技术特征：
1.一种时间序列模型的周期项参数优化方法，其特征在于，所述方法包括：获取表征商品历史销量的时间序列数据，根据所述时间序列数据的时长对所述时间序列数据进行分割，得到用于优化所述周期项参数的训练集和验证集；当根据所述训练集和所述验证集确定所述时间序列数据存在周期性时，确定所述时间序列数据的周期类型；根据所述周期类型获取所述时间序列模型中周期项参数对应的初始搜索区间值；基于贝叶斯信息准则，在所述初始搜索区间值遍历所述周期项参数对应的各贝叶斯信息量值，根据所述贝叶斯信息量值确定所述周期项参数的目标参数值。2.根据权利要求1所述的方法，其特征在于，所述基于贝叶斯信息准则，在所述初始搜索区间值遍历所述周期项参数对应的各贝叶斯信息量值，根据各所述贝叶斯信息量值确定所述周期项参数的目标参数值，包括：基于贝叶斯信息准则，在所述初始搜索区间值遍历所述周期项参数对应的各贝叶斯信息量值，确定当前数值最小的贝叶斯信息量值；根据所述当前数值最小的贝叶斯信息量值确定所述周期项参数的目标参数值。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：若各所述贝叶斯信息量值在所述初始搜索区间值不满足单调递增函数关系，获取所述周期项参数的单调递增长度值和周期项参数阈值；根据所述单调递增长度值和周期项参数阈值更新所述初始搜索区间，得到更新搜索区间；以所述当前数值最小的贝叶斯信息量值对应的周期项参数的参数值为起始点，预设步长值增加所述周期项参数的参数值，基于所述基于贝叶斯信息准则，在所述更新搜索区间遍历所述周期项参数对应的各候选贝叶斯信息量值；若各所述候选贝叶斯信息量值大于或等于所述当前数值最小的贝叶斯信息量值，则不更新所述目标参数值；若各所述候选贝叶斯信息量值中存在小于所述当前数值最小的贝叶斯信息量值时，确定所述数值最小的候选贝叶斯信息量值对应周期项参数值的候选参数值，将所述候选参数值作为目标参数值。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于贝叶斯信息准则，在所述初始搜索区间值遍历所述周期项参数对应的贝叶斯信息量值；若所述贝叶斯信息量值在所述初始搜索区间值满足单调递增函数关系，将数值最小的贝叶斯信息量值对应的周期项参数的参数值作为目标参数值。5.根据权利要求1所述的方法，其特征在于，所述根据所述时间序列数据的时长对所述时间序列数据进行分割，得到用于优化所述周期项参数的训练集和验证集，包括：根据所述时长对应的预设总时长区间，确定训练集和验证集的分割比值；根据所述分割比值对所述时间序列数据进行分割，得到用于优化所述周期项参数的训练集和验证集。6.根据权利要求1所述的方法，其特征在于，所述时间序列数据存在周期性的确定方法包括：
获取所述时间序列模型中的周期性模型，通过所述训练集训练所述周期性模型，得到训练好的周期性模型；通过所述验证集对所述训练好的周期性模型进行验证，得到周期参数组集；若根据评价指标从所述周期参数组集中存在所述训练好的周期性模型的目标周期参数组，确定所述时间序列数据存在周期性。7.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：根据所述目标参数值和所述周期性模型的周期长度对周期模型中的参数进行拟合，得到所述周期性模型的估计参数值组，确定目标周期性模型，得到目标时间序列模型。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取用于预测商品销量的预测时间序列数据和预测时间段；确定所述预测时间序列数据的预测颗粒度；将所述预测时间序列数据输入至所述目标时间序列模型中，根据所述预测颗粒度确定在商品所述预测时间段的预测销量值。9.一种时间序列模型的周期项参数优化装置，其特征在于，所述装置包括：分割模块，获取表征商品历史销量的时间序列数据，根据所述时间序列数据的时长对所述时间序列数据进行分割，得到用于优化所述周期项参数的训练集和验证集；确定模块，用于当根据所述训练集和所述验证集确定所述时间序列数据存在周期性时，确定所述时间序列数据的周期类型；获取模块，用于根据所述周期类型获取所述时间序列模型中周期项参数对应的初始搜索区间值；优化模块，用于基于贝叶斯信息准则，在所述初始搜索区间值遍历所述周期项参数对应的各贝叶斯信息量值，根据所述贝叶斯信息量值确定所述周期项参数的目标参数值。10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
技术总结
本申请涉及一种时间序列模型的周期项参数优化方法、装置、计算机设备和存储介质。所述方法包括：获取表征商品历史销量的时间序列数据，根据时间序列数据的时长对时间序列数据进行分割，得到用于优化周期项参数的训练集和验证集；当根据训练集和验证集确定时间序列数据存在周期性时，确定时间序列数据的周期类型；根据周期类型获取时间序列模型中周期项参数对应的初始搜索区间值；基于贝叶斯信息准则，在初始搜索区间值遍历周期项参数对应的各贝叶斯信息量值，根据贝叶斯信息量值确定周期项参数的目标参数值。采用本方法能够提高时间序列模型预测的准确性。列模型预测的准确性。列模型预测的准确性。
技术研发人员：戴妍妍 杜堃 刘星宇 幺忠玮 肖沙沙 石颖 金晶
受保护的技术使用者：上海顺如丰来技术有限公司
技术研发日：2020.06.24
技术公布日：2021/12/23