CN110222149A - 一种基于新闻舆情的时间序列预测方法 - Google Patents

一种基于新闻舆情的时间序列预测方法 Download PDF

Info

Publication number
CN110222149A
CN110222149A CN201910412987.0A CN201910412987A CN110222149A CN 110222149 A CN110222149 A CN 110222149A CN 201910412987 A CN201910412987 A CN 201910412987A CN 110222149 A CN110222149 A CN 110222149A
Authority
CN
China
Prior art keywords
news
vector
time series
timeslice
public sentiment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910412987.0A
Other languages
English (en)
Other versions
CN110222149B (zh
Inventor
李玉华
赵军豪
李瑞轩
辜希武
袁佳丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910412987.0A priority Critical patent/CN110222149B/zh
Publication of CN110222149A publication Critical patent/CN110222149A/zh
Application granted granted Critical
Publication of CN110222149B publication Critical patent/CN110222149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于新闻舆情的时间序列预测方法，包括：根据时序数据的时间片信息获取包含目标关键词的新闻，计算每个时间片对应新闻的舆情向量；时间序列数据和计算得到的舆情向量构成新数据集，利用卷积神经网络获取新数据集的历史长期依赖特征和历史短期依赖特征；将新数据集和获取到的历史长期依赖特征、历史短期依赖特征作为训练集，输入搭建好的LSTM网络中进行训练，训练完成后得到时间序列预测模型；将待预测的时间序列数据和对应的新闻输入到所述时间序列预测模型中进行预测，得到预测的目标信息。本发明融合实时性强的新闻来解决突发情况对时序数据的影响，同时发掘时序数据的长短期依赖特征，使得预测效果更加稳定和精确。

Description

一种基于新闻舆情的时间序列预测方法
技术领域
本发明属于时间序列预测技术领域，更具体地，涉及一种基于新闻舆情的时间序列预测方法。
背景技术
时间序列是随着时间变化的某种现象的数字序列，如物品的销量序列、价格变动序列、某支股票价格的变化、某地降雨量变化等。时间序列预测是对这一数字序列进行处理，分析，并发现其变化规律，时间序列预测对国计民生具有重要的意义，如对电影的票房预测使得影院能够更好的排片，对地区的经济情况进行预测，为公司、国家的投资提供支持等等。
传统的时间序列预测方法以统计学方法为主，其中差分自回归移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)是统计学方法中最广泛使用的用于时间序列预测的模型之一，该方法实现简单，训练速度快，但是ARIMA模型具有很大的局限性，它要求时序数据是稳定的，这在实际应用中基本是不存在的。近年来，神经网络技术的研究取得了实质的进展，神经网络模拟人类神经元的结构，以多层感知机(Multi-Layer Perception，MLP)为基础而构建，利用反向传播(BackPropagation，BP)算法进行训练，从诞生起就以强大的非线性拟合能力而被广泛应用。二十世纪八十-九十年代，卷积神经网络(ConvolutionalNeural Networks,CNN)和循环神经网络(RecurrentNeuralNetwork,RNN)相继诞生和发展，卷积神经网络是根据生物的视知觉特点构建；循环神经网络自身结构就能够表现文本，语音等内在的时序特征，不仅能够记忆历史规律信息，而且能够拟合非常复杂的非线性问题，因此，循环神经网络及其改进型在时间序列预测中具有非常好的效果。
但是循环神经网络及其改进型存在一个很严重的问题就是不能够记忆长远的历史信息，导致预测不够准确，这是因为梯度反向传播过程中容易出现梯度消失或梯度爆炸等一系列问题；此外，循环神经网络及其改进型通过发掘时间序列数据的历史规律来对未来的情况进行预测，而历史规律不能够反映突发事件对预测结果的影响，当突发事件出现时也会使预测结果不准确。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于新闻舆情的时间序列预测方法，旨在解决现有时间序列预测方法根据时序数据的历史规律来对未来情况进行预测，当突发事件出现时预测结果不准确的问题。
为实现上述目的，本发明提供了一种基于新闻舆情的时间序列预测方法，包括：
(1)根据时间序列数据的时间片信息获取包含目标关键词的新闻，并计算每个时间片对应新闻的舆情向量；
(2)所述时间序列数据和计算得到的舆情向量构成新数据集，利用卷积神经网络获取所述新数据集的历史长期依赖特征和历史短期依赖特征；
(3)将所述新数据集和获取到的历史长期依赖特征、历史短期依赖特征作为训练集，输入搭建好的LSTM网络中进行训练，训练完成后得到时间序列预测模型；
(4)将待预测的时间序列数据和对应的新闻输入到所述时间序列预测模型中进行预测，得到预测的目标信息。
进一步地，步骤(1)中所述计算每个时间片对应新闻的舆情向量，具体包括：
(1.1)对获取的所有新闻进行分词处理，并去掉停用词；
(1.2)对去除停用词后的所有新闻进行向量表示，并对同一时间片对应的新闻向量求平均，得到每个时间片对应的平均向量；
(1.3)将每个时间片对应的平均向量输入LSTM网络，得到每个时间片的新闻表示矩阵；
(1.4)对每个时间片的新闻表示矩阵进行非线性变换，并对非线性变换后的新闻表示矩阵中的每一行向量进行归一化，得到多个注意力表示向量组成的矩阵；
(1.5)根据每个时间片的新闻表示矩阵和多个注意力表示向量组成的矩阵，得到每个时间片对应新闻的舆情向量。
进一步地，步骤(1.2)中所述对同一时间片对应的新闻向量求平均，具体包括：
(1.2.1)选取同一时间片对应的新闻向量中长度最长的新闻向量作为标准；
(1.2.2)对同一时间片对应的其他新闻向量进行末尾补0，使同一时间片对应的所有新闻向量长度相同；
(1.2.3)对长度统一后的新闻向量求平均。
进一步地，步骤(1.3)中所述将每个时间片对应的平均向量输入LSTM网络具体为，当某一时间片对应的平均向量缺失，则将前一时间片对应的平均向量作为所述某一时间片的平均向量输入LSTM网络。
进一步地，步骤(1.4)中所述注意力表示向量的个数为5。
进一步地，步骤(2)中所述利用卷积神经网络获取所述新数据集的历史长期依赖特征，历史时间片长度设为90个时间片；
所述利用卷积神经网络获取新数据集的历史短期依赖特征，历史时间片长度设为3个时间片。
进一步地，步骤(3)中所述LSTM网络层数为2，学习率为0.002。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
(1)本发明利用实时性强的新闻来反映时间序列预测中突发事件的影响，并提出基于自注意力机制和LSTM结合的舆情分析方法，通过将新闻舆情表示为多个不同的向量，为时间序列预测提供丰富的新闻舆情支持，从而提高突发情况发生时预测结果的准确度。
(2)本发明通过建立基于LSTM和CNN的时间序列预测模型，挖掘历史长期依赖特征和历史短期依赖特征，既利用了LSTM善于处理时间序列数据的特点，又同时考虑到不同长度历史规律对预测结果的影响，两者结合使得预测效果更佳稳定和精确，避免受到复杂序列变化的欺骗。
附图说明
图1为本发明实施例提供的一种基于新闻舆情的时间序列预测方法流程图；
图2为本发明实施例提供的一种基于Self-Attention和LSTM的舆情分析方法流程图；
图3为本发明实施例提供的一种基于CNN的历史长短期依赖特征提取方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1，本发明实施例提供了一种基于新闻舆情的时间序列预测方法，包括：
(1)根据时间序列数据的时间片信息获取包含目标关键词的新闻，并计算每个时间片对应新闻的舆情向量；
具体地，本发明中的时间序列数据是指与待预测目标相关的统计数据，比如要预测某股票未来的开盘价，那么时间序列数据就包含该股票每天的最高价、最低价、涨跌幅和成交量等统计指标；以预测“科大讯飞”的股票价格为例，则获取的新闻都是包含“科大讯飞”关键词的新闻信息；
可以使用python语言构建爬虫程序，获取互联网新闻，爬虫程序获取的新闻包含新闻文本与其对应的时间戳；
如图2所示，步骤(1)中计算每个时间片对应新闻的舆情向量，具体包括：
(1.1)对获取的所有新闻进行分词处理，并去掉停用词；
(1.2)对去除停用词后的所有新闻进行向量表示，并对同一时间片对应的新闻向量求平均，得到每个时间片对应的平均向量；
其中，新闻向量是将获取到的所有新闻去除停用词后，剩下的所有词的词向量拼接在一起组成的向量；每个时间片对应的平均向量如图2中w1、w2、…wn拼接在一起组成的向量，wi(i＝1，2，…n)是将每个时间片对应的所有新闻向量第i个词的词向量进行平均后的向量；
因为每个时间片内每条新闻所包含词的个数并不相同，那么每条新闻的长度也不同，为了能够计算平均值，需要将所有新闻向量的长度变成相等的；对此本发明采取的方法为：
选取同一时间片对应的新闻向量中长度最长的新闻向量作为标准；
对同一时间片对应的其他新闻向量进行末尾补0，使同一时间片对应的所有新闻向量长度相同；
对长度统一后的新闻向量求平均。
(1.3)将每个时间片对应的平均向量输入LSTM网络，得到每个时间片的新闻表示矩阵；
具体地，将每个时间片对应的平均向量输入两层叠加的LSTM网络，经过计算得到由LSTM(Long Short-Term Memory，长短期记忆网络)各个隐含层的输出h1，h2，…hn，然后将h1，h2，…hn拼接成每个时间片的新闻表示矩阵M，M的大小为u*n，n表示LSTM隐含层输出的个数，u表示各个隐含层输出的维度。
某时间片获取到的新闻条数可能为0，那么该时间片对应的平均向量缺失，本发明将前一时间片对应的平均向量作为该时间片的平均向量输入LSTM网络；
(1.4)对每个时间片的新闻表示矩阵进行非线性变换，并对非线性变换后的新闻表示矩阵中的每一行向量进行归一化，得到多个注意力表示向量组成的矩阵；
具体地，每个时间片的新闻表示矩阵M进行非线性变换，然后对非线性变换后的矩阵中每一行的向量进行归一化，从而得到多个注意力表示向量组成的矩阵A，矩阵A的大小为r*n，其中r表示Self-Attention分配向量的个数。
(1.5)根据每个时间片的新闻表示矩阵和多个注意力表示向量组成的矩阵，得到每个时间片对应新闻的舆情向量。
具体地，将矩阵A和矩阵M相乘后得到的矩阵展开，得到新闻舆情表示向量E，本发明中注意力表示向量的个数为5，以降低舆情向量维度，使得模型更容易训练；
本发明提出基于自注意力机制(Self-Attention)和LSTM结合的舆情分析方法，不仅可以关注新闻中的目标关键词，而且可以将新闻舆情表示为多个不同的向量，相当于从多个不同的角度对新闻舆情进行了表示，从而为后面的预测过程提供丰富的舆情支持，提高模型预测准确度。
(2)所述时间序列数据和计算得到的舆情向量构成新数据集，利用卷积神经网络获取所述新数据集的历史长期依赖特征和历史短期依赖特征；
具体地，考虑到时间序列中有的时间片受历史短期依赖特征影响大，有的时间片受历史长期依赖特征大，为提高预测稳定度和准确性，需要考虑到不同长度历史规律对预测结果的影响，因此本发明使用一维卷积神经网络提取时序数据的历史长期依赖特征和历史短期依赖特征，提取方法如图3所示，包括以下步骤：
(2.1)使用一维卷积神经网络按照时间窗口大小在时间轴上滑动，提取时序数据的历史长期依赖特征；
时间窗口是指当前时间片的预测所需要使用的历史时间片长度，假设有时间序列X＝{xt|t＝1,2,...,n}，那么在时间片t将序列X＝{xt|t＝t-1,t-2,...,t-p}通过卷积和池化得到时间片t的历史信息的卷积特征，设置不同大小的历史时间片长度p，分别得到历史的长期和短期依赖特征。p值越大表示提取历史信息所跨越的时间片越长。在图3中，每次从时间序列数据折线图中分别截取长度不同的两段历史数据，并提取相应的历史长期依赖特征和历史长期依赖特征；通过实验得到，将历史长期依赖特征的历史时间片长度设为90个时间片；历史短期依赖特征的历史时间片长度为3个时间片，模型的预测效果更好。
(2.2)将提取相应的历史长期依赖特征和历史长期依赖特征进行拼接得到向量F，然后将向量F输入全连接层，对提取的历史长期依赖特征和历史长期依赖特征进行非线性变换，最后得到向量R。
(3)将所述新数据集和获取到的历史长期依赖特征、历史短期依赖特征作为训练集，输入搭建好的LSTM网络中进行训练，训练完成后得到时间序列预测模型；
具体地，通过实验发现，将LSTM网络层数设为2，得到的模型不容易过拟合，预测效果更好；将学习率设为0.002，使得迭代参数更容易更新至最小值，得到的模型预测结果更加准确。
(4)将待预测的时间序列数据和对应的新闻输入到所述时间序列预测模型中进行预测，得到预测的目标信息。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于新闻舆情的时间序列预测方法，其特征在于，包括：
(1)根据时间序列数据的时间片信息获取包含目标关键词的新闻，并计算每个时间片对应新闻的舆情向量；
(2)所述时间序列数据和计算得到的舆情向量构成新数据集，利用卷积神经网络获取所述新数据集的历史长期依赖特征和历史短期依赖特征；
(3)将所述新数据集和获取到的历史长期依赖特征、历史短期依赖特征作为训练集，输入搭建好的LSTM网络中进行训练，训练完成后得到时间序列预测模型；
(4)将待预测的时间序列数据和对应的新闻输入到所述时间序列预测模型中进行预测，得到预测的目标信息。
2.根据权利要求1所述的一种基于新闻舆情的时间序列预测方法，其特征在于，步骤(1)中所述计算每个时间片对应新闻的舆情向量，具体包括：
(1.1)对获取的所有新闻进行分词处理，并去掉停用词；
(1.2)对去除停用词后的所有新闻进行向量表示，并对同一时间片对应的新闻向量求平均，得到每个时间片对应的平均向量；
(1.3)将每个时间片对应的平均向量输入LSTM网络，得到每个时间片的新闻表示矩阵；
(1.4)对每个时间片的新闻表示矩阵进行非线性变换，并对非线性变换后的新闻表示矩阵中的每一行向量进行归一化，得到多个注意力表示向量组成的矩阵；
(1.5)根据每个时间片的新闻表示矩阵和多个注意力表示向量组成的矩阵，得到每个时间片对应新闻的舆情向量。
3.根据权利要求2所述的一种基于新闻舆情的时间序列预测方法，其特征在于，步骤(1.2)中所述对同一时间片对应的新闻向量求平均，具体包括：
(1.2.1)选取同一时间片对应的新闻向量中长度最长的新闻向量作为标准；
(1.2.2)对同一时间片对应的其他新闻向量进行末尾补0，使同一时间片对应的所有新闻向量长度相同；
(1.2.3)对长度统一后的新闻向量求平均。
4.根据权利要求2所述的一种基于新闻舆情的时间序列预测方法，其特征在于，步骤(1.3)中所述将每个时间片对应的平均向量输入LSTM网络具体为，当某一时间片对应的平均向量缺失，则将前一时间片对应的平均向量作为所述某一时间片的平均向量输入LSTM网络。
5.根据权利要求2所述的一种基于新闻舆情的时间序列预测方法，其特征在于，步骤(1.4)中所述注意力表示向量的个数为5。
6.根据权利要求1-5任一项所述的一种基于新闻舆情的时间序列预测方法，其特征在于，步骤(2)中所述利用卷积神经网络获取所述新数据集的历史长期依赖特征，历史时间片长度设为90个时间片；
所述利用卷积神经网络获取新数据集的历史短期依赖特征，历史时间片长度设为3个时间片。
7.根据权利要求1-6任一项所述的一种基于新闻舆情的时间序列预测方法，其特征在于，步骤(3)中所述LSTM网络层数为2，学习率为0.002。
CN201910412987.0A 2019-05-17 2019-05-17 一种基于新闻舆情的时间序列预测方法 Active CN110222149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910412987.0A CN110222149B (zh) 2019-05-17 2019-05-17 一种基于新闻舆情的时间序列预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910412987.0A CN110222149B (zh) 2019-05-17 2019-05-17 一种基于新闻舆情的时间序列预测方法

Publications (2)

Publication Number Publication Date
CN110222149A true CN110222149A (zh) 2019-09-10
CN110222149B CN110222149B (zh) 2021-07-27

Family

ID=67821291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910412987.0A Active CN110222149B (zh) 2019-05-17 2019-05-17 一种基于新闻舆情的时间序列预测方法

Country Status (1)

Country Link
CN (1) CN110222149B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110968272A (zh) * 2019-12-16 2020-04-07 华中科技大学 基于时间序列预测的海量小文件存储性能优化方法及系统
CN111221938A (zh) * 2019-11-20 2020-06-02 鹏城实验室 一种预测结果生成方法、终端及存储介质
CN111291673A (zh) * 2020-02-04 2020-06-16 贵州省人民医院 一种预测时序信号分类的方法、装置、服务器及存储介质
CN111651935A (zh) * 2020-05-25 2020-09-11 成都千嘉科技有限公司 一种非平稳时间序列数据的多维度扩充预测方法与装置
CN112348269A (zh) * 2020-11-11 2021-02-09 北京航空航天大学 一种融合图结构的时间序列预测建模方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9311423B1 (en) * 2010-02-19 2016-04-12 Go Daddy Operating Company, LLC System and method for website categorization
CN108647828A (zh) * 2018-05-15 2018-10-12 中山大学 一种结合新闻语料和股市交易数据的股票预测方法
CN108664632A (zh) * 2018-05-15 2018-10-16 华南理工大学 一种基于卷积神经网络和注意力机制的文本情感分类算法
CN108764460A (zh) * 2018-05-16 2018-11-06 华中科技大学 一种基于时间卷积和lstm的时间序列预测方法
CN109165561A (zh) * 2018-07-27 2019-01-08 北京以萨技术股份有限公司 一种基于视频特征的交通拥堵识别方法
CN109299268A (zh) * 2018-10-24 2019-02-01 河南理工大学 一种基于双通道模型的文本情感分析方法
CN109344391A (zh) * 2018-08-23 2019-02-15 昆明理工大学 基于神经网络的多特征融合中文新闻文本摘要生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9311423B1 (en) * 2010-02-19 2016-04-12 Go Daddy Operating Company, LLC System and method for website categorization
CN108647828A (zh) * 2018-05-15 2018-10-12 中山大学 一种结合新闻语料和股市交易数据的股票预测方法
CN108664632A (zh) * 2018-05-15 2018-10-16 华南理工大学 一种基于卷积神经网络和注意力机制的文本情感分类算法
CN108764460A (zh) * 2018-05-16 2018-11-06 华中科技大学 一种基于时间卷积和lstm的时间序列预测方法
CN109165561A (zh) * 2018-07-27 2019-01-08 北京以萨技术股份有限公司 一种基于视频特征的交通拥堵识别方法
CN109344391A (zh) * 2018-08-23 2019-02-15 昆明理工大学 基于神经网络的多特征融合中文新闻文本摘要生成方法
CN109299268A (zh) * 2018-10-24 2019-02-01 河南理工大学 一种基于双通道模型的文本情感分析方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111221938A (zh) * 2019-11-20 2020-06-02 鹏城实验室 一种预测结果生成方法、终端及存储介质
CN111221938B (zh) * 2019-11-20 2024-02-23 鹏城实验室 一种预测结果生成方法、终端及存储介质
CN110968272A (zh) * 2019-12-16 2020-04-07 华中科技大学 基于时间序列预测的海量小文件存储性能优化方法及系统
CN111291673A (zh) * 2020-02-04 2020-06-16 贵州省人民医院 一种预测时序信号分类的方法、装置、服务器及存储介质
CN111651935A (zh) * 2020-05-25 2020-09-11 成都千嘉科技有限公司 一种非平稳时间序列数据的多维度扩充预测方法与装置
CN112348269A (zh) * 2020-11-11 2021-02-09 北京航空航天大学 一种融合图结构的时间序列预测建模方法

Also Published As

Publication number Publication date
CN110222149B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN110222149A (zh) 一种基于新闻舆情的时间序列预测方法
Wu et al. S_I_LSTM: stock price prediction based on multiple data sources and sentiment analysis
Cavalli et al. CNN-based multivariate data analysis for bitcoin trend prediction
Zhang et al. A hybrid model based on bidirectional long short-term memory neural network and Catboost for short-term electricity spot price forecasting
CN113905391B (zh) 集成学习网络流量预测方法、系统、设备、终端、介质
CN110263160A (zh) 一种计算机问答系统中的问句分类方法
CN108694476A (zh) 一种结合财经新闻的卷积神经网络股票价格波动预测方法
CN107066973A (zh) 一种利用时空注意力模型的视频内容描述方法
US11423436B2 (en) Interpretable click-through rate prediction through hierarchical attention
US11997058B2 (en) Systems and methods for generating dynamic conversational responses using trained machine learning models
CN112528163B (zh) 一种基于图卷积网络的社交平台用户职业预测方法
CN110162626A (zh) 一种基于双向lstm的舆情情感热度熵的计算方法
CN115082147A (zh) 一种基于超图神经网络的序列推荐方法及装置
Miao et al. Tracking social media during the COVID-19 pandemic: The case study of lockdown in New York State
Štubňová et al. Estimation of residential property market price: comparison of artificial neural networks and hedonic pricing model
Van Quan et al. Real-time earthquake detection using convolutional neural network and social data
Muhammad et al. A hybrid deep stacked LSTM and GRU for water price prediction
Saitulasi et al. Deep Belief Network and Sentimental analysis for extracting on multi-variable Features to predict Stock market Performance and accuracy
Hwang et al. Recent deep learning methods for tabular data
Song et al. avtmNet: adaptive visual-text merging network for image captioning
CN115630651A (zh) 文本生成方法和文本生成模型的训练方法、装置
CN111768024A (zh) 一种基于注意力机制的刑期预测方法、设备及存储设备
Wu et al. Research on the Application of Deep Learning-based BERT Model in Sentiment Analysis
Hegde et al. Price prediction of agriculture commodities using machine learning and NLP
US20220092269A1 (en) Systems and methods for generating dynamic conversational responses through aggregated outputs of machine learning models

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant