CN110619423A - 多任务预测方法、装置、电子设备及存储介质 - Google Patents
多任务预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110619423A CN110619423A CN201910722718.4A CN201910722718A CN110619423A CN 110619423 A CN110619423 A CN 110619423A CN 201910722718 A CN201910722718 A CN 201910722718A CN 110619423 A CN110619423 A CN 110619423A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- prediction
- task
- training
- 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
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供一种多任务预测方法、装置、电子设备及存储介质。所述多任务预测方法能够当接收到预测指令时,获取当前场景数据,确定所述当前场景数据所属的目标任务,判断所述目标任务是否为首次出现的预测任务,当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据,按照比例划分所述目标数据,得到第一数据集及第二数据集,对所述第一数据集进行预处理,得到数据特征,将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果,采用长短期记忆算法训练所述至少一个预测结果,得到目标模型,将所述第二数据集输入至所述目标模型中,得到目标结果,既能通过目标模型按需预测,又能根据所述预测任务进行时序预测。
Description
技术领域
本发明涉及智能决策技术领域,尤其涉及一种多任务预测方法、装置、电子设备及存储介质。
背景技术
随着人工智能的快速发展,计算机技术在各行各业中方便着人们的生活,在对特定场景的预测方面也不例外。然而,在现有的技术方案中,对多种场景进行预测,需要针对每一种场景训练一个模型,从而导致预测的效率低下,因此,如何训练出一个对多种场景进行预测的模型成了亟待解决的问题,除此之外,每次对相同的任务进行预测时,仍然需要从互联网中获取数据预测,这也降低了预测的效率。
发明内容
鉴于以上内容,有必要提供一种多任务预测方法、装置、电子设备及存储介质,能够通过目标模型按需预测,还能够根据所述预测任务进行时序性的预测。
一种多任务预测方法,所述方法包括:
当接收到预测指令时,获取当前场景数据;
根据所述当前场景数据,确定所述当前场景数据对应的目标任务;
判断所述目标任务是否为首次出现的预测任务;
当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据;
按照比例拆分所述目标数据,得到第一数据集及第二数据集;
对所述第一数据集进行预处理,得到数据特征;
将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果;
采用长短期记忆算法训练所述至少一个预测结果,得到目标模型;
将所述第二数据集输入至所述目标模型中,得到目标结果。
根据本发明优选实施例,所述获取与所述目标任务相关的目标数据包括以下一种或者多种方式的组合:
采用网络爬虫技术从互联网中获取与所述目标任务相关的目标数据;及/或
接收用户上传的与所述目标任务相关的目标数据。
根据本发明优选实施例,所述对所述第一数据集进行预处理,得到数据特征包括:
对所述第一数据集进行偏差检测,得到偏差数据;
删除所述偏差数据,得到所述数据特征。
根据本发明优选实施例,在将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果之前,所述方法还包括:
获取与所述目标任务相关的第一训练集,其中,所述第一训练集与所述第一数据集不相交;
采用神经网络算法及/或线性回归算法训练所述第一训练集,得到所述至少一个模型。
根据本发明优选实施例,所述采用长短期记忆算法训练所述至少一个预测结果,得到目标模型包括:
将所述至少一个预测结果输入到遗忘门层进行遗忘处理,得到第二训练数据;
采用交叉验证法将所述第二训练数据划分为第二训练集及第二验证集;
将所述第二训练集输入到输入门层进行训练,得到次级学习器;
根据所述第二验证集,调整所述次级学习器,得到目标模型。
根据本发明优选实施例,在判断所述目标任务是否为首次出现的预测任务之后,所述方法还包括:
当判断所述目标任务不是首次出现的预测任务时,获取所述目标任务首次出现时的目标数据;
将所述目标数据输入至所述目标模型中,得到目标结果。
根据本发明优选实施例,在将所述第二数据集输入至所述目标模型中,得到目标结果后,所述方法还包括:
检测所述目标结果是否出现异常;
当检测到所述目标结果出现异常时,生成警报信息;
将所述警报信息发送到指定联系人的终端设备。
一种多任务预测装置,所述装置包括:
获取单元,用于当接收到预测指令时,获取当前场景数据;
确定单元,用于根据所述当前场景数据,确定所述当前场景数据对应的目标任务;
判断单元,用于判断所述目标任务是否为首次出现的预测任务;
所述获取单元,还用于当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据;
拆分单元,用于按照比例拆分所述目标数据,得到第一数据集及第二数据集;
预处理单元,用于对所述第一数据集进行预处理,得到数据特征;
输入单元,用于将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果;
训练单元,用于采用长短期记忆算法训练所述至少一个预测结果,得到目标模型;
所述输入单元,还用于将所述第二数据集输入至所述目标模型中,得到目标结果。
根据本发明优选实施例,所述获取单元获取与所述目标任务相关的目标数据包括以下一种或者多种方式的组合:
采用网络爬虫技术从互联网中获取与所述目标任务相关的目标数据;及/或
接收用户上传的与所述目标任务相关的目标数据。
根据本发明优选实施例,所述预处理单元具体用于:
对所述第一数据集进行偏差检测,得到偏差数据;
删除所述偏差数据,得到所述数据特征。
根据本发明优选实施例,所述获取单元,还用于在将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果之前,获取与所述目标任务相关的第一训练集,其中,所述第一训练集与所述第一数据集不相交;
所述训练单元,还用于采用神经网络算法及/或线性回归算法训练所述第一训练集,得到所述至少一个模型。
根据本发明优选实施例,所述训练单元采用长短期记忆算法训练所述至少一个预测结果,得到目标模型包括:
将所述至少一个预测结果输入到遗忘门层进行遗忘处理,得到第二训练数据;
采用交叉验证法将所述第二训练数据划分为第二训练集及第二验证集;
将所述第二训练集输入到输入门层进行训练,得到次级学习器;
根据所述第二验证集,调整所述次级学习器,得到目标模型。
根据本发明优选实施例,所述获取单元,还用于在判断所述目标任务是否为首次出现的预测任务之后,当判断所述目标任务不是首次出现的预测任务时,获取所述目标任务首次出现时的目标数据;
所述输入单元,还用于将所述目标数据输入至所述目标模型中,得到目标结果。
根据本发明优选实施例,所述装置还包括:
检测单元,用于在将所述第二数据集输入至所述目标模型中,得到目标结果后,检测所述目标结果是否出现异常;
生成单元,用于当检测到所述目标结果出现异常时,生成警报信息;
发送单元,用于将所述警报信息发送到指定联系人的终端设备。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述多任务预测方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述多任务预测方法。
由以上技术方案可以看出,本发明能够当接收到预测指令时,获取当前场景数据,根据所述当前场景数据,确定所述当前场景数据所属的目标任务,判断所述目标任务是否为首次出现的预测任务,当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据,按照比例划分所述目标数据,得到第一数据集及第二数据集,对所述第一数据集进行预处理,得到数据特征,将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果,采用长短期记忆算法训练所述至少一个预测结果,得到目标模型,将所述第二数据集输入至所述目标模型中,得到目标结果,不仅能够通过目标模型按需预测,还能够根据所述预测任务进行时序性的预测。
附图说明
图1是本发明多任务预测方法的较佳实施例的流程图。
图2是本发明多任务预测装置的较佳实施例的功能模块图。
图3是本发明实现多任务预测方法的较佳实施例的电子设备的结构示意图。
主要元件符号说明
电子设备 | 1 |
存储器 | 12 |
处理器 | 13 |
多任务预测装置 | 11 |
获取单元 | 110 |
确定单元 | 111 |
判断单元 | 112 |
拆分单元 | 113 |
预处理单元 | 114 |
输入单元 | 115 |
训练单元 | 116 |
生成单元 | 117 |
发送单元 | 118 |
检测单元 | 119 |
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明多任务预测方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述多任务预测方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到预测指令时,获取当前场景数据。
在本发明的至少一个实施例中,所述当前场景数据可以包括,但不限于:股票走势场景、产品销售量场景、疾病发病率场景等。
在本发明的至少一个实施例中,所述预测指令可以由用户触发,也可以在满足一定条件时自动触发,本发明不限制。
其中,所述满足一定条件包括,但不限于:满足预设时间等。
所述预设时间可以包括确定的时间点,或者包括一个时间段等,例如:所述预设时间可以是每天早上七点。
S11,根据所述当前场景数据,确定所述当前场景数据对应的目标任务。
在本发明的至少一个实施例中,所述电子设备根据所述当前场景数据,确定所述当前场景数据所属的目标任务包括:
所述电子设备将所述当前场景数据与预先配置的场景数据进行匹配,并将匹配的场景数据对应的任务确定为所述目标任务。
例如:所述目标任务可以包括,但不限于:预测A产品的销售量、预测X股票的股票走势、预测D疾病的发病率等。
通过上述实施方式,能够快速、准确地识别出所述目标任务,从而便于判断所述目标任务是否为首次出现的预测任务。
S12,判断所述目标任务是否为首次出现的预测任务。
在本发明的至少一个实施例中,所述电子设备判断所述目标任务是否为首次出现的预测任务包括:
所述电子设备检测所述目标任务,当检测到所述目标任务在预设时间点之前未被训练时,所述电子设备确定所述目标任务为首次出现的预测任务,当检测到所述目标任务在所述预设时间点之前被训练过时,所述电子设备确定所述目标任务不是首次出现的预测任务。其中,所述预设时间点可以包括接收到所述预测任务的时间,本发明不作限制。
通过上述实施方式,能够准确判断出所述目标任务是否为首次出现的预测任务,便于后续对所述目标任务进行处理。
S13,当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据。
在本发明的至少一个实施例中,所述电子设备获取与所述目标任务相关的目标数据包括,但不限于以下一种或者多种方式的组合:
(1)所述电子设备采用网络爬虫技术(Web crawler)从互联网中获取与所述目标任务相关的目标数据。
其中,所述互联网可以包括任何支持访问的网站,例如:百度、谷歌、腾讯、微博等。
进一步地,所述网络爬虫技术(又被称为网页蜘蛛,网络机器人),是一种按照一定的规则,自动地抓取万维网信息的方式。
例如:当所述目标任务为预测X股票的股票走势时,则所述目标数据为X股票过去预设时间段的走势;当所述目标任务为预测A产品的销售量时,则所述目标数据为A产品在过去预设时间段的销售量。
通过上述实施方式,能够获取到更多的目标数据,从而能够提高目标模型的训练效果,降低目标模型训练误差。
(2)所述电子设备接收所述用户上传的与所述目标任务相关的目标数据。
通过上述实施方式,能够获取到准确的目标数据,从而有利于后续得到更精确的目标模型。
S14,按照比例拆分所述目标数据,得到第一数据集及第二数据集。
在本发明的至少一个实施例中,所述电子设备按照比例拆分所述目标数据,得到第一数据集及第二数据集。
具体地,所述电子设备将所述目标数据中预设比例的目标数据确定为所述第一数据集,其中,所述第一数据集用于训练至少一个模型,进一步地,所述电子设备将所述目标数据中除所述第一数据集的目标数据确定为所述第二数据集,其中,所述第二数据集作为所述目标模型的输入数据。其中,所述预设比例不作限制,可以是0.8、0.6等。
S15,对所述第一数据集进行预处理,得到数据特征。
在本发明的至少一个实施例中,所述电子设备对所述第一数据集进行预处理,得到数据特征包括:
所述电子设备对所述第一数据集进行偏差检测,得到偏差数据,进一步地,所述电子设备删除所述偏差数据,得到所述数据特征。
在本发明的至少一个实施例中,所述电子设备采用基于密度的离群点检测方法对所述第一数据集进行偏差检测,得到偏差数据。
具体地,所述电子设备采用相对密度检测技术将所述第一数据集划分为若干个对象,分别计算每个对象的密度,进而得到每个对象的离群点得分,进一步地,所述电子设备计算每个对象的邻近平均密度,当所述对象的离群点得分小于所述对象对应的邻近平均密度时,将所述对象确定为偏差数据。
进一步地,所述电子设备将所述偏差数据从所述第一数据集中删除,得到所述数据特征。
通过上述实施方式,能够准确地得出并排除所述偏差数据,有利于后续准确地对目标模型进行训练,从而提高目标模型的准确性。
当然,对所述第一数据集进行预处理的方式,只要合法合理,本发明不作限制。
S16,将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果。
在本发明的至少一个实施例中,在将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果之前,所述电子设备训练所述至少一个模型。
具体地,所述电子设备训练所述至少一个模型包括,但不限于以下一种或者多种方式的组合:
(1)所述电子设备获取与所述目标任务相关的第一训练集,其中,所述第一训练集与所述第一数据集不相交;进一步地,所述电子设备采用神经网络算法训练所述第一训练集,得到所述至少一个模型。
具体地,所述电子设备对所述第一训练集进行归一化处理,进一步地,所述电子设备采用归一化处理后的第一训练集构建网络,得到第一网络,所述电子设备利用预先设定的学习率对所述第一网络进行训练,得到所述至少一个模型。
需要说明的是,训练得到的所述至少一个模型的学习率可以是相同的,也可以是不同的。当预先配置了一个学习率时,所述至少一个模型的学习率都无限接近所述学习率,而当配置了多个学习率时,则所述至少一个模型与所述多个学习率的关系可以自定义配置(例如:所述电子设备配置了学习率A及学习率B,并确定有3个模型需要依据所述学习率A训练,确定有4个模型需要依据所述学习率B训练,则所述至少一个模型为上述训练的7个模型)。
通过上述实施方式,能够得到较精确的模型,提高后续所述目标模型训练的精确度。
(2)所述电子设备获取与所述目标任务相关的第一训练集,其中,所述第一训练集与所述第一数据集不相交;进一步地,所述电子设备采用线性回归算法训练所述第一训练集,得到所述至少一个模型。
具体地,所述电子设备基于所述第一训练集构建模型,得到预测函数,进一步地,所述电子设备采用梯度下降算法缩小所述预测函数的误差,得到误差小于阈值的预测函数,即为所述至少一个模型。
其中,所述阈值是预先设定的,可以是:0.2等,本发明不作限制。
通过上述实施方式,所述电子设备能够快速得到模型,提高后续训练所述目标模型的速度。
在本发明的至少一个实施例中,所述电子设备将所述数据特征输入至预先训练的所述至少一个模型中,得到至少一个预测结果。
具体地,所述电子设备将所述数据特征输入至所述至少一个模型中的每个模型,得到每个模型的至少一个第一结果,进一步地,所述电子设备整合每个模型的至少一个第一结果,得到所述至少一个预测结果。
通过上述实施方式,能够得到多个预测结果,为训练所述目标模型提供了训练基础。
S17,采用长短期记忆算法训练所述至少一个预测结果,得到目标模型。
所述长短期记忆算法(Long Short-Term Memory,LSTM)包括三个网络层,其中,所述三个网络层分别为输入门层、遗忘门层以及输出门层。
在本发明的至少一个实施例中,所述电子设备采用长短期记忆算法训练所述至少一个预测结果,得到目标模型包括:
所述电子设备将所述至少一个预测结果输入到遗忘门层进行遗忘处理,得到第二训练数据,进一步地,所述电子设备采用交叉验证法将所述第二训练数据划分为第二训练集及第二验证集,将所述第二训练集输入到输入门层进行训练,得到次级学习器,根据所述第二验证集,调整所述次级学习器,得到目标模型。
在本发明的至少一个实施例中,所述电子设备采用交叉验证法将所述第二训练数据划分为第二训练集及第二验证集,具体包括:
所述电子设备将所述第二训练数据按照预设数目随机划分为至少一个数据包,将所述至少一个数据包中的任意一个数据包确定为所述第二验证集,其余的数据包确定为所述第二训练集,重复上述步骤,直至所有的数据包全都依次被用作为所述第二验证集。
例如:所述电子设备将所述第二训练数据划分为3个数据包,分别为数据包E、数据包F、数据包G,并将所述数据包E确定为所述验证集,数据包F以及数据包G确定为所述第二训练集。其次,将所述数据包F确定为所述验证集,数据包E以及数据包G确定为所述第二训练集。最后,所述数据包G确定为所述验证集,数据包E以及数据包F确定为所述第二训练集。
通过上述实施方式,通过交叉验证法划分所述第二训练数据,使所述第二训练数据的全量均参加训练及验证,由此,提高训练所述目标模型的拟合度。
在本发明的至少一个实施例中,所述电子设备根据所述第二验证集,调整所述次级学习器,得到目标模型包括:
所述电子设备采用超参数网格搜索方法从所述第二验证集中获取最优超参数点,进一步地,所述电子设备通过所述最优超参数点对所述次级学习器进行调整,得到所述目标模型。
具体地,所述电子设备将所述第二验证集按照固定步长进行拆分,得到目标子集,遍历所述目标子集上两端端点的参数,通过所述两端端点的参数验证所述次级学习器,得到每个参数的学习率,将所述学习率最好的参数确定为第一超参数点,并在所述第一超参数点的邻域内,缩小所述步长继续遍历,直至所述步长为预设步长,即得到的超参数点为所述最优超参数点,更进一步地,所述电子设备根据所述最优超参数点调整所述次级学习器,得到所述目标模型。
其中,本发明对所述预设步长不作限制。
通过上述实施方式,能够得到较为精确的所述目标模型,进一步得到精确的目标结果。
在本发明的至少一个实施例中,由于所述长短期记忆算法具有时间序列的优点,因此,通过所述长短期记忆算法训练的目标模型,也具有一定的时序性,通过上述实施方式,能够快速得到时序性的目标模型,便于后续对所述预测任务的时序性预测。
在本发明的至少一个实施例中,在判断所述目标任务是否为首次出现的预测任务之后,所述方法还包括:
当判断所述目标任务不是首次出现的预测任务时,所述电子设备获取所述目标任务首次出现时的目标数据,并将所述目标数据输入至所述目标模型中,得到目标结果。
通过上述实施方式,在判断所述目标任务不是首次出现的预测任务后,能够直接采用所述目标模型进行预测,能够避免重复训练所述目标模型,进而能够提高预测的效率。
S18,将所述第二数据集输入至所述目标模型中,得到目标结果。
在本发明的至少一个实施例中,在将所述第二数据集输入至所述目标模型中,得到目标结果后,所述方法还包括:
所述电子设备检测所述目标结果是否出现异常,当检测到所述目标结果出现异常时,生成警报信息,并将所述警报信息发送到指定联系人的终端设备。
其中,所述警报信息可以包括目标任务、目标结果以及预测的时间点等。
进一步地,所述指定联系人可以包括触发预测任务的用户等。
通过上述实施方式,当所述目标结果存在异常时,能够提前对所述目标结果进行警报,并及时提醒,有利于用户提前做好防备措施。
例如:当所述目标任务为预测X股票的股票走势,并且所述目标结果为未来预设时间段内的X股票的股票走势时,所述电子设备检测到未来一个星期X股票的股票走势存在风险,进一步地,所述电子设备生成所述警报信息,并将所述警报信息发送到所述指定联系人的终端设备。
当所述目标任务为预测A产品的销售量,并且所述目标结果为未来一个月内A产品的销售量时,所述电子设备检测到所述A产品的销售量小于阈值,进一步地,所述电子设备生成所述警报信息,并将所述警报信息发送到所述指定联系人的终端设备。
其中,所述阈值可以是预先设定的销售量,本发明不作限制。
由以上技术方案可以看出,本发明能够当接收到预测指令时,获取当前场景数据,根据所述当前场景数据,确定所述当前场景数据所属的目标任务,判断所述目标任务是否为首次出现的预测任务,当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据,按照比例划分所述目标数据,得到第一数据集及第二数据集,对所述第一数据集进行预处理,得到数据特征,将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果,采用长短期记忆算法训练所述至少一个预测结果,得到目标模型,将所述第二数据集输入至所述目标模型中,得到目标结果,不仅能够通过目标模型按需预测,还能够根据所述预测任务进行时序性的预测。
如图2所示,是本发明多任务预测装置的较佳实施例的功能模块图。所述多任务预测装置11包括获取单元110、确定单元111、判断单元112、拆分单元113、预处理单元114、输入单元115、训练单元116、生成单元117、发送单元118以及检测单元119。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到预测指令时,获取单元110获取当前场景数据。
在本发明的至少一个实施例中,所述当前场景数据可以包括,但不限于:股票走势场景、产品销售量场景、疾病发病率场景等。
在本发明的至少一个实施例中,所述预测指令可以由用户触发,也可以在满足一定条件时自动触发,本发明不限制。
其中,所述满足一定条件包括,但不限于:满足预设时间等。
所述预设时间可以包括确定的时间点,或者包括一个时间段等,例如:所述预设时间可以是每天早上七点。
确定单元111根据所述当前场景数据,确定所述当前场景数据对应的目标任务。
在本发明的至少一个实施例中,所述确定单元111根据所述当前场景数据,确定所述当前场景数据所属的目标任务包括:
所述确定单元111将所述当前场景数据与预先配置的场景数据进行匹配,并将匹配的场景数据对应的任务确定为所述目标任务。
例如:所述目标任务可以包括,但不限于:预测A产品的销售量、预测X股票的股票走势、预测D疾病的发病率等。
通过上述实施方式,能够快速、准确地识别出所述目标任务,从而便于判断所述目标任务是否为首次出现的预测任务。
判断单元112判断所述目标任务是否为首次出现的预测任务。
在本发明的至少一个实施例中,所述判断单元112判断所述目标任务是否为首次出现的预测任务包括:
所述判断单元112检测所述目标任务,当检测到所述目标任务在预设时间点之前未被训练时,所述判断单元112确定所述目标任务为首次出现的预测任务,当检测到所述目标任务在所述预设时间点之前被训练过时,所述判断单元112确定所述目标任务不是首次出现的预测任务。其中,所述预设时间点可以包括接收到所述预测任务的时间,本发明不作限制。
通过上述实施方式,能够准确判断出所述目标任务是否为首次出现的预测任务,便于后续对所述目标任务进行处理。
当所述目标任务为首次出现的预测任务时,所述获取单元110获取与所述目标任务相关的目标数据。
在本发明的至少一个实施例中,所述获取单元110获取与所述目标任务相关的目标数据包括,但不限于以下一种或者多种方式的组合:
(1)所述获取单元110采用网络爬虫技术(Web crawler)从互联网中获取与所述目标任务相关的目标数据。
其中,所述互联网可以包括任何支持访问的网站,例如:百度、谷歌、腾讯、微博等。
进一步地,所述网络爬虫技术(又被称为网页蜘蛛,网络机器人),是一种按照一定的规则,自动地抓取万维网信息的方式。
例如:当所述目标任务为预测X股票的股票走势时,则所述目标数据为X股票过去预设时间段的走势;当所述目标任务为预测A产品的销售量时,则所述目标数据为A产品在过去预设时间段的销售量。
通过上述实施方式,能够获取到更多的目标数据,从而能够提高目标模型的训练效果,降低目标模型训练误差。
(2)所述获取单元110接收所述用户上传的与所述目标任务相关的目标数据。
通过上述实施方式,能够获取到准确的目标数据,从而有利于后续得到更精确的目标模型。
拆分单元113按照比例拆分所述目标数据,得到第一数据集及第二数据集。
在本发明的至少一个实施例中,所述拆分单元113按照比例拆分所述目标数据,得到第一数据集及第二数据集。
具体地,所述拆分单元113将所述目标数据中预设比例的目标数据确定为所述第一数据集,其中,所述第一数据集用于训练至少一个模型,进一步地,所述拆分单元113将所述目标数据中除所述第一数据集的目标数据确定为所述第二数据集,其中,所述第二数据集作为所述目标模型的输入数据。其中,所述预设比例不作限制,可以是0.8、0.6等。
预处理单元114对所述第一数据集进行预处理,得到数据特征。
在本发明的至少一个实施例中,所述预处理单元114对所述第一数据集进行预处理,得到数据特征包括:
所述预处理单元114对所述第一数据集进行偏差检测,得到偏差数据,进一步地,所述预处理单元114删除所述偏差数据,得到所述数据特征。
在本发明的至少一个实施例中,所述预处理单元114采用基于密度的离群点检测方法对所述第一数据集进行偏差检测,得到偏差数据。
具体地,所述预处理单元114采用相对密度检测技术将所述第一数据集划分为若干个对象,分别计算每个对象的密度,进而得到每个对象的离群点得分,进一步地,所述预处理单元114计算每个对象的邻近平均密度,当所述对象的离群点得分小于所述对象对应的邻近平均密度时,将所述对象确定为偏差数据。
进一步地,所述预处理单元114将所述偏差数据从所述第一数据集中删除,得到所述数据特征。
通过上述实施方式,能够准确地得出并排除所述偏差数据,有利于后续准确地对目标模型进行训练,从而提高目标模型的准确性。
当然,对所述第一数据集进行预处理的方式,只要合法合理,本发明不作限制。
输入单元115将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果。
在本发明的至少一个实施例中,在将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果之前,训练所述至少一个模型。
具体地,训练所述至少一个模型包括,但不限于以下一种或者多种方式的组合:
(1)所述获取单元110获取与所述目标任务相关的第一训练集,其中,所述第一训练集与所述第一数据集不相交;进一步地,训练单元116采用神经网络算法训练所述第一训练集,得到所述至少一个模型。
具体地,所述训练单元116对所述第一训练集进行归一化处理,进一步地,所述训练单元116采用归一化处理后的第一训练集构建网络,得到第一网络,所述训练单元116利用预先设定的学习率对所述第一网络进行训练,得到所述至少一个模型。
需要说明的是,训练得到的所述至少一个模型的学习率可以是相同的,也可以是不同的。当预先配置了一个学习率时,所述至少一个模型的学习率都无限接近所述学习率,而当配置了多个学习率时,则所述至少一个模型与所述多个学习率的关系可以自定义配置(例如:所述训练单元116配置了学习率A及学习率B,并确定有3个模型需要依据所述学习率A训练,确定有4个模型需要依据所述学习率B训练,则所述至少一个模型为上述训练的7个模型)。
通过上述实施方式,能够得到较精确的模型,提高后续所述目标模型训练的精确度。
(2)所述获取单元110获取与所述目标任务相关的第一训练集,其中,所述第一训练集与所述第一数据集不相交;进一步地,所述训练单元116采用线性回归算法训练所述第一训练集,得到所述至少一个模型。
具体地,所述训练单元116基于所述第一训练集构建模型,得到预测函数,进一步地,所述训练单元116采用梯度下降算法缩小所述预测函数的误差,得到误差小于阈值的预测函数,即为所述至少一个模型。
其中,所述阈值是预先设定的,可以是:0.2等,本发明不作限制。
通过上述实施方式,所述训练单元116能够快速得到模型,提高后续训练所述目标模型的速度。
在本发明的至少一个实施例中,所述输入单元115将所述数据特征输入至预先训练的所述至少一个模型中,得到至少一个预测结果。
具体地,所述输入单元115将所述数据特征输入至所述至少一个模型中的每个模型,得到每个模型的至少一个第一结果,进一步地,所述输入单元115整合每个模型的至少一个第一结果,得到所述至少一个预测结果。
通过上述实施方式,能够得到多个预测结果,为训练所述目标模型提供了训练基础。
所述训练单元116采用长短期记忆算法训练所述至少一个预测结果,得到目标模型。
所述长短期记忆算法(Long Short-Term Memory,LSTM)包括三个网络层,其中,所述三个网络层分别为输入门层、遗忘门层以及输出门层。
在本发明的至少一个实施例中,所述训练单元116采用长短期记忆算法训练所述至少一个预测结果,得到目标模型包括:
所述训练单元116将所述至少一个预测结果输入到遗忘门层进行遗忘处理,得到第二训练数据,进一步地,所述训练单元116采用交叉验证法将所述第二训练数据划分为第二训练集及第二验证集,将所述第二训练集输入到输入门层进行训练,得到次级学习器,根据所述第二验证集,调整所述次级学习器,得到目标模型。
在本发明的至少一个实施例中,所述训练单元116采用交叉验证法将所述第二训练数据划分为第二训练集及第二验证集,具体包括:
所述训练单元116将所述第二训练数据按照预设数目随机划分为至少一个数据包,将所述至少一个数据包中的任意一个数据包确定为所述第二验证集,其余的数据包确定为所述第二训练集,重复上述步骤,直至所有的数据包全都依次被用作为所述第二验证集。
例如:所述训练单元116将所述第二训练数据划分为3个数据包,分别为数据包E、数据包F、数据包G,并将所述数据包E确定为所述验证集,数据包F以及数据包G确定为所述第二训练集。其次,将所述数据包F确定为所述验证集,数据包E以及数据包G确定为所述第二训练集。最后,所述数据包G确定为所述验证集,数据包E以及数据包F确定为所述第二训练集。
通过上述实施方式,通过交叉验证法划分所述第二训练数据,使所述第二训练数据的全量均参加训练及验证,由此,提高训练所述目标模型的拟合度。
在本发明的至少一个实施例中,所述训练单元116根据所述第二验证集,调整所述次级学习器,得到目标模型包括:
所述训练单元116采用超参数网格搜索方法从所述第二验证集中获取最优超参数点,进一步地,所述训练单元116通过所述最优超参数点对所述次级学习器进行调整,得到所述目标模型。
具体地,所述训练单元116将所述第二验证集按照固定步长进行拆分,得到目标子集,遍历所述目标子集上两端端点的参数,通过所述两端端点的参数验证所述次级学习器,得到每个参数的学习率,将所述学习率最好的参数确定为第一超参数点,并在所述第一超参数点的邻域内,缩小所述步长继续遍历,直至所述步长为预设步长,即得到的超参数点为所述最优超参数点,更进一步地,所述训练单元116根据所述最优超参数点调整所述次级学习器,得到所述目标模型。
其中,本发明对所述预设步长不作限制。
通过上述实施方式,能够得到较为精确的所述目标模型,进一步得到精确的目标结果。
在本发明的至少一个实施例中,由于所述长短期记忆算法具有时间序列的优点,因此,通过所述长短期记忆算法训练的目标模型,也具有一定的时序性,通过上述实施方式,能够快速得到时序性的目标模型,便于后续对所述预测任务的时序性预测。
在本发明的至少一个实施例中,在判断所述目标任务是否为首次出现的预测任务之后,所述方法还包括:
当判断所述目标任务不是首次出现的预测任务时,所述获取单元110获取所述目标任务首次出现时的目标数据,进一步地,所述输入单元115将所述目标数据输入至所述目标模型中,得到目标结果。
通过上述实施方式,在判断所述目标任务不是首次出现的预测任务后,能够直接采用所述目标模型进行预测,能够避免重复训练所述目标模型,进而能够提高预测的效率。
所述输入单元115将所述第二数据集输入至所述目标模型中,得到目标结果。
在本发明的至少一个实施例中,在将所述第二数据集输入至所述目标模型中,得到目标结果后,所述方法还包括:
检测单元119检测所述目标结果是否出现异常,当检测到所述目标结果出现异常时,生成单元117生成警报信息,进一步地,发送单元118将所述警报信息发送到指定联系人的终端设备。
其中,所述警报信息可以包括目标任务、目标结果以及预测的时间点等。
进一步地,所述指定联系人可以包括触发预测任务的用户等。
通过上述实施方式,当所述目标结果存在异常时,能够提前对所述目标结果进行警报,并及时提醒,有利于用户提前做好防备措施。
例如:当所述目标任务为预测X股票的股票走势,并且所述目标结果为未来预设时间段内的X股票的股票走势时,当检测到未来一个星期X股票的股票走势存在风险,进一步地,所述生成单元117生成所述警报信息,更进一步地,所述发送单元118将所述警报信息发送到所述指定联系人的终端设备。
当所述目标任务为预测A产品的销售量,并且所述目标结果为未来一个月内A产品的销售量时,当检测到所述A产品的销售量小于阈值,进一步地,所述生成单元117生成所述警报信息,更进一步地,所述发送单元118将所述警报信息发送到所述指定联系人的终端设备。
其中,所述阈值可以是预先设定的销售量,本发明不作限制。
由以上技术方案可以看出,本发明能够当接收到预测指令时,获取当前场景数据,根据所述当前场景数据,确定所述当前场景数据所属的目标任务,判断所述目标任务是否为首次出现的预测任务,当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据,按照比例划分所述目标数据,得到第一数据集及第二数据集,对所述第一数据集进行预处理,得到数据特征,将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果,采用长短期记忆算法训练所述至少一个预测结果,得到目标模型,将所述第二数据集输入至所述目标模型中,得到目标结果,不仅能够通过目标模型按需预测,还能够根据所述预测任务进行时序性的预测。
如图3所示,是本发明实现多任务预测方法的较佳实施例的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备1还可以是但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(InternetProtocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备1还可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。
所述电子设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如多任务预测程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个多任务预测方法实施例中的步骤,例如图1所示的步骤S10、S11、S12、S13、S14、S15、S16、S17、S18。
或者,所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如:当接收到预测指令时,获取当前场景数据;根据所述当前场景数据,确定所述当前场景数据对应的目标任务;判断所述目标任务是否为首次出现的预测任务;当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据;按照比例拆分所述目标数据,得到第一数据集及第二数据集;对所述第一数据集进行预处理,得到数据特征;将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果;采用长短期记忆算法训练所述至少一个预测结果,得到目标模型;将所述第二数据集输入至所述目标模型中,得到目标结果。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、确定单元111、判断单元112、拆分单元113、预处理单元114、输入单元115、训练单元116、生成单元117、发送单元118以及检测单元119。
所述存储器12可用于存储所述计算机程序和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器12可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是集成电路中没有实物形式的具有存储功能的电路,如RAM(Random-AccessMemory,随机存取存储器)、FIFO(First In First Out,)等。或者,所述存储器12也可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种多任务预测方法,所述处理器13可执行所述多个指令从而实现:当接收到预测指令时,获取当前场景数据;根据所述当前场景数据,确定所述当前场景数据对应的目标任务;判断所述目标任务是否为首次出现的预测任务;当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据;按照比例拆分所述目标数据,得到第一数据集及第二数据集;对所述第一数据集进行预处理,得到数据特征;将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果;采用长短期记忆算法训练所述至少一个预测结果,得到目标模型;将所述第二数据集输入至所述目标模型中,得到目标结果。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
采用网络爬虫技术从互联网中获取与所述目标任务相关的目标数据;及/或
接收用户上传的与所述目标任务相关的目标数据。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
对所述第一数据集进行偏差检测,得到偏差数据;
删除所述偏差数据,得到所述数据特征。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
获取与所述目标任务相关的第一训练集,其中,所述第一训练集与所述第一数据集不相交;
采用神经网络算法及/或线性回归算法训练所述第一训练集,得到所述至少一个模型。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
将所述至少一个预测结果输入到遗忘门层进行遗忘处理,得到第二训练数据;
采用交叉验证法将所述第二训练数据划分为第二训练集及第二验证集;
将所述第二训练集输入到输入门层进行训练,得到次级学习器;
根据所述第二验证集,调整所述次级学习器,得到目标模型。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
当判断所述目标任务不是首次出现的预测任务时,获取所述目标任务首次出现时的目标数据;
将所述目标数据输入至所述目标模型中,得到目标结果。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
检测所述目标结果是否出现异常;
当检测到所述目标结果出现异常时,生成警报信息;
将所述警报信息发送到指定联系人的终端设备。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种多任务预测方法,其特征在于,所述方法包括:
当接收到预测指令时,获取当前场景数据;
根据所述当前场景数据,确定所述当前场景数据对应的目标任务;
判断所述目标任务是否为首次出现的预测任务;
当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据;
按照比例拆分所述目标数据,得到第一数据集及第二数据集;
对所述第一数据集进行预处理,得到数据特征;
将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果;
采用长短期记忆算法训练所述至少一个预测结果,得到目标模型;
将所述第二数据集输入至所述目标模型中,得到目标结果。
2.如权利要求1所述的多任务预测方法,其特征在于,所述获取与所述目标任务相关的目标数据包括以下一种或者多种方式的组合:
采用网络爬虫技术从互联网中获取与所述目标任务相关的目标数据;及/或
接收用户上传的与所述目标任务相关的目标数据。
3.如权利要求1所述的多任务预测方法,其特征在于,所述对所述第一数据集进行预处理,得到数据特征包括:
对所述第一数据集进行偏差检测,得到偏差数据;
删除所述偏差数据,得到所述数据特征。
4.如权利要求1所述的多任务预测方法,其特征在于,在将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果之前,所述方法还包括:
获取与所述目标任务相关的第一训练集,其中,所述第一训练集与所述第一数据集不相交;
采用神经网络算法及/或线性回归算法训练所述第一训练集,得到所述至少一个模型。
5.如权利要求1所述的多任务预测方法,其特征在于,所述采用长短期记忆算法训练所述至少一个预测结果,得到目标模型包括:
将所述至少一个预测结果输入到遗忘门层进行遗忘处理,得到第二训练数据;
采用交叉验证法将所述第二训练数据划分为第二训练集及第二验证集;
将所述第二训练集输入到输入门层进行训练,得到次级学习器;
根据所述第二验证集,调整所述次级学习器,得到目标模型。
6.如权利要求1所述的多任务预测方法,其特征在于,在判断所述目标任务是否为首次出现的预测任务之后,所述方法还包括:
当判断所述目标任务不是首次出现的预测任务时,获取所述目标任务首次出现时的目标数据;
将所述目标数据输入至所述目标模型中,得到目标结果。
7.如权利要求1所述的多任务预测方法,其特征在于,在将所述第二数据集输入至所述目标模型中,得到目标结果后,所述方法还包括:
检测所述目标结果是否出现异常;
当检测到所述目标结果出现异常时,生成警报信息;
将所述警报信息发送到指定联系人的终端设备。
8.一种多任务预测装置,其特征在于,所述装置包括:
获取单元,用于当接收到预测指令时,获取当前场景数据;
确定单元,用于根据所述当前场景数据,确定所述当前场景数据对应的目标任务;
判断单元,用于判断所述目标任务是否为首次出现的预测任务;
所述获取单元,还用于当所述目标任务为首次出现的预测任务时,获取与所述目标任务相关的目标数据;
拆分单元,用于按照比例拆分所述目标数据,得到第一数据集及第二数据集;
预处理单元,用于对所述第一数据集进行预处理,得到数据特征;
输入单元,用于将所述数据特征输入至预先训练的至少一个模型中,得到至少一个预测结果;
训练单元,用于采用长短期记忆算法训练所述至少一个预测结果,得到目标模型;
所述输入单元,还用于将所述第二数据集输入至所述目标模型中,得到目标结果。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的多任务预测方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的多任务预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722718.4A CN110619423B (zh) | 2019-08-06 | 2019-08-06 | 多任务预测方法、装置、电子设备及存储介质 |
PCT/CN2020/098233 WO2021022933A1 (zh) | 2019-08-06 | 2020-06-24 | 多任务预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722718.4A CN110619423B (zh) | 2019-08-06 | 2019-08-06 | 多任务预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619423A true CN110619423A (zh) | 2019-12-27 |
CN110619423B CN110619423B (zh) | 2023-04-07 |
Family
ID=68921501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910722718.4A Active CN110619423B (zh) | 2019-08-06 | 2019-08-06 | 多任务预测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110619423B (zh) |
WO (1) | WO2021022933A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950707A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于行为共现网络的行为预测方法、装置、设备及介质 |
CN111949708A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于时序特征提取的多任务预测方法、装置、设备及介质 |
CN111950621A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于人工智能的目标数据检测方法、装置、设备及介质 |
WO2021022933A1 (zh) * | 2019-08-06 | 2021-02-11 | 平安科技(深圳)有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
CN112906971A (zh) * | 2021-03-09 | 2021-06-04 | 清华大学 | 批处理作业中运行时间的预测方法、装置和电子设备 |
CN113518000A (zh) * | 2021-05-12 | 2021-10-19 | 北京奇艺世纪科技有限公司 | 在线服务的实例数量调整的方法、装置及电子设备 |
CN113643136A (zh) * | 2021-09-01 | 2021-11-12 | 京东科技信息技术有限公司 | 信息处理方法、系统和装置 |
WO2022001918A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 构建预测模型的方法、装置、计算设备和存储介质 |
CN114528183A (zh) * | 2022-02-17 | 2022-05-24 | 厦门四信通信科技有限公司 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
CN114885016A (zh) * | 2022-04-29 | 2022-08-09 | 青岛海尔科技有限公司 | 服务推送的方法和装置、存储介质及电子装置 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819600A (zh) * | 2021-02-25 | 2021-05-18 | 深圳前海微众银行股份有限公司 | 定时任务的执行方法、装置、设备及计算机存储介质 |
CN113057587A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、电子设备及存储介质 |
CN115134614B (zh) * | 2021-03-29 | 2024-01-02 | 北京字节跳动网络技术有限公司 | 任务参数配置方法、装置、电子设备及计算机可读存储介质 |
CN112926690B (zh) * | 2021-03-31 | 2023-09-01 | 北京奇艺世纪科技有限公司 | 数据处理方法、装置、设备及存储介质 |
CN113435502B (zh) * | 2021-06-25 | 2022-09-16 | 平安科技(深圳)有限公司 | 站点流量确定方法、装置、设备及存储介质 |
CN113407680B (zh) * | 2021-06-30 | 2023-06-02 | 竹间智能科技(上海)有限公司 | 异质集成模型筛选方法和电子设备 |
CN113627681A (zh) * | 2021-08-25 | 2021-11-09 | 平安国际智慧城市科技股份有限公司 | 基于预测模型的数据预测方法、装置、计算机设备及介质 |
CN114334696B (zh) * | 2021-12-30 | 2024-03-05 | 中国电信股份有限公司 | 质量检测方法及装置、电子设备和计算机可读存储介质 |
CN114565576A (zh) * | 2022-02-25 | 2022-05-31 | 联合汽车电子有限公司 | 一种dmtl表面缺陷检测方法、装置及终端 |
CN114581252B (zh) * | 2022-03-03 | 2024-04-05 | 平安科技(深圳)有限公司 | 目标案件的预测方法和装置、电子设备、存储介质 |
CN115439206B (zh) * | 2022-11-08 | 2023-03-07 | 税友信息技术有限公司 | 一种申报数据预测方法、装置、设备及介质 |
CN116542310B (zh) * | 2023-07-01 | 2023-09-22 | 帕西尼感知科技(张家港)有限公司 | 一种机器人的模型训练、运动指令预测方法、装置及系统 |
CN116880404B (zh) * | 2023-07-28 | 2024-05-03 | 北京远舢智能科技有限公司 | 一种基于恒定模型的生产控制方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130151441A1 (en) * | 2011-12-13 | 2013-06-13 | Xerox Corporation | Multi-task learning using bayesian model with enforced sparsity and leveraging of task correlations |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN108461152A (zh) * | 2018-01-12 | 2018-08-28 | 平安科技(深圳)有限公司 | 医疗模型训练方法、医疗识别方法、装置、设备及介质 |
CN109344806A (zh) * | 2018-10-31 | 2019-02-15 | 第四范式(北京)技术有限公司 | 利用多任务目标检测模型执行目标检测的方法和系统 |
CN109376869A (zh) * | 2018-12-25 | 2019-02-22 | 中国科学院软件研究所 | 一种基于异步贝叶斯优化的机器学习超参优化系统及方法 |
CN109635990A (zh) * | 2018-10-12 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 一种训练方法、预测方法、装置及电子设备 |
CN109902271A (zh) * | 2019-01-23 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于迁移学习的文本数据标注方法、装置、终端及介质 |
CN110009042A (zh) * | 2019-04-08 | 2019-07-12 | 中诚信征信有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10354184B1 (en) * | 2014-06-24 | 2019-07-16 | Amazon Technologies, Inc. | Joint modeling of user behavior |
CN108009593B (zh) * | 2017-12-15 | 2018-12-11 | 清华大学 | 一种迁移学习最优算法选取方法及系统 |
CN109376227B (zh) * | 2018-10-29 | 2019-08-13 | 山东大学 | 一种基于多任务人工神经网络的刑期预测方法 |
CN110619423B (zh) * | 2019-08-06 | 2023-04-07 | 平安科技(深圳)有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
-
2019
- 2019-08-06 CN CN201910722718.4A patent/CN110619423B/zh active Active
-
2020
- 2020-06-24 WO PCT/CN2020/098233 patent/WO2021022933A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130151441A1 (en) * | 2011-12-13 | 2013-06-13 | Xerox Corporation | Multi-task learning using bayesian model with enforced sparsity and leveraging of task correlations |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN108461152A (zh) * | 2018-01-12 | 2018-08-28 | 平安科技(深圳)有限公司 | 医疗模型训练方法、医疗识别方法、装置、设备及介质 |
CN109635990A (zh) * | 2018-10-12 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 一种训练方法、预测方法、装置及电子设备 |
CN109344806A (zh) * | 2018-10-31 | 2019-02-15 | 第四范式(北京)技术有限公司 | 利用多任务目标检测模型执行目标检测的方法和系统 |
CN109376869A (zh) * | 2018-12-25 | 2019-02-22 | 中国科学院软件研究所 | 一种基于异步贝叶斯优化的机器学习超参优化系统及方法 |
CN109902271A (zh) * | 2019-01-23 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于迁移学习的文本数据标注方法、装置、终端及介质 |
CN110009042A (zh) * | 2019-04-08 | 2019-07-12 | 中诚信征信有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
邓方,陈文颉编著: "《智能计算与信息处理》", 30 April 2019 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021022933A1 (zh) * | 2019-08-06 | 2021-02-11 | 平安科技(深圳)有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
WO2022001918A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 构建预测模型的方法、装置、计算设备和存储介质 |
CN111949708B (zh) * | 2020-08-10 | 2023-07-25 | 中国平安人寿保险股份有限公司 | 基于时序特征提取的多任务预测方法、装置、设备及介质 |
CN111949708A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于时序特征提取的多任务预测方法、装置、设备及介质 |
CN111950621A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于人工智能的目标数据检测方法、装置、设备及介质 |
CN111950707A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于行为共现网络的行为预测方法、装置、设备及介质 |
CN111950707B (zh) * | 2020-08-10 | 2024-05-03 | 中国平安人寿保险股份有限公司 | 基于行为共现网络的行为预测方法、装置、设备及介质 |
CN112906971A (zh) * | 2021-03-09 | 2021-06-04 | 清华大学 | 批处理作业中运行时间的预测方法、装置和电子设备 |
CN112906971B (zh) * | 2021-03-09 | 2022-02-18 | 清华大学 | 批处理作业中运行时间的预测方法、装置和电子设备 |
CN113518000A (zh) * | 2021-05-12 | 2021-10-19 | 北京奇艺世纪科技有限公司 | 在线服务的实例数量调整的方法、装置及电子设备 |
CN113643136A (zh) * | 2021-09-01 | 2021-11-12 | 京东科技信息技术有限公司 | 信息处理方法、系统和装置 |
CN114528183B (zh) * | 2022-02-17 | 2023-05-02 | 厦门四信通信科技有限公司 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
CN114528183A (zh) * | 2022-02-17 | 2022-05-24 | 厦门四信通信科技有限公司 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
CN114885016A (zh) * | 2022-04-29 | 2022-08-09 | 青岛海尔科技有限公司 | 服务推送的方法和装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2021022933A1 (zh) | 2021-02-11 |
CN110619423B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619423B (zh) | 多任务预测方法、装置、电子设备及存储介质 | |
US11651259B2 (en) | Neural architecture search for convolutional neural networks | |
US11055516B2 (en) | Behavior prediction method, behavior prediction system, and non-transitory recording medium | |
JP2022551227A (ja) | 弾幕生成方法、装置、及びコンピュータプログラム | |
US11360927B1 (en) | Architecture for predicting network access probability of data files accessible over a computer network | |
CN109033261B (zh) | 图像处理方法、装置、处理设备及其存储介质 | |
WO2023273628A1 (zh) | 一种视频循环识别方法、装置、计算机设备及存储介质 | |
WO2020155300A1 (zh) | 一种模型预测方法及装置 | |
CN111414868A (zh) | 时序动作片段的确定方法、动作检测方法及装置 | |
CN111258593B (zh) | 应用程序预测模型的建立方法、装置、存储介质及终端 | |
CN112115372B (zh) | 一种停车场的推荐方法及装置 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
US20230069999A1 (en) | Method and apparatus for updating recommendation model, computer device and storage medium | |
CN111177568A (zh) | 基于多源数据的对象推送方法、电子装置及存储介质 | |
CN115037790B (zh) | 异常注册识别方法、装置、设备及存储介质 | |
CN109614854B (zh) | 视频数据处理方法及装置、计算机装置及可读存储介质 | |
WO2022022059A1 (en) | Context aware anomaly detection | |
CN114298018A (zh) | 视频标题的生成方法、装置及存储介质 | |
CN112308099A (zh) | 样本特征重要性的确定方法、分类模型的训练方法及装置 | |
CN113326829B (zh) | 视频中手势的识别方法、装置、可读存储介质及电子设备 | |
CN113641919B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN117726917A (zh) | 模型训练方法、装置、电子设备及计算机存储介质 | |
CN116152597A (zh) | 一种用于目标检测的模型的训练方法及装置 | |
CN115422989A (zh) | 面向神经网络的无监督聚类算法、装置及其电子设备 | |
CN117132950A (zh) | 一种车辆追踪方法、系统、设备及存储介质 |
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 |