CN112232495A - 预测模型的训练方法、装置、介质和计算设备 - Google Patents

预测模型的训练方法、装置、介质和计算设备 Download PDF

Info

Publication number
CN112232495A
CN112232495A CN202011433913.4A CN202011433913A CN112232495A CN 112232495 A CN112232495 A CN 112232495A CN 202011433913 A CN202011433913 A CN 202011433913A CN 112232495 A CN112232495 A CN 112232495A
Authority
CN
China
Prior art keywords
prediction model
training
prediction
data
distribution
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
CN202011433913.4A
Other languages
English (en)
Other versions
CN112232495B (zh
Inventor
胡文波
崔鹏
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.)
Beijing Real AI Technology Co Ltd
Original Assignee
Beijing Real AI Technology Co Ltd
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 Beijing Real AI Technology Co Ltd filed Critical Beijing Real AI Technology Co Ltd
Priority to CN202011433913.4A priority Critical patent/CN112232495B/zh
Publication of CN112232495A publication Critical patent/CN112232495A/zh
Application granted granted Critical
Publication of CN112232495B publication Critical patent/CN112232495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本发明的实施方式提供了一种预测模型的训练方法、装置、介质和计算设备。该方法包括：基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；通过所述预测模型输出与所述训练数据对应的预测分布；通过最大均值差异损失函数对所述预测分布进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。本发明的上述技术能够基于训练数据对预测模型进行训练，并通过预测模型输出与训练数据对应的预测分布，基于最大均值差异损失函数以及预测分布对预测模型进行训练，以使预测模型的网络权重再次收敛，得到校准后的预测分布，提升预测模型基于时序数据输出的预测结果的准确性。

Description

预测模型的训练方法、装置、介质和计算设备
技术领域
本发明的实施方式涉及深度学习技术领域，更具体地，本发明的实施方式涉及一种预测模型的训练方法、装置、介质和计算设备。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
预测是机器学习中普遍存在的一类任务，广泛应用于各种场景中，如销售预测、股票分析、交通流量预测、天气预报等基于时序数据的预测。近年来随着深度学习技术突飞猛进的发展，深度模型在预测任务上取得了显著的进步。目前，通常会基于异方差神经网络对神经网络进行训练。然而，在实践中发现，基于异方差神经网络可能会基于已有的时序数据产生不可靠的预测分布和不确定性估计，且产生的概率分布往往是未校准的。可见，现有的神经网络基于时序数据得到的预测结果准确性较低。
发明内容
在本上下文中，本发明的实施方式期望提供一种预测模型的训练方法、装置、介质和计算设备。
在本发明实施方式的第一方面中，提供了一种预测模型的训练方法，包括：
基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；
通过所述预测模型输出与所述训练数据对应的预测分布；
通过最大均值差异损失函数对所述预测分布进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
在本实施方式的一个实施例中，基于获取到的训练数据之前，所述方法还包括：
获取原始数据；
通过预设方式对所述原始数据进行预处理，得到所述原始数据对应的训练数据，其中，所述预设方式至少包括数据归一化处理。
在本实施方式的一个实施例中，当所述原始数据中包含时间序列数据时，所述预设方式还包括按照时间窗口格式对所述时间序列数据进行分割。
在本实施方式的一个实施例中，基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型，包括：
将获取到的训练数据输入至所述预测模型的分布估计器；
通过所述分布估计器中的负对数似然损失函数对所述训练数据进行计算，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型。
在本实施方式的一个实施例中，通过所述预测模型输出与所述训练数据对应的预测分布，包括：
通过所述预测模型输出与所述训练数据对应的均值和方差；
基于所述均值和所述方差计算得到预测分布。
在本实施方式的一个实施例中，所述最大均值差异损失函数包含核函数和再生核希尔伯特空间，通过最大均值差异损失函数对所述预测分布进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型，包括：
从所述预测分布中获取数据样本；
控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
在本实施方式的一个实施例中，控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型之后，所述方法还包括：
基于所述预测模型输出的所述校准后的预测分布，计算得到真实置信度；
基于期望置信度和所述真实置信度，计算得到覆盖概率的期望损失以及覆盖概率的最大损失；
当所述覆盖概率的期望损失小于第一预设值以及所述覆盖概率的最大损失小于第二预设值时，确定所述校准后的预测分布具有可靠性。
在本实施方式的一个实施例中，所述预测模型通过异方差概率神经网络模型构建。
在本发明实施方式的第二方面中，提供了一种预测模型的训练装置，包括：
第一训练单元，用于基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；
输出单元，用于通过所述预测模型输出与所述训练数据对应的预测分布；
第二训练单元，用于基于所述预测分布，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
在本实施方式的一个实施例中，所述装置还包括：
获取单元，用于在所述第一训练单元基于获取到的训练数据之前，获取原始数据；
处理单元，用于通过预设方式对所述原始数据进行预处理，得到所述原始数据对应的训练数据，其中，所述预设方式至少包括数据归一化处理。
在本实施方式的一个实施例中，当所述原始数据中包含时间序列数据时，所述预设方式还包括按照时间窗口格式对所述时间序列数据进行分割。
在本实施方式的一个实施例中，所述第一训练单元包括：
第一输出子单元，用于将获取到的训练数据输入至所述预测模型的分布估计器；
第一训练子单元，用于通过所述分布估计器中的负对数似然损失函数对所述训练数据进行计算，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型。
在本实施方式的一个实施例中，所述输出单元包括：
第二输出子单元，用于通过所述预测模型输出与所述训练数据对应的均值和方差；
计算子单元，用于基于所述均值和所述方差计算得到预测分布。
在本实施方式的一个实施例中，所述最大均值差异损失函数包含核函数和再生核希尔伯特空间，所述第二训练单元包括：
获取子单元，用于从所述预测分布中获取数据样本；
第二训练子单元，用于控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
在本实施方式的一个实施例中，所述装置还包括：
计算单元，用于在所述第二训练子单元控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型之后，基于所述预测模型输出的所述校准后的预测分布，计算得到真实置信度；
所述计算单元，还用于基于期望置信度和所述真实置信度，计算得到覆盖概率的期望损失以及覆盖概率的最大损失；
确定单元，用于当所述覆盖概率的期望损失小于第一预设值以及所述覆盖概率的最大损失小于第二预设值时，确定所述校准后的预测分布具有可靠性。
在本实施方式的一个实施例中，所述预测模型通过异方差概率神经网络模型构建。
在本发明实施方式的第三方面中，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序在被处理器执行时能够实现第一方面中任一项所述的方法。
在本发明实施方式的第四方面中，提供了一种计算设备，包括如上所述的存储介质。
根据本发明实施方式的预测模型的训练方法、装置、介质和计算设备，能够基于训练数据对预测模型的进行训练，以使预测模型的网络权重收敛，进而可以通过预测模型输出与训练数据对应的预测分布，并且可以基于最大均值差异损失函数以及预测分布再次对该预测模型进行训练，以使预测模型的网络权重再次收敛，得到校准后的预测分布，且训练数据为时序数据，因此，可以使多次训练后的预测模型输出的与时序数据相关的预测结果更加准确，提升了预测模型基于时序数据输出的预测结果的准确性。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1为本发明一实施例提供的预测模型的训练方法的流程示意图；
图2为本发明另一实施例提供的预测模型的训练方法的流程示意图；
图3为本发明一实施例提供的预测模型的训练方法的结构示意图；
图4示意性地示出了本发明实施例的一种介质的结构示意图；
图5示意性地示出了本发明实施例的一种计算设备的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件（包括固件、驻留软件、微代码等），或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种预测模型的训练方法、装置、介质和计算设备。
在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
示例性方法
下面参考图1，图1为本发明一实施例提供的预测模型的训练方法的流程示意图。需要注意的是，本发明的实施方式可以应用于适用的任何场景。
图1所示的本发明一实施例提供的预测模型的训练方法的流程100，包括：
步骤S101，基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；
步骤S102，通过所述预测模型输出与所述训练数据对应的预测分布；
步骤S103，通过最大均值差异损失函数对所述预测分布进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
本申请中提出的预测模型的训练方法所针对的是基于以机器学习尤其是深度学习为代表的人工智能所构建的预测模型，包括但不限于销售预测、股票分析、交通流量预测、天气预报等各个适用不同应用场景的预测模型；其中，上述训练数据可以为时序数据，时序数据可以包括环境监测数据、交通监测数据、气象监测数据、用户历史行为数据中的一种。
本发明的上述技术能够基于训练数据对预测模型的进行训练，以使预测模型的网络权重收敛，进而可以通过预测模型输出与训练数据对应的预测分布，并且可以基于最大均值差异损失函数以及预测分布再次对该预测模型进行训练，以使预测模型的网络权重再次收敛，得到校准后的预测分布，且训练数据为时序数据，因此，可以使多次训练后的预测模型输出的与时序数据相关的预测结果更加准确，提升了预测模型基于时序数据输出的预测结果的准确性。
下面结合附图说明如何使多次训练后的预测模型输出的与时序数据相关的预测结果更加准确，提升了预测模型基于时序数据输出的预测结果的准确性：
本发明实施例中，训练数据可以为对获取到的原始数据按照预设的标准进行筛选得到的数据，预设的标准可以与预测模型所要预测的应用场景相关，还可以为剔除原始数据中偏差值较大的数据，得到训练数据，例如，可以剔除原始数据中记录错误的数据，将剩余的原始数据确定为训练数据。
可选的，训练模型可以为异方差概率神经网络模型（HeteroscedasticProbabilistic Neural Network，HPNN）或贝叶斯神经网络模型（Bayesian NeuralNetworks，BNN），还可以通过深度集成方法（Deepensemble）构建得到，即可以通过深度集成方法同时建立多个异方概率神经网络模型来构建训练模型，对此，本发明实施例不做限定。
其中，网络权重可以表示预测模型中不同神经节点之间连接的强度，预测模型的网络权重越收敛，则预测模型输出的与输入数据对应的输出数据受网络权重的影响越小，以使预测模型输出的预测结果更加稳定。
此外，预测模型输出的与训练数据对应的预测分布可以为预测模型对输入的训练数据进行计算，得到训练数据对应的均值和方差，进而基于得到的均值和方差计算得到训练数据对应的预测分布。
更进一步，基于第一次训练后的预测模型输出的预测分布，可以对预测模型进行第二次训练，以使预测模型的网络权重再次进行收敛，以使预测模型输出的与训练数据对应的预测分布更加准确。
请参阅图2，图2为本发明另一实施例提供的预测模型的训练方法的流程示意图，图2所示的本发明另一实施例提供的预测模型的训练方法的流程200包括：
步骤S201，获取原始数据；
步骤S202，通过预设方式对所述原始数据进行预处理，得到所述原始数据对应的训练数据，其中，所述预设方式至少包括数据归一化处理；
实施上述的步骤S201~步骤S202，可以获取到原始数据，并且可以通过预设方式对原始数据进行处理，得到训练数据，以使得到的训练数据更加标准化。
本发明实施例中，数据归一化处理的方式可以为数据正态标准化、Min-max标准化（Min-max normalization）、以及对数标准化等等，对此，本发明实施例不做限定。
其中，当所述原始数据中包含时间序列数据时，所述预设方式还包括按照时间窗口格式对所述时间序列数据进行分割。可以通过时间窗口格式对时间序列数据进行分割，使得得到的分割后得到的训练数据更加规范化。时间窗口格式中可以包含时间窗口的大小（时限），时间窗口的大小（时限）可以是一个超参数，在实际情况中，根据场景可以选取适合当前应用场景的时间窗口的大小（时限）。
步骤S203，将获取到的训练数据输入至所述预测模型的分布估计器；
步骤S204，通过所述分布估计器中的负对数似然损失函数对所述训练数据进行计算，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；
实施上述的步骤S203~步骤S204，可以通过分布估计器中的负对数似然损失函数对训练数据进行计算，并且可以基于计算结果调整预测模型的网络权重，以使预测模型的网络权重可以收敛，从而提升预测模型的训练效果。
其中，所述预测模型通过异方差概率神经网络模型构建，可以通过将异方差神经网络与负对数似然损失函数相结合，共同实现对预测模型的训练，以使对于预测模型的训练效果更好。此外，可以通过利用负对数似然损失函数实现“分布匹配策略”的校准方法，并且基于负对数似然损失函数的分布匹配策略的校准方法校准后的结果校准错误低，预测结果更可信赖。
本发明实施例中，预测模型可以包含分布估计器，其中，分布估计器可以通过异方差神经网络来建模，并且可以通过负对数似然损失函数对输入预测模型的训练数据进行计算，还可以使分布估计器中神经网络的最后一层输出与训练数据对应的分布估计，该分布估计可以通过分布估计器计算得到的与训练数据对应的均值和方差计算得到。其中，负对数似然损失函数的表达式可以为：
Figure 508840DEST_PATH_IMAGE001
其中，(xi,yi)可以是一组真实数据，其中xi是自变量，yi是目标变量，Θ代表要训练的预测模型的参数，constant为常数，μ和σ分别代表神经网络输出的均值和方差，通过优化负对数似然损失函数直至预测模型的网络权重收敛，进而能够训练预测模型输出一个近似的预测分布。
步骤S205，通过所述预测模型输出与所述训练数据对应的均值和方差；
步骤S206，基于所述均值和所述方差计算得到预测分布；
实施上述的步骤S205~步骤S206，可以通过初步训练的预测模型输出与训练数据对应的均值和方差，并且可以基于该均值和方差计算得到预测分布，由于得到的预测分布可以为通过初步训练的预测模型输出的，可见该预测分布较为准确，因此，基于该预测分布对预测模型再次进行训练，可以使预测模型那个输出更加准确的预测结果。
步骤S207，从所述预测分布中获取数据样本；
步骤S208，控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。其中，所述最大均值差异损失函数可以包含核函数和再生核希尔伯特空间。
实施上述的步骤S207~步骤S208，可以从预测分布中选取数据样本，并通过包含核函数和再生核希尔伯特空间的最大均值差异损失函数对数据样本进行计算，从而实现对预测模型的训练，以使预测模型的训练效果更好，训练后的预测模型可以输出更加准确的预测分布。
本发明实施例中，预测模型中还可以包含分布匹配器，分布匹配器可以通过最小化最大均值差异损失函数来使得预测分布渐进地收敛到真实分布，并且可以通过分布匹配策略缩小两个分布的差异，从而获得更可靠的预测分布和不确定估计。
其中，从预测分布中可以通过随机的方式获取到数据样本，以及最大均值差异损失函数的表达式可以为：
Figure 638470DEST_PATH_IMAGE002
其中，P可以表示真实分布，Q可以表示预测分布，φ(x)=k(x,.)可以代表变量x的特征映射，k是核函数，
Figure 187263DEST_PATH_IMAGE003
是再生核希尔伯特空间，
Figure 619512DEST_PATH_IMAGE004
是从预测分布Q中采样出的样本，分布匹配器主要可以通过数据样本来减小真实分布P和预测分布Q之间的距离，通过最小化“最大均值差异”损失函数来使预测分布Q渐进地收敛到真实分布P，从而达到了校准预测模型输出的预测分布的目的，产生可靠的不确定性估计和预测区间。
举例来说，本发明实施例的应用场景可以在销售预测的场景下，收集到的训练数据可以为零售店的历史销售数据，即历史销售数据可以为时序数据中的用户历史行为数据；可以通过收集到的历史销售数据对训练模型进行训练，以使预测模型的网络权重进行收敛；还可以通过训练后的预测模型输出与历史销售数据对应的预测分布；进而可以通过最大均值差异损失函数对得到的预测分布进行计算，并且再次对预测模型进行训练，以使预测模型的网络权重可以再次收敛，并且可以使预测模型输出的预测分布更加准确，以及使得预测模型输出的与历史销售数据对应的预测结果更加准确。
其中，通过收集到的历史销售数据对训练模型进行训练，以使预测模型的网络权重进行收敛的方式具体可以为：可以通过收集到的历史销售数据对长短期记忆网络(LSTM)进行训练，通过长短期记忆网络(LSTM)得到历史销售数据中的周期性特征和信号；并且可以通过预测模型中的分布估计器利用负对数似然损失函数对历史销售数据进行计算，从而对预测模型进行训练，以使预测模型的网络权重进行收敛。
以及，通过训练后的预测模型输出与历史销售数据对应的预测分布的方式具体可以为：通过预测模型的分布估计器输出与历史销售数据对应的未来销售数据的均值和方差，并且可以通过对未来销售数据的均值和方差的计算，得到与历史销售数据对应的未来销售数据的预测分布。
更进一步，通过最大均值差异损失函数对得到的预测分布进行计算，并且再次对预测模型进行训练的方式具体可以为：可以从未来销售数据的预测分布中随机获取预测数据样本，并且可以通过预测模型中的分布匹配器通过最大均值差异损失函数对预测数据样本进行计算，从而对预测模型再次进行训练，以使预测模型的网络权重可以再次收敛，并且可以使预测模型输出的预测分布更加准确，以及使得预测模型输出的与历史销售数据对应的预测结果更加准确。
通过上述方式可以得到多次优化后的预测模型，进而可以基于零售店的历史销售数据通过预测模型预测未来的销售数据 (例如预测未来一周的零售店中某商品销售数据)，由于本发明实施例最终可以得到一个可靠准确的预测分布，因此，能够根据预测分布估计出不同置信度下的预测区间，以提供一个未来销售数据的预测区间给零售店店主等，店主可以通过此预测区间来储备未来的商品库存，从而使得储备的商品库存可以最大程度的销售完毕。
作为一种可选的实施方式，步骤S208之后，还可以执行以下步骤：
基于所述预测模型输出的所述校准后的预测分布，计算得到真实置信度；
基于期望置信度和所述真实置信度，计算得到覆盖概率的期望损失以及覆盖概率的最大损失；
当所述覆盖概率的期望损失小于第一预设值以及所述覆盖概率的最大损失小于第二预设值时，确定所述校准后的预测分布具有可靠性。
其中，实施这种实施方式，可以基于预测模型输出的预测分布计算得到真实置信度，并且可以基于真实置信度计算覆盖概率的期望损失和最大损失，从而确定校准后的预测分布是否具有可靠性，使得预测模型的训练效果能够更加直观的进行显示。
本发明实施例中，可以通过基于覆盖概率的期望损失（ECPE）和覆盖概率的最大损失（MCPE）指标来监控预测模型输出的预测分布的可靠性，其中，覆盖概率的期望损失（ECPE）的表达式可以为：
Figure 620966DEST_PATH_IMAGE005
其中，ECPE可以计算在所有分位上真实概率与期望概率的绝对值距离的期望，
Figure 554287DEST_PATH_IMAGE006
是从预测结果中计算得到的真实的置信概率，Pj是期望的置信度，例如想要得到95%置信度的预测区间，所期望的置信度可以为0.95；覆盖概率的最大损失（MCPE）的表达式可以为：
Figure 816642DEST_PATH_IMAGE007
其中，MCPE 可以计算得到真实概率与期望概率的绝对值距离的最大值，通过计算ECPE和MCPE可以监控预测分布的性能，ECPE和MCPE越小，说明预测结果越可靠。
举例来说，本发明实施例的应用场景还可以在天气预测的场景下，收集到的训练数据可以为某地区的历史气象数据，即历史气象数据可以为时序数据中的气象监测数据；可以通过收集到的历史气象数据对训练模型进行训练，以使预测模型的网络权重进行收敛；还可以通过训练后的预测模型输出与历史气象数据对应的预测分布；进而可以通过最大均值差异损失函数对得到的预测分布进行计算，并且再次对预测模型进行训练，以使预测模型的网络权重可以再次收敛，并且可以使预测模型输出的预测分布更加准确，以及使得预测模型输出的与历史气象数据对应的预测结果更加准确。
其中，通过收集到的历史气象数据对训练模型进行训练，以使预测模型的网络权重进行收敛的方式具体可以为：可以通过收集到的历史气象数据对长短期记忆网络(LSTM)进行训练，通过长短期记忆网络(LSTM)得到历史气象数据中的周期性特征和信号；并且可以通过预测模型中的分布估计器利用负对数似然损失函数对历史气象数据进行计算，从而对预测模型进行训练，以使预测模型的网络权重进行收敛。
以及，通过训练后的预测模型输出与历史气象数据对应的预测分布的方式具体可以为：通过预测模型的分布估计器输出与历史气象数据对应的未来气象数据的均值和方差，并且可以通过对未来气象数据的均值和方差的计算，得到与历史气象数据对应的未来气象数据的预测分布。
更进一步，通过最大均值差异损失函数对得到的预测分布进行计算，并且再次对预测模型进行训练的方式具体可以为：可以从未来气象数据的预测分布中随机获取预测数据样本，并且可以通过预测模型中的分布匹配器通过最大均值差异损失函数对预测数据样本进行计算，从而对预测模型再次进行训练，以使预测模型的网络权重可以再次收敛，并且可以使预测模型输出的预测分布更加准确，以及使得预测模型输出的与历史气象数据对应的预测结果更加准确。
通过上述方式可以得到多次优化后的预测模型，进而可以基于某地区的历史气象数据通过预测模型预测未来的气象数据 (例如预测未来一周的某地区的天气情况)，由于本发明实施例最终可以得到一个可靠准确的预测分布，因此，能够根据预测分布估计出不同置信度下的预测区间，以提供一个未来气象数据的预测区间给某地区的人参考，某地区的人可以通过此预测区间来准备出行穿着、安排未来行程等事务，从而使得某地区的人可以根据未来气象数据的预测区间合理安排日常事务，减少因天气因素导致的突发事件的发生。
本发明的上述技术方案能够使多次训练后的预测模型输出的与时序数据相关的预测结果更加准确，提升了预测模型基于时序数据输出的预测结果的准确性。此外，还可以使得到的训练数据更加标准化。此外，还可以提升预测模型的训练效果。此外，还可以使预测模型那个输出更加准确的预测结果。此外，还可以使训练后的预测模型输出更加准确的预测分布。此外，还可以使得预测模型的训练效果能够更加直观的进行显示。
示例性装置
在介绍了本发明示例性实施方式的方法之后，接下来，参考图3对本发明示例性实施方式的一种预测模型的训练装置进行说明，该装置包括：
第一训练单元301，用于基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；
输出单元302，用于通过所述预测模型输出与所述训练数据对应的预测分布；
第二训练单元303，用于基于所述预测分布，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
其中，所述预测模型通过异方差概率神经网络模型构建，可以通过将异方差神经网络与负对数似然损失函数相结合，共同实现对预测模型的训练，以使对于预测模型的训练效果更好。
作为一种可选的实施方式，所述装置还可以包括：
获取单元，用于在所述第一训练单元基于获取到的训练数据之前，获取原始数据；
处理单元，用于通过预设方式对所述原始数据进行预处理，得到所述原始数据对应的训练数据，其中，所述预设方式至少包括数据归一化处理。
其中，实施这种实施方式，可以获取到原始数据，并且可以通过预设方式对原始数据进行处理，得到训练数据，以使得到的训练数据更加标准化。
可选的，当所述原始数据中包含时间序列数据时，所述预设方式还包括按照时间窗口格式对所述时间序列数据进行分割。可以通过时间窗口格式对时间序列数据进行分割，使得得到的分割后得到的训练数据更加规范化。
作为一种可选的实施方式，所述第一训练单元301可以包括：
第一输出子单元，用于将获取到的训练数据输入至所述预测模型的分布估计器；
第一训练子单元，用于通过所述分布估计器中的负对数似然损失函数对所述训练数据进行计算，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型。
其中，实施这种实施方式，可以通过分布估计器中的负对数似然损失函数对训练数据进行计算，并且可以基于计算结果调整预测模型的网络权重，以使预测模型的网络权重可以收敛，从而提升预测模型的训练效果。
作为一种可选的实施方式，所述输出单元302可以包括：
第二输出子单元，用于通过所述预测模型输出与所述训练数据对应的均值和方差；
计算子单元，用于基于所述均值和所述方差计算得到预测分布。
其中，实施这种实施方式，可以通过初步训练的预测模型输出与训练数据对应的均值和方差，并且可以基于该均值和方差计算得到预测分布，由于得到的预测分布可以为通过初步训练的预测模型输出的，可见该预测分布较为准确，因此，基于该预测分布对预测模型再次进行训练，可以使预测模型那个输出更加准确的预测结果。
作为一种可选的实施方式，所述最大均值差异损失函数可以包含核函数和再生核希尔伯特空间，所述第二训练单元303可以包括：
获取子单元，用于从所述预测分布中获取数据样本；
第二训练子单元，用于控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
其中，实施这种实施方式，可以从预测分布中选取数据样本，并通过包含核函数和再生核希尔伯特空间的最大均值差异损失函数对数据样本进行计算，从而实现对预测模型的训练，以使预测模型的训练效果更好，训练后的预测模型可以输出更加准确的预测分布。
作为一种可选的实施方式，所述装置还可以包括：
计算单元，用于在所述第二训练子单元控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型之后，基于所述预测模型输出的所述校准后的预测分布，计算得到真实置信度；
所述计算单元，还用于基于期望置信度和所述真实置信度，计算得到覆盖概率的期望损失以及覆盖概率的最大损失；
确定单元，用于当所述覆盖概率的期望损失小于第一预设值以及所述覆盖概率的最大损失小于第二预设值时，确定所述校准后的预测分布具有可靠性。
其中，实施这种实施方式，可以基于预测模型输出的预测分布计算得到真实置信度，并且可以基于真实置信度计算覆盖概率的期望损失和最大损失，从而确定校准后的预测分布是否具有可靠性，使得预测模型的训练效果能够更加直观的进行显示。
示例性介质
在介绍了本发明示例性实施方式的方法和装置之后，接下来，参考图4对本发明示例性实施方式的计算机可读存储介质进行说明，请参考图4，其示出的计算机可读存储介质为光盘40，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会实现上述方法实施方式中所记载的各步骤，例如，基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；通过所述预测模型输出与所述训练数据对应的预测分布；通过最大均值差异损失函数对所述预测分布进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型；各步骤的具体实现方式在此不再重复说明。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
示例性计算设备
在介绍了本发明示例性实施方式的方法、介质和装置之后，接下来，参考图5对本发明示例性实施方式的用于预测模型的训练的计算设备。
图5示出了适于用来实现本发明实施方式的示例性计算设备50的框图，该计算设备50可以是计算机系统或服务器。图5显示的计算设备50仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算设备50的组件可以包括但不限于：一个或者多个处理器或者处理单元501，系统存储器502，连接不同系统组件（包括系统存储器502和处理单元501）的总线503。
计算设备50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备50访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器502可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）5021和/或高速缓存存储器5022。计算设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM5023可以用于读写不可移动的、非易失性磁介质（图5中未显示，通常称为“硬盘驱动器”）。尽管未在图5中示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM，DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线503相连。系统存储器502中可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组（至少一个）程序模块5024的程序/实用工具5025，可以存储在例如系统存储器502中，且这样的程序模块5024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块5024通常执行本发明所描述的实施例中的功能和/或方法。
计算设备50也可以与一个或多个外部设备504（如键盘、指向设备、显示器等）通信。这种通信可以通过输入/输出（I/O）接口605进行。并且，计算设备50还可以通过网络适配器506与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图5所示，网络适配器506通过总线503与计算设备50的其它模块（如处理单元501等）通信。应当明白，尽管图5中未示出，可以结合计算设备50使用其它硬件和/或软件模块。
处理单元501通过运行存储在系统存储器502中的程序，从而执行各种功能应用以及数据处理，例如，基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；通过所述预测模型输出与所述训练数据对应的预测分布；通过最大均值差异损失函数对所述预测分布进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。各步骤的具体实现方式在此不再重复说明。应当注意，尽管在上文详细描述中提及了预测模型的训练装置的若干单元/模块或子单元/子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元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单元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。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

Claims (18)

1.一种预测模型的训练方法，包括：
基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；其中，上述训练数据为时序数据，包括环境监测数据、交通监测数据、气象监测数据、用户历史行为数据中的一种；
通过所述预测模型输出与所述训练数据对应的预测分布；
通过最大均值差异损失函数对所述预测分布进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
2.根据权利要求1所述的预测模型的训练方法，基于获取到的训练数据之前，所述方法还包括：
获取原始数据；
通过预设方式对所述原始数据进行预处理，得到所述原始数据对应的训练数据，其中，所述预设方式至少包括数据归一化处理。
3.根据权利要求2所述的预测模型的训练方法，其中，当所述原始数据中包含时间序列数据时，所述预设方式还包括按照时间窗口格式对所述时间序列数据进行分割。
4.根据权利要求1~3任一项所述的预测模型的训练方法，基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型，包括：
将获取到的训练数据输入至所述预测模型的分布估计器；
通过所述分布估计器中的负对数似然损失函数对所述训练数据进行计算，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型。
5.根据权利要求4所述的预测模型的训练方法，通过所述预测模型输出与所述训练数据对应的预测分布，包括：
通过所述预测模型输出与所述训练数据对应的均值和方差；
基于所述均值和所述方差计算得到预测分布。
6.根据权利要求5所述的预测模型的训练方法，所述最大均值差异损失函数包含核函数和再生核希尔伯特空间，通过最大均值差异损失函数对所述预测分布进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型，包括：
从所述预测分布中获取数据样本；
控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
7.根据权利要求6所述的预测模型的训练方法，控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型之后，所述方法还包括：
基于所述预测模型输出的所述校准后的预测分布，计算得到真实置信度；
基于期望置信度和所述真实置信度，计算得到覆盖概率的期望损失以及覆盖概率的最大损失；
当所述覆盖概率的期望损失小于第一预设值以及所述覆盖概率的最大损失小于第二预设值时，确定所述校准后的预测分布具有可靠性。
8.根据权利要求5~7任一项所述的预测模型的训练方法，所述预测模型通过异方差概率神经网络模型构建。
9.一种预测模型的训练装置，包括：
第一训练单元，用于基于获取到的训练数据，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型；其中，上述训练数据为时序数据，包括环境监测数据、交通监测数据、气象监测数据、用户历史行为数据中的一种；
输出单元，用于通过所述预测模型输出与所述训练数据对应的预测分布；
第二训练单元，用于通过最大均值差异损失函数对所述预测分布进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
10.根据权利要求9所述的预测模型的训练装置，所述装置还包括：
获取单元，用于在所述第一训练单元基于获取到的训练数据之前，获取原始数据；
处理单元，用于通过预设方式对所述原始数据进行预处理，得到所述原始数据对应的训练数据，其中，所述预设方式至少包括数据归一化处理。
11.根据权利要求10所述的预测模型的训练装置，其中，当所述原始数据中包含时间序列数据时，所述预设方式还包括按照时间窗口格式对所述时间序列数据进行分割。
12.根据权利要求9~11任一项所述的预测模型的训练装置，所述第一训练单元包括：
第一输出子单元，用于将获取到的训练数据输入至所述预测模型的分布估计器；
第一训练子单元，用于通过所述分布估计器中的负对数似然损失函数对所述训练数据进行计算，以使所述预测模型的网络权重进行收敛为目标训练所述预测模型。
13.根据权利要求12所述的预测模型的训练装置，所述输出单元包括：
第二输出子单元，用于通过所述预测模型输出与所述训练数据对应的均值和方差；
计算子单元，用于基于所述均值和所述方差计算得到预测分布。
14.根据权利要求13所述的预测模型的训练装置，所述最大均值差异损失函数包含核函数和再生核希尔伯特空间，所述第二训练单元包括：
获取子单元，用于从所述预测分布中获取数据样本；
第二训练子单元，用于控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型。
15.根据权利要求14所述的预测模型的训练装置，所述装置还包括：
计算单元，用于在所述第二训练子单元控制所述预测模型中的分布匹配器通过所述最大均值差异损失函数对所述数据样本进行计算，以使所述预测模型的网络权重再次进行收敛，并得到校准后的预测分布为目标训练所述预测模型之后，基于所述预测模型输出的所述校准后的预测分布，计算得到真实置信度；
所述计算单元，还用于基于期望置信度和所述真实置信度，计算得到覆盖概率的期望损失以及覆盖概率的最大损失；
确定单元，用于当所述覆盖概率的期望损失小于第一预设值以及所述覆盖概率的最大损失小于第二预设值时，确定所述校准后的预测分布具有可靠性。
16.根据权利要求13~15任一项所述的预测模型的训练装置，所述预测模型通过异方差概率神经网络模型构建。
17.一种存储有程序的存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1到8中的任一项所述的预测模型的训练方法。
18.一种计算设备，包括如权利要求17所述的存储介质。
CN202011433913.4A 2020-12-10 2020-12-10 预测模型的训练方法、装置、介质和计算设备 Active CN112232495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011433913.4A CN112232495B (zh) 2020-12-10 2020-12-10 预测模型的训练方法、装置、介质和计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011433913.4A CN112232495B (zh) 2020-12-10 2020-12-10 预测模型的训练方法、装置、介质和计算设备

Publications (2)

Publication Number Publication Date
CN112232495A true CN112232495A (zh) 2021-01-15
CN112232495B CN112232495B (zh) 2022-03-04

Family

ID=74124088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011433913.4A Active CN112232495B (zh) 2020-12-10 2020-12-10 预测模型的训练方法、装置、介质和计算设备

Country Status (1)

Country Link
CN (1) CN112232495B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699998A (zh) * 2021-03-25 2021-04-23 北京瑞莱智慧科技有限公司 一种时间序列预测方法、装置、电子设备及可读存储介质
CN113408797A (zh) * 2021-06-07 2021-09-17 北京京东振世信息技术有限公司 流转量预测多时序模型生成方法、信息发送方法和装置
CN113468820A (zh) * 2021-07-21 2021-10-01 上海眼控科技股份有限公司 数据训练方法、装置、设备及存储介质
CN113469819A (zh) * 2021-07-15 2021-10-01 中国银行股份有限公司 基金产品的推荐方法、相关装置及计算机存储介质
CN113689699A (zh) * 2021-08-25 2021-11-23 浙江数智交院科技股份有限公司 一种交通流的预测方法、装置、电子设备及存储介质
CN113837367A (zh) * 2021-09-24 2021-12-24 浙江中烟工业有限责任公司 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190820A (zh) * 2018-08-29 2019-01-11 东北电力大学 一种考虑用户流失率的电力市场售电量深度预测方法
CN109190834A (zh) * 2018-09-12 2019-01-11 百色学院 基于神经网络的股票价格趋势预测方法及系统
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN110674979A (zh) * 2019-09-11 2020-01-10 腾讯科技（深圳）有限公司 风险预测模型的训练方法、预测方法及装置、介质和设备
CN110969197A (zh) * 2019-11-22 2020-04-07 上海交通大学 一种基于实例迁移的风力发电的分位数预测方法
CN110990135A (zh) * 2019-11-28 2020-04-10 中国人民解放军国防科技大学 基于深度迁移学习的Spark作业时间预测方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN109190820A (zh) * 2018-08-29 2019-01-11 东北电力大学 一种考虑用户流失率的电力市场售电量深度预测方法
CN109190834A (zh) * 2018-09-12 2019-01-11 百色学院 基于神经网络的股票价格趋势预测方法及系统
CN110674979A (zh) * 2019-09-11 2020-01-10 腾讯科技（深圳）有限公司 风险预测模型的训练方法、预测方法及装置、介质和设备
CN110969197A (zh) * 2019-11-22 2020-04-07 上海交通大学 一种基于实例迁移的风力发电的分位数预测方法
CN110990135A (zh) * 2019-11-28 2020-04-10 中国人民解放军国防科技大学 基于深度迁移学习的Spark作业时间预测方法和装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699998A (zh) * 2021-03-25 2021-04-23 北京瑞莱智慧科技有限公司 一种时间序列预测方法、装置、电子设备及可读存储介质
CN112699998B (zh) * 2021-03-25 2021-09-07 北京瑞莱智慧科技有限公司 一种时间序列预测方法、装置、电子设备及可读存储介质
CN113408797A (zh) * 2021-06-07 2021-09-17 北京京东振世信息技术有限公司 流转量预测多时序模型生成方法、信息发送方法和装置
CN113408797B (zh) * 2021-06-07 2023-09-26 北京京东振世信息技术有限公司 流转量预测多时序模型生成方法、信息发送方法和装置
CN113469819A (zh) * 2021-07-15 2021-10-01 中国银行股份有限公司 基金产品的推荐方法、相关装置及计算机存储介质
CN113468820A (zh) * 2021-07-21 2021-10-01 上海眼控科技股份有限公司 数据训练方法、装置、设备及存储介质
CN113689699A (zh) * 2021-08-25 2021-11-23 浙江数智交院科技股份有限公司 一种交通流的预测方法、装置、电子设备及存储介质
CN113837367A (zh) * 2021-09-24 2021-12-24 浙江中烟工业有限责任公司 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法

Also Published As

Publication number Publication date
CN112232495B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN112232495B (zh) 预测模型的训练方法、装置、介质和计算设备
WO2020024716A1 (zh) 一种针对新场景的预测模型训练方法及装置
CN110413227B (zh) 一种硬盘设备的剩余使用寿命在线预测方法和系统
CN111125658B (zh) 识别欺诈用户的方法、装置、服务器和存储介质
CN112668238B (zh) 一种降雨量处理方法、装置、设备和存储介质
CN115964361B (zh) 一种数据增强方法、系统、设备及计算机可读存储介质
CN110969200A (zh) 基于一致性负样本的图像目标检测模型训练方法及装置
EP4170561A1 (en) Method and device for improving performance of data processing model, storage medium and electronic device
CN113408070B (zh) 发动机参数的确定方法、装置、设备及存储介质
CN114255381A (zh) 图像识别模型的训练方法、图像识别方法、装置及介质
CN110275895B (zh) 一种缺失交通数据的填充设备、装置及方法
CN116433050B (zh) 应用于农业大数据管理系统的异常报警方法及系统
CN115793990B (zh) 存储器健康状态确定方法、装置、电子设备及存储介质
CN111783883A (zh) 一种异常数据的检测方法及装置
CN114757097B (zh) 一种线路故障诊断方法及装置
CN113658173A (zh) 基于知识蒸馏的检测模型的压缩方法、系统和计算设备
US20230022253A1 (en) Fast and accurate prediction methods and systems based on analytical models
CN112561171B (zh) 一种滑坡的预测方法、装置、设备及存储介质
CN112784165A (zh) 关联关系预估模型的训练方法以及预估文件热度的方法
CN114741822A (zh) 一种自然灾害下配电网停电概率预测方法、系统及装置
KR102242042B1 (ko) 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램
CN114491699A (zh) 基于拓展区间数的三维cad软件易用性量化方法及装置
CN113779859A (zh) 可解释的时序预测模型的训练方法、装置和计算设备
CN113723436A (zh) 数据的处理方法、装置、计算机设备和存储介质
CN113033817A (zh) 基于隐空间的ood检测方法、装置、服务器及存储介质

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