机学科及相关交叉学科的研究热点。 现阶段，尽管各种不同类型的趋势预测方法已投入使用并取得一定的成绩，但特定情境下的趋势预测方法研究仍面临着数据关系多元、不确定性多以及可解释性差等挑战。为此，本文系统性地开展了融合情境信息的趋势预测建模方法的探索性研究工作。具体地，在准确性方面，针对数据关系多元难以有效融合与表示等问题，提出了面向情境多元关系的需求预测算法;在稳定性方面，针对未来状态复杂多变和预测过程存在不确定性等问题，提出了面向情境不确定性的时序预测算法;在可解释性方面，针对数据偏差等问题，提出了面向情境因果关系的时序预测算法。本文的主要工作与贡献可以概括如下: (1)从准确性方面，本文研究情境多元关系的需求预测算法。随着现如今数据获取渠道的丰富，对产品进行趋势预测往往面临着多元的数据关系，我们称之为情境的多元关系。从产品需求预测的情境出发，这种多元关系包括产品内部的关系以及产品外部的关系。由于产品内部的层级关系以及合作竞争关系与未来趋势直接相关，如何建模产品内部关系在未来趋势预测中发挥的作用成为我们的一个研究关注点。另外，产品外部关系中存在产品与市场的关系，市场的高流动性会对产品未来趋势变化产生影响，如何建模整个市场环境变化下产品的趋势变化成为我们的另一个研究关注点。为此，在面向情境多元关系的趋势预测中，我们首先分析了产品之间的关系，提出了基于多任务学习的回归预测模型，并结合应用场景特点引入了经济学中的投资组合理论，为产品数量的配置进行了有效优化。其次，我们构建了产品与市场的动态图结构，提出了基于注意力机制和自适应技术的递归图神经网络算法，达到产品实时需求量预测的目的。实验结果表明，通过对产品内外部关系的建模，显著提升了趋势预测在多元关系情境中的准确率，且提高了资源的合理分配。 (2)从稳定性方面，本文研究情境不确定性的时序预测算法。趋势预测是根据过去历史的数据来预测未来的状况，面对实时变动场景下的趋势预测而言，一个直观的挑战是不确定性比较多，我们称之为情境的不确定性。导致不确定性最直接的原因在于数据层面，一方面是未来数据无法观测的事实，另一方面是可观测的序列数据本身随机性的特点，都导致了趋势预测中数据层面的不确定性。此外，除了数据层面存在的不确定性，预测模型自身也存在一定的不确定性。比如应用范围最广的有监督模型，其依赖目标数据的训练特性为模型引入了不确定性。为此，针对该情境中存在的不确定性问题，我们同时考虑数据不确定性和模型不确定性两个角度，通过改进统计学中耦合函数的技术，提出了基于自监督方式的表征模型，为产品在未来的状态进行高维表示，进而提高了不确定性情境下游趋势预测任务的稳定性。 (3)从可解释性方面，本文研究情境因果关系的时序预测算法。随着深度学习方法在趋势预测问题上的不断开发和应用，大家对预测模型在可解释性方面也有了一定的要求。除了模型本身的可解释性之外，趋势预测问题的一个前沿关注点是更希望模型能理解不同决策对未来趋势所产生的影响。特别是在决策辅助时需要了解预测的因果关系，我们称之为情境的因果关系。为此，我们从因果推断的角度出发，解决时序数据中个体效应估计下的趋势预测问题。不同于只关注预测损失的方法，我们提出的时序干预效应预测方法可以在多个干预方案作用下预测潜在的结果，并且解决因果推断中的选择偏差、时序数据中的时变偏差，以及多干预效应混合的问题。通过在游戏和医疗两个场景下的数据进行实验，验证了所提出模型对于理解不同决策下未来趋势的变化有一定的帮助，为智能决策的制定提供了辅助作用。 收起