CN113269259B - 一种目标信息的预测方法及装置 - Google Patents
一种目标信息的预测方法及装置 Download PDFInfo
- Publication number
- CN113269259B CN113269259B CN202110598271.1A CN202110598271A CN113269259B CN 113269259 B CN113269259 B CN 113269259B CN 202110598271 A CN202110598271 A CN 202110598271A CN 113269259 B CN113269259 B CN 113269259B
- Authority
- CN
- China
- Prior art keywords
- information
- target information
- target
- historical
- change trend
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种目标信息的预测方法及装置,上述方法包括:获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息;将目标历史信息输入预先训练的目标信息预测模型,获取目标信息在当前时间点后的变化趋势预测结果;RNN层,用于对输入的目标历史信息进行初始变化趋势特征提取,并将所提取的初始变化趋势特征输入GAN层;GAN层,用于基于初始变化趋势特征,确定目标信息在当前时间点后的变化趋势信息,作为目标信息的变化趋势预测结果。采用本发明实施例提供的方法,提高了预测出的目标信息在当前时间点后的变化趋势信息的精度。
Description
技术领域
本发明数据分析技术领域,特别是涉及一种目标信息的预测方法及装置。
背景技术
对目标信息进行预测对于各种各样的应用场景而言均有十分重要的应用价值。其中,目标信息可以为股票价格信息、景点的客流量信息或应用软件的用户活跃度信息等等。例如,由于股票市场是金融市场的重要组成部分,因此对股票价格信息进行预测具有很大的应用价值,如有助于用户进行股票投资等等;对景点的客流量信息进行预测,有助于景点管理人员合理提供针对游客的观景服务等。
以股票价格信息的预测为例,现有的股票价格信息预测方法主要为:基于所提取的股票相关的新闻事件对应的向量,训练NTN(Neural Tensor Network,神经张量网络)模型或DNN(deep convolutional neural network,深度卷积神经网络)模型,用于预测股票价格变化趋势。
然而,现有的利用NTN模型或DNN模型对股票价格变化趋势进行预测的方式,只能捕捉股票相关的线性关系不能捕捉非线性关系,这导致预测的股票价格变化趋势的精度存在一定的局限性。
发明内容
本发明实施例的目的在于提供一种目标信息的预测方法及装置,以提高预测目标信息在当前时间点后的变化趋势信息的精度。
为了达到上述目的,本发明实施例提供了一种目标信息的预测方法,应用于电子设备,包括:
获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息,其中,所述目标信息为目标景点的客流量信息、目标应用软件的用户活跃度信息和目标股票的价格信息中的一个;
将所述目标历史信息输入预先训练的目标信息预测模型,获取所述目标信息在当前时间点后的变化趋势预测结果;其中,所述目标信息预测模型包括循环神经网络RNN层和生成对抗网络GAN层;
所述RNN层,用于对输入的所述目标历史信息进行初始变化趋势特征提取,并将所提取的所述初始变化趋势特征输入所述GAN层;
所述GAN层,用于基于所述初始变化趋势特征,确定所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;
其中,所述目标信息预测模型为:基于所述目标信息对应的多个样本历史信息,以及所述目标信息对应的真实变化趋势数据,对待训练目标信息预测模型进行训练获得的。
进一步的,所述获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息,包括:
获取目标信息在当前时间点之前的预设数量个时间步长内的多个历史数据;其中,每个所述时间步长包括多个离散时间点;
针对每个所述时间步长,计算该时间步长内相邻的两个离散时间点中,前一个离散时间点的历史数据与后一个离散时间点的历史数据之差,得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据;
基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息。
进一步的,所述基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息,包括:
采用如下公式基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息:
yt+1=α*r+b
其中,yt+1为目标历史信息;r=[rt,rt-1,…rt-p,…,rt-j+1],r为预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,rt-p=[r(t-p)1,r(t-p)2,…,r(t-p)i,…,r(t-p)n],rt-p为时间步长(t-p)内所述目标信息对应的多个历史变化数据,0≤p<j,r(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i至离散时间点(i+1)所对应的历史变化数据,r(t-p)i=x(t-p)(i+1)-x(t-p)i,x(t-p)(i+1)为所述目标信息在时间步长(t-p)内的离散时间点(i+1)所对应的历史数据,x(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i的所对应的历史数据,n为每个时间步长包括的离散时间点的数量,i≤n;α为预设的衰减因子,α=[α0,α1,…αp,…,αj-1],j为时间步长的数量,αp为rt-p对应的衰减因子分量;b为预设的偏差向量。
进一步的,所述基于所述初始变化趋势特征,确定所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果,包括:
基于预设的噪声向量对所述初始变化趋势特征进行干扰模拟处理,获得所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;其中,所述预设的噪声向量满足标准高斯分布。
进一步的,所述目标信息预测模型的训练方式,包括:
将所述目标信息对应的样本历史信息输入待训练目标信息预测模型,得到该样本历史信息对应的预测变化趋势数据;
基于所述目标信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值;
判断损失函数值是否小于预设损失阈值;
如果是,将当前的待训练目标信息预测模型确定为训练得到的所述目标信息预测模型;
如果不是,调整当前的待训练目标信息预测模型的参数,返回所述将所述目标信息对应的样本历史信息输入待训练目标信息预测模型的步骤。
进一步的,所述基于该样本历史信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值,包括:
采用如下公式,基于该样本历史信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值:
L=Ladv+λcosLcos+λgpLgp
其中,L为所述损失函数值;Ladv为对抗性损失函数;Lcos为余弦相似度损失函数,λcos为Lcos的预设余弦系数;Lgp为梯度惩罚损失函数,λgp为Lgp的预设惩罚系数;Et为所述目标信息对应的历史变化数据的均值,rt+1为所述目标信息对应的真实变化趋势数据,为所述预测变化趋势数据;D(rt+1)为所述目标信息对应的真实变化趋势数据经过生成对抗网络GAN的鉴别器处理后得到的数据,所述预测变化趋势数据经过GAN的鉴别器处理后得到的数据; 为rt+1和之间预设的插值,β为预设的常数系数,β∈(0,1)。
为了达到上述目的,本发明实施例还提供了一种目标信息的预测装置,应用于电子设备,包括:
历史信息获取模块,用于获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息,其中,所述目标信息为目标景点的客流量信息、目标应用软件的用户活跃度信息和目标股票的价格信息中的一个;
结果预测模块,用于将所述目标历史信息输入预先训练的目标信息预测模型,获取所述目标信息在当前时间点后的变化趋势预测结果;其中,所述目标信息预测模型包括循环神经网络RNN层和生成对抗网络GAN层;所述结果预测模块包括特征提取子模块和预测子模块;
所述特征提取子模块,用于执行所述RNN层的处理步骤;所述RNN层,用于对输入的所述目标历史信息进行初始变化趋势特征提取,并将所提取的所述初始变化趋势特征输入所述GAN层;
所述预测子模块,用于执行所述GAN层的处理步骤;所述GAN层,用于基于所述初始变化趋势特征,确定所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;其中,所述目标信息预测模型为:基于所述目标信息对应的多个样本历史信息,以及所述目标信息对应的真实变化趋势数据,对待训练目标信息预测模型进行训练获得的。
进一步的,所述历史信息获取模块包括:
历史数据获取子模块,用于获取目标信息在当前时间点之前的预设数量个时间步长内的多个历史数据;其中,每个所述时间步长包括多个离散时间点;
变化数据确定子模块,用于针对每个所述时间步长,计算该时间步长内相邻的两个离散时间点中,前一个离散时间点的历史数据与后一个离散时间点的历史数据之差,得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据;
历史信息确定子模块,用于基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息。
进一步的,所述历史信息确定子模块,具体用于采用如下公式基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息:
yt+1=α*r+b
其中,yt+1为目标历史信息;r=[rt,rt-1,…rt-p,…,rt-j+1],r为预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,rt-p=[r(t-p)1,r(t-p)2,…,r(t-p)i,…,r(t-p)n],rt-p为时间步长(t-p)内所述目标信息对应的多个历史变化数据,0≤p<j,r(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i至离散时间点(i+1)所对应的历史变化数据,r(t-p)i=x(t-p)(i+1)-x(t-p)i,x(t-p)(i+1)为所述目标信息在时间步长(t-p)内的离散时间点(i+1)所对应的历史数据,x(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i的所对应的历史数据,n为每个时间步长包括的离散时间点的数量,i≤n;α为预设的衰减因子,α=[α0,α1,…αp,…,αj-1],j为时间步长的数量,αp为rt-p对应的衰减因子分量;b为预设的偏差向量。
进一步的,所述预测子模块,具体用于基于预设的噪声向量对所述初始变化趋势特征进行干扰模拟处理,获得所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;其中,所述预设的噪声向量满足标准高斯分布。
为了达到上述目的,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述目标信息的预测方法步骤。
为了达到上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的目标信息的预测方法步骤。
为了达到上述目的,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的目标信息的预测方法步骤。
本发明实施例有益效果:
采用本发明实施例提供的方法,获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息;将目标历史信息输入预先训练的目标信息预测模型,获取目标信息在当前时间点后的变化趋势预测结果;所述RNN层,用于对输入的目标历史信息进行初始变化趋势特征提取;所述GAN层,用于基于初始变化趋势特征,确定目标信息在当前时间点后的变化趋势信息,作为目标信息的变化趋势预测结果。即本发明实施例提供的方法,将RNN层与GAN层相结合,利用RNN网络能够处理时序数据的优点和GAN网络能够生成近乎真实的虚假数据的优点,提高了预测出的目标信息在当前时间点后的变化趋势信息的精度。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的目标信息的预测方法的一种流程图;
图2为所述目标信息预测模型的结构示意图;
图3为训练所述目标信息预测模型的一种流程;
图4a为一种针对股票A的股票价格变化趋势图;
图4b为另一种针对股票A的股票价格变化趋势图;
图5a为一种针对股票B的股票价格变化趋势图;
图5b为另一种针对股票B的股票价格变化趋势图;
图6a为一种针对股票C的股票价格变化趋势图;
图6b为另一种针对股票C的股票价格变化趋势图;
图7为本发明实施例提供的目标信息的预测装置的一种结构示意图;
图8为本发明实施例提供的目标信息的预测装置的另一种结构示意图;
图9为本发明实施例提供的目标信息的预测装置的又一种结构示意图;
图10为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的目标信息的预测方法的一种流程,该方法应用于电子设备,如图1所示,包括如下步骤:
步骤101,获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息。
本发明实施例中,所述目标信息可以为目标景点的客流量信息、目标应用软件的用户活跃度信息和目标股票的价格信息等信息中的一个。其中,目标景点可以为任一旅游景点,目标应用软件可以为视频软件或聊天软件等软件,目标股票可以为任一需要预测价格的股票。
本发明实施例中,可以采用步骤A1-步骤A3所述的方法,确定目标历史信息:
步骤A1,获取目标信息在当前时间点之前的预设数量个时间步长内的多个历史数据;其中,每个所述时间步长包括多个离散时间点。
本发明实施例中,预设数量可以根据实际应用情况进行设定,例如设定为5或8等,此处不做具体限定。每个时间步长包括的离散时间点的数量相同。
本步骤中,可以获取每个时间步长包括的各个离散时间点处所述目标信息对应的历史数据;例如,若目标信息为目标股票的价格信息,则可以获取目标股票在每个时间步长包括的各个离散时间点处对应的历史股票价格数据,作为所获得的多个历史数据;若目标信息为目标景点的客流量信息,则可以获取目标景点在每个时间步长包括的各个离散时间点处对应的历史客流量数据,作为所获得的多个历史数据;若目标信息为目标应用软件的用户活跃度信息,则可以获取目标应用软件在每个时间步长包括的各个离散时间点处对应的历史活跃用户人数的数据,作为所获得的多个历史数据。
步骤A2,针对每个所述时间步长,计算该时间步长内相邻的两个离散时间点中,前一个离散时间点的历史数据与后一个离散时间点的历史数据之差,得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据。
举例说明,若目标信息为目标股票的价格信息,针对每个所述时间步长,计算该时间步长内相邻的两个离散时间点中,前一个离散时间点的历史股票价格与后一个离散时间点的历史股票价格之差,得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据;若目标信息为目标景点的客流量信息,针对每个所述时间步长,计算该时间步长内相邻的两个离散时间点中,前一个离散时间点的历史客流量与后一个离散时间点的历史客流量之差,得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据;若目标信息为目标应用软件的用户活跃度信息,针对每个所述时间步长,计算该时间步长内相邻的两个离散时间点中,前一个离散时间点的历史活跃用户人数与后一个离散时间点的历史活跃用户人数之差,得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据。
步骤A3,基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息。
具体的,可以采用如下公式基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息:
yt+1=α*r+b
其中,yt+1为目标历史信息;r=[rt,rt-1,…rt-p,…,rt-j+1],r为预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,rt-p=[r(t-p)1,r(t-p)2,…,r(t-p)i,…,r(t-p)n],rt-p为时间步长(t-p)内所述目标信息对应的多个历史变化数据,0≤p<j,r(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i至离散时间点(i+1)所对应的历史变化数据,r(t-p)i=x(t-p)(i+1)-x(t-p)i,x(t-p)(i+1)为所述目标信息在时间步长(t-p)内的离散时间点(i+1)所对应的历史数据,x(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i的所对应的历史数据,n为每个时间步长包括的离散时间点的数量,i≤n;α为预设的衰减因子,α=[α0,α1,…αp,…,αj-1],j为时间步长的数量,αp为rt-p对应的衰减因子分量;b为预设的偏差向量。
举例说明,若目标信息为目标股票的价格信息,则可以采用上述公式yt+1=α*r+b确定目标历史信息,且在该实例中:yt+1为目标股票的价格信息对应的目标历史信息,r为预设数量个所述时间步长内目标股票的价格信息对应的多个历史变化数据。
步骤102,将所述目标历史信息输入预先训练的目标信息预测模型,获取所述目标信息在当前时间点后的变化趋势预测结果。
图2为所述目标信息预测模型的结构示意图,如图2所示,所述目标信息预测模型包括RNN(Recurrent Neural Network,循环神经网络)层和GAN(Generative AdversarialNetwork,生成对抗网络)层;所述RNN层,用于对输入的所述目标历史信息进行初始变化趋势特征提取,并将所提取的所述初始变化趋势特征输入所述GAN层;所述GAN层,用于基于所述初始变化趋势特征,确定所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果。
具体的,本发明实施例中所述GAN层,可以用于基于预设的噪声向量对所述初始变化趋势特征进行干扰模拟处理,获得所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;其中,所述预设的噪声向量满足标准高斯分布。
采用本发明实施例提供的方法,获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息;将目标历史信息输入预先训练的目标信息预测模型,获取目标信息在当前时间点后的变化趋势预测结果;所述RNN层,用于对输入的目标历史信息进行初始变化趋势特征提取;所述GAN层,用于基于初始变化趋势特征,确定目标信息在当前时间点后的变化趋势信息,作为目标信息的变化趋势预测结果。即本发明实施例提供的方法,将RNN层与GAN层相结合,利用RNN网络能够处理时序数据的优点和GAN网络能够生成近乎真实的虚假数据的优点,提高了预测出的目标信息在当前时间点后的变化趋势信息的精度。
本发明实施例,所述目标信息预测模型为:基于所述目标信息对应的多个样本历史信息,以及所述目标信息对应的真实变化趋势数据,对待训练目标信息预测模型进行训练获得的。
图3为训练所述目标信息预测模型的一种流程,如图3所示,所述目标信息预测模型的训练方式,包括:
步骤301,将所述目标信息对应的样本历史信息输入待训练目标信息预测模型,得到该样本历史信息对应的预测变化趋势数据。
步骤302,基于所述目标信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值。
具体的,本发明实施例中可以采用如下公式,基于该样本历史信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值:
L=Ladv+λcosLcos+λgpLgp
其中,L为所述损失函数值;Ladv为对抗性损失函数;Lcos为余弦相似度损失函数,λcos为Lcos的预设余弦系数;Lgp为梯度惩罚损失函数,λgp为Lgp的预设惩罚系数;Et为所述目标信息对应的历史变化数据的均值,rt+1为所述目标信息对应的真实变化趋势数据,为所述预测变化趋势数据;D(rt+1)为所述目标信息对应的真实变化趋势数据经过生成对抗网络GAN的鉴别器处理后得到的数据,所述预测变化趋势数据经过GAN的鉴别器处理后得到的数据; 为rt+1和之间预设的插值,β为预设的常数系数,β∈(0,1)。
例如,若目标信息为目标股票的价格信息,则目标股票的价格信息对应的样本历史信息为目标股票的历史价格变动数据,目标信息对应的真实变化趋势数据为目标股票的真实价格变动数据。将目标股票的历史价格变动数据输入待训练目标信息预测模型,可以得到对应的目标股票的预测价格变化趋势数据,作为预测变化趋势数据。然后,可以根据目标股票的真实价格变动数据和目标股票的预测价格变化趋势数据,采用上述损失函数值计算公式,计算出对应的损失函数值。
步骤303,判断损失函数值是否小于预设损失阈值,若判断结果为是,执行步骤304,若判断结果为否,执行步骤305。
其中,预设损失阈值可以根据实际应用情况进行设定,此处不做具体限定。
本发明实施例中,可以认为执行一次步骤301为完成一次训练。在一种可能实施方式中,也可以通过判断完成训练的次数是否不小于预设训练次数,如果判断出完成训练的次数不小于预设训练次数,则可以执行步骤304,如果判断出完成训练的次数小于预设训练次数,则可以执行步骤305。其中,预设训练次数可以根据实际应用情况进行设定,例如设定为150或200,此处不做具体限定。
步骤304,将当前的待训练目标信息预测模型确定为训练得到的所述目标信息预测模型。
步骤305,调整当前的待训练目标信息预测模型的参数,返回执行步骤301。
待训练目标信息预测模型可以包括:待训练RNN层和待训练GAN层,且待训练GAN层可以包括生成器和鉴别器。
本步骤中,可以调整当前的待训练目标信息预测模型中待训练RNN层的参数、待训练GAN层的生成器的参数和待训练GAN层的鉴别器的参数。
采用本发明实施例提供的方法,将RNN层与GAN层相结合,利用RNN网络能够处理时序数据的优点和GAN网络能够生成近乎真实的虚假数据的优点,提高了预测出的目标信息在当前时间点后的变化趋势信息的精度。本发明实施例提供的方法针对具体的信息如股票价格信息,率先提出了将RNN网络与GAN网络相结合预测股票价格的未来变化走势的思想,并将多元线性回归和深度神经网络相融合,成功地分离出股票价格数据中的线性部分和非线性部分,进一步提高了预测出的股票价格变化趋势信息的精度。
下面提供了当目标信息为目标股票的价格信息时,训练待训练目标信息预测模型M,得到预测目标股票价格变化趋势的目标信息预测模型Q的具体方式:
待训练目标信息预测模型M包括待训练RNN层和待训练GAN层,且待训练GAN层包括鉴别器D和生成器G。首先,可以给定目标股票的历史股票价格数据x1,x1=[x11,x12,…,x1m],m为给定目标股票的历史股票价格数据对应的时间步长的数量;可以将时间步长t内的目标股票的历史股票价格数据x1t定义为:x1t=[x1t1,x1t2,…,x1ti,…,x1tn],其中,t∈[1,m],n为时间步长t中离散时间点的数量,x1ti为目标股票在时间步长t内的离散时间点i所对应的历史股票价格数据。进而可以得到时间步长t内目标股票的历史股票价格变动数据r1t为:r1t=[r1t1,r1t2,…,r1ti,…,r1tn],其中r1ti=x1t(i+1)-x1ti,r1ti为时间步长t内的离散时间点(i+1)的历史股票价格与离散时间点i的历史股票价格的差值。然后,可以定义衰减因子α1以确定历史股票价格变动数据r1t如何影响未来目标股票未来的股票价格的变化趋势,α1=[α10,α11,…α1i,…,α1j-1],α1p为r1i对应的衰减因子分量。可以通过以下多元线性回归公式得到目标股票的历史股票价格变动数据y1t+1作为样本历史信息,用于训练待训练目标信息预测模型M的样本:
y1t+1=α10*r1t+α11*r1t-1+α12*r1t-2+…+α1j-1*r1t-j+1+b
样本历史信息y1t+1作为待训练RNN层的输入。待训练RNN层对y1t+1处理后,得到对应的n维输出o1t+1,o1t+1为初始股票价格变化趋势特征,o1t+1=[o1t+1,1,o1t+1,2,…,o1t+1,i,…,o1t+1,n]∈Rn,其中s1t+1,i是待训练RNN层在时间步长(t+1)的第i个离散时间点的输出。
将待训练RNN层的输出o1t+1作为待训练GAN层的生成器G的输入。待训练GAN层的生成器G可以将o1t+1和一个预设的噪声向量z1之和作为输入,生成器G对输入数据进行处理后,得到对应的输出数据 G(o1t+1,z1)表示生成器G对输入数据的处理结果。预设的噪声向量z1可以为随机生成的满足标准高斯分布的噪声向量,且z1∈Rn。需要说明的是:生成器G的输出必须满足与过去几个时间步长的历史股票价格变动数据具有相同均值和方差的数据分布特征,以使得输出的数据更接近真实数据,从而达到欺骗待训练GAN层的鉴别器D的目的。具体的可以通过MLP(Maximum LikelihoodProbability,极大似然预测子)实现“生成器G的输出必须满足与过去几个时间步长的历史股票价格变动数据具有相同均值和方差的数据分布特征”。本发明的待训练GAN层的生成器G的框架采用了自适应实例规范化AdaIN。AdaIN使用平均值和方差值作为参数,以便在两个特定值下生成器G可以约束输出。在待训练GAN层的生成器G中,通过AdaIN对每一层进行加权,并根据过去几个时间步长的历史股票价格变动数据计算参数,生成器G通过最小化损失函数,强制生成更加真实的张量,作为对应的输出。
待训练GAN层的鉴别器D可以为一个多层鉴别器。鉴别器D由多个线性层、非线性层和激活函数层组成。鉴别器D可以学习辨别张量x为真实的股票价格数据或生成器G所生成的假张量。鉴别器D的输出为一个介于0和1之间的值,鉴别器D的输出越接近1,表示生成器输出的预测股票价格变动数据越接近真实股票价格变动数据。
基于生成器G和鉴别器D的输出,可以采用以下公式确定待训练目标信息预测模型M对应的损失函数值:
L1=L1adv+λ1cosL1cos+λ1gpL1gp
其中,L1为待训练目标信息预测模型M对应的损失函数值;L1adv为待训练目标信息预测模型M对应的对抗性损失函数;L1cos为待训练目标信息预测模型M对应的余弦相似度损失函数,λ1cos为L1cos的预设余弦系数;L1gp为待训练目标信息预测模型M对应的梯度惩罚损失函数,λ1gp为L1gp的预设惩罚系数;E1t为样本历史信息的均值,r1t+1为目标股票对应的真实股票价格变化趋势数据,为生成器G输出的目标股票对应的预测股票价格变化趋势数据;D(r1t+1)为目标股票对应的真实股票价格变化趋势数据鉴别器D处理后得到的数据,所述目标股票对应的预测股票价格变化趋势数据经过鉴别器D处理后得到的数据。 为r1t+1和之间预设的插值,以使生成的数据更平滑避免极值的出现;β1为预设的常数系数,β1∈(0,1)。
采用梯度惩罚损失函数L1gp可以显著地解决梯度爆炸/消失的弱点,提高待训练目标信息预测模型M的收敛效果。生成器G和待训练RNN层可以减小损失函数值使得生成的虚假数据更加真实,而鉴别器D可以增大损失函数值以使得更好地区分真实数据和虚假数据。
可以判断损失函数值L1是否小于预设损失阈值;如果损失函数值L1小于预设损失阈值,确定完成一次训练,并将当前的待训练目标信息预测模型M确定为训练得到的目标信息预测模型Q。如果损失函数值L1不小于预设损失阈值,确定完成一次训练,并调整当前的待训练目标信息预测模型M的参数,用新的样本历史信息再次训练更新参数后的待训练目标信息预测模型M;直至训练次数达到预设训练次数后,将得到的待训练目标信息预测模型M确定为训练得到的目标信息预测模型Q。具体的,可以调整当前的待训练目标信息预测模型M中待训练RNN层的参数、待训练GAN层的生成器G的参数和待训练GAN层的鉴别器D的参数。
本发明实施例提供的方法提出了将衰减因子与多元线性回归函数相结合的方法,分析一定历史时间段内的数据对信息变化趋势的影响;将梯度惩罚损失函数应用到GAN模型中,可以显著提高目标信息预测模型的稳定性;利用MLP约束生成器的输出具有一定的均值和方差,可以生成更真实、更合理的数据。
参见图4a-图6b,本发明实施例中提供了几组对比试验,对比了本发明训练得到的目标信息预测模型与现有的目标信息预测模型对股票价格变化趋势的预测精度,得到的结论为:相比现有的目标信息预测模型,本发明训练得到的目标信息预测模型对股票价格变化趋势的预测精度更高。
图4a为一种针对股票A的股票价格变化趋势图,图4a中展示了:利用本发明训练得到的目标信息预测模型预测出的股票A在时间段[1,10]内的预测股票价格变化趋势曲线“our model”、利用现有的ARIMA(auto-regressive integrated moving average,自回归积分滑动平均)模型预测出的股票A在时间段[1,10]内的预测股票价格变化趋势曲线“ARIMA”、利用现有的ANN(Artificial Neural Network,人工神经网络)模型预测出的股票A在时间段[1,10]内的预测股票价格变化趋势曲线“ANN”和股票A在时间段[1,10]内的真实股票价格变化趋势曲线“real data”。其中,图4a中的预测股票价格变化趋势曲线“ourmodel”、预测股票价格变化趋势曲线“ARIMA”和预测股票价格变化趋势曲线“ANN”,均为基于时间步长a1内的股票A的历史股票价格变动数据所确定的,时间步长a1可以为指定的一个月。如图4a所示,本发明训练得到的目标信息预测模型预测出的股票A在时间段[1,10]内的预测股票价格变化趋势曲线“our model”,与股票A在时间段[1,10]内的真实股票价格变化趋势曲线“real data”的变化趋势的吻合程度最高,由此可知,相对现有的股票价格变化趋势预测模型,本发明训练得到的目标信息预测模型对股票价格变化趋势的预测精度更高。
图4b为另一种针对股票A的股票价格变化趋势图,图4b中展示了:利用本发明训练得到的目标信息预测模型预测出的股票A在时间段[1,10]内的预测股票价格变化趋势曲线“our model”、利用现有的ARIMA(auto-regressive integrated moving average,自回归积分滑动平均)模型预测出的股票A在时间段[1,10]内的预测股票价格变化趋势曲线“ARIMA”、利用现有的ANN(Artificial Neural Network,人工神经网络)模型预测出的股票A在时间段[1,10]内的预测股票价格变化趋势曲线“ANN”和股票A在时间段[1,10]内的真实股票价格变化趋势曲线“real data”。其中,图4b中的预测股票价格变化趋势曲线“ourmodel”、预测股票价格变化趋势曲线“ARIMA”和预测股票价格变化趋势曲线“ANN”,均为基于时间步长a2内的股票A的历史股票价格变动数据所确定的,时间步长a2可以为指定与时间步长a1不同的一个月。如图4b所示,本发明训练得到的目标信息预测模型预测出的股票A在时间段[1,10]内的预测股票价格变化趋势曲线“our model”,与股票A在时间段[1,10]内的真实股票价格变化趋势曲线“real data”的变化趋势的吻合程度最高,由此可知,相对现有的股票价格变化趋势预测模型,本发明训练得到的目标信息预测模型对股票价格变化趋势的预测精度更高。
图5a为一种针对股票B的股票价格变化趋势图,图5a中展示了:利用本发明训练得到的目标信息预测模型预测出的股票B在时间段[1,10]内的预测股票价格变化趋势曲线“our model”、利用现有的ARIMA(auto-regressive integrated moving average,自回归积分滑动平均)模型预测出的股票B在时间段[1,10]内的预测股票价格变化趋势曲线“ARIMA”、利用现有的ANN(Artificial Neural Network,人工神经网络)模型预测出的股票B在时间段[1,10]内的预测股票价格变化趋势曲线“ANN”和股票B在时间段[1,10]内的真实股票价格变化趋势曲线“real data”。其中,图5a中的预测股票价格变化趋势曲线“ourmodel”、预测股票价格变化趋势曲线“ARIMA”和预测股票价格变化趋势曲线“ANN”,均为基于时间步长b1内的股票B的历史股票价格变动数据所确定的,时间步长b1可以为指定的一个月。如图5a所示,本发明训练得到的目标信息预测模型预测出的股票B在时间段[1,10]内的预测股票价格变化趋势曲线“our model”,与股票B在时间段[1,10]内的真实股票价格变化趋势曲线“real data”的变化趋势的吻合程度最高,由此可知,相对现有的股票价格变化趋势预测模型,本发明训练得到的目标信息预测模型对股票价格变化趋势的预测精度更高。
图5b为另一种针对股票B的股票价格变化趋势图,图5b中展示了:利用本发明训练得到的目标信息预测模型预测出的股票B在时间段[1,10]内的预测股票价格变化趋势曲线“our model”、利用现有的ARIMA(auto-regressive integrated moving average,自回归积分滑动平均)模型预测出的股票B在时间段[1,10]内的预测股票价格变化趋势曲线“ARIMA”、利用现有的ANN(Artificial Neural Network,人工神经网络)模型预测出的股票B在时间段[1,10]内的预测股票价格变化趋势曲线“ANN”和股票B在时间段[1,10]内的真实股票价格变化趋势曲线“real data”。其中,图5b中的预测股票价格变化趋势曲线“ourmodel”、预测股票价格变化趋势曲线“ARIMA”和预测股票价格变化趋势曲线“ANN”,均为基于时间步长b2内的股票B的历史股票价格变动数据所确定的,时间步长b2可以为指定与时间步长b1不同的一个月。如图5b所示,本发明训练得到的目标信息预测模型预测出的股票B在时间段[1,10]内的预测股票价格变化趋势曲线“our model”,与股票B在时间段[1,10]内的真实股票价格变化趋势曲线“real data”的变化趋势的吻合程度最高,由此可知,相对现有的股票价格变化趋势预测模型,本发明训练得到的目标信息预测模型对股票价格变化趋势的预测精度更高。
图6a为一种针对股票C的股票价格变化趋势图,图6a中展示了:利用本发明训练得到的目标信息预测模型预测出的股票C在时间段[1,10]内的预测股票价格变化趋势曲线“our model”、利用现有的ARIMA(auto-regressive integrated moving average,自回归积分滑动平均)模型预测出的股票C在时间段[1,10]内的预测股票价格变化趋势曲线“ARIMA”、利用现有的ANN(Artificial Neural Network,人工神经网络)模型预测出的股票C在时间段[1,10]内的预测股票价格变化趋势曲线“ANN”和股票C在时间段[1,10]内的真实股票价格变化趋势曲线“real data”。其中,图6a中的预测股票价格变化趋势曲线“ourmodel”、预测股票价格变化趋势曲线“ARIMA”和预测股票价格变化趋势曲线“ANN”,均为基于时间步长c1内的股票C的历史股票价格变动数据所确定的,时间步长c1可以为指定的一个月。如图6a所示,本发明训练得到的目标信息预测模型预测出的股票C在时间段[1,10]内的预测股票价格变化趋势曲线“our model”,与股票C在时间段[1,10]内的真实股票价格变化趋势曲线“real data”的变化趋势的吻合程度最高,由此可知,相对现有的股票价格变化趋势预测模型,本发明训练得到的目标信息预测模型对股票价格变化趋势的预测精度更高。
图6b为另一种针对股票C的股票价格变化趋势图,图6b中展示了:利用本发明训练得到的目标信息预测模型预测出的股票C在时间段[1,10]内的预测股票价格变化趋势曲线“our model”、利用现有的ARIMA(auto-regressive integrated moving average,自回归积分滑动平均)模型预测出的股票C在时间段[1,10]内的预测股票价格变化趋势曲线“ARIMA”、利用现有的ANN(Artificial Neural Network,人工神经网络)模型预测出的股票C在时间段[1,10]内的预测股票价格变化趋势曲线“ANN”和股票C在时间段[1,10]内的真实股票价格变化趋势曲线“real data”。其中,图6b中的预测股票价格变化趋势曲线“ourmodel”、预测股票价格变化趋势曲线“ARIMA”和预测股票价格变化趋势曲线“ANN”,均为基于时间步长c2内的股票C的历史股票价格变动数据所确定的,时间步长c2可以为指定与时间步长c1不同的一个月。如图6b所示,本发明训练得到的目标信息预测模型预测出的股票C在时间段[1,10]内的预测股票价格变化趋势曲线“our model”,与股票C在时间段[1,10]内的真实股票价格变化趋势曲线“real data”的变化趋势的吻合程度最高,由此可知,相对现有的股票价格变化趋势预测模型,本发明训练得到的目标信息预测模型对股票价格变化趋势的预测精度更高。
基于同一发明构思,根据本发明上述实施例提供的目标信息的预测方法,相应地,本发明另一实施例还提供了一种目标信息的预测装置,应用于电子设备,其结构示意图如图7所示,具体包括:
历史信息获取模块701,用于获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息,其中,所述目标信息为目标景点的客流量信息、目标应用软件的用户活跃度信息和目标股票的价格信息中的一个;
结果预测模块702,用于将所述目标历史信息输入预先训练的目标信息预测模型,获取所述目标信息在当前时间点后的变化趋势预测结果;其中,所述目标信息预测模型包括循环神经网络RNN层和生成对抗网络GAN层;所述结果预测模块包括特征提取子模块703和预测子模块704;
所述特征提取子模块703,用于执行所述RNN层的处理步骤;所述RNN层,用于对输入的所述目标历史信息进行初始变化趋势特征提取,并将所提取的所述初始变化趋势特征输入所述GAN层;
所述预测子模块704,用于执行所述GAN层的处理步骤;所述GAN层,用于基于所述初始变化趋势特征,确定所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;其中,所述目标信息预测模型为:基于所述目标信息对应的多个样本历史信息,以及所述目标信息对应的真实变化趋势数据,对待训练目标信息预测模型进行训练获得的。
采用本发明实施例提供的装置,获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息;将目标历史信息输入预先训练的目标信息预测模型,获取目标信息在当前时间点后的变化趋势预测结果;所述RNN层,用于对输入的目标历史信息进行初始变化趋势特征提取;所述GAN层,用于基于初始变化趋势特征,确定目标信息在当前时间点后的变化趋势信息,作为目标信息的变化趋势预测结果。即本发明实施例提供的装置,将RNN层与GAN层相结合,利用RNN网络能够处理时序数据的优点和GAN网络能够生成近乎真实的虚假数据的优点,提高了预测出的目标信息在当前时间点后的变化趋势信息的精度。
进一步的,如图8所示,所述历史信息获取模块701包括:
历史数据获取子模块801,用于获取目标信息在当前时间点之前的预设数量个时间步长内的多个历史数据;其中,每个所述时间步长包括多个离散时间点;
变化数据确定子模块802,用于针对每个所述时间步长,计算该时间步长内相邻的两个离散时间点中,前一个离散时间点的历史数据与后一个离散时间点的历史数据之差,得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据;
历史信息确定子模块803,用于基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息。
进一步的,所述历史信息确定子模块803,具体用于采用如下公式基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息:
yt+1=α*r+b
其中,yt+1为目标历史信息;r=[rt,rt-1,…rt-p,…,rt-j+1],r为预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,rt-p=[r(t-p)1,r(t-p)2,…,r(t-p)i,…,r(t-p)n],rt-p为时间步长(t-p)内所述目标信息对应的多个历史变化数据,0≤p<j,r(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i至离散时间点(i+1)所对应的历史变化数据,r(t-p)i=x(t-p)(i+1)-x(t-p)i,x(t-p)(i+1)为所述目标信息在时间步长(t-p)内的离散时间点(i+1)所对应的历史数据,x(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i的所对应的历史数据,n为每个时间步长包括的离散时间点的数量,i≤n;α为预设的衰减因子,α=[α0,α1,…αp,…,αj-1],j为时间步长的数量,αp为rt-p对应的衰减因子分量;b为预设的偏差向量。
进一步的,所述预测子模块704,具体用于基于预设的噪声向量对所述初始变化趋势特征进行干扰模拟处理,获得所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;其中,所述预设的噪声向量满足标准高斯分布。
进一步的,如图9所示,所述装置还包括:模型训练模块901,用于采用如下步骤训练得到所述目标信息预测模型:
将所述目标信息对应的样本历史信息输入待训练目标信息预测模型,得到该样本历史信息对应的预测变化趋势数据;
基于所述目标信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值;
判断损失函数值是否小于预设损失阈值;
如果是,将当前的待训练目标信息预测模型确定为训练得到的所述目标信息预测模型;
如果不是,调整当前的待训练目标信息预测模型的参数,返回所述将所述目标信息对应的样本历史信息输入待训练目标信息预测模型的步骤。
进一步的,所述基于该样本历史信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值,包括:
采用如下公式,基于该样本历史信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值:
L=Ladv+λcosLcos+λgpLgp
其中,L为所述损失函数值;Ladv为对抗性损失函数;Lcos为余弦相似度损失函数,λcos为Lcos的预设余弦系数;Lgp为梯度惩罚损失函数,λgp为Lgp的预设惩罚系数;Et为所述目标信息对应的历史变化数据的均值,rt+1为所述目标信息对应的真实变化趋势数据,为所述预测变化趋势数据;D(rt+1)为所述目标信息对应的真实变化趋势数据经过生成对抗网络GAN的鉴别器处理后得到的数据,所述预测变化趋势数据经过GAN的鉴别器处理后得到的数据; 为rt+1和之间预设的插值,β为预设的常数系数,β∈(0,1)。
采用本发明实施例提供的装置,将RNN层与GAN层相结合,利用RNN网络能够处理时序数据的优点和GAN网络能够生成近乎真实的虚假数据的优点,提高了预测出的目标信息在当前时间点后的变化趋势信息的精度。本发明实施例提供的装置针对具体的信息如股票价格信息,率先提出了将RNN网络与GAN网络相结合预测股票价格的未来变化走势的思想,并将多元线性回归和深度神经网络相融合,成功地分离出股票价格数据中的线性部分和非线性部分,进一步提高了预测出的股票价格变化趋势信息的精度。
本发明实施例还提供了一种电子设备,如图10所示,包括处理器1001、通信接口1002、存储器1003和通信总线1004,其中,处理器1001,通信接口1002,存储器1003通过通信总线1004完成相互间的通信,
存储器1003,用于存放计算机程序;
处理器1001,用于执行存储器1003上所存放的程序时,实现如下步骤:
获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息,其中,所述目标信息为目标景点的客流量信息、目标应用软件的用户活跃度信息和目标股票的价格信息中的一个;
将所述目标历史信息输入预先训练的目标信息预测模型,获取所述目标信息在当前时间点后的变化趋势预测结果;其中,所述目标信息预测模型包括循环神经网络RNN层和生成对抗网络GAN层;
所述RNN层,用于对输入的所述目标历史信息进行初始变化趋势特征提取,并将所提取的所述初始变化趋势特征输入所述GAN层;
所述GAN层,用于基于所述初始变化趋势特征,确定所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;
其中,所述目标信息预测模型为:基于所述目标信息对应的多个样本历史信息,以及所述目标信息对应的真实变化趋势数据,对待训练目标信息预测模型进行训练获得的。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一目标信息的预测方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一目标信息的预测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及存储介质而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (6)
1.一种目标信息的预测方法,其特征在于,应用于电子设备,包括:
获取目标信息在当前时间点之前的预设数量个时间步长内的多个历史数据;其中,每个所述时间步长包括多个离散时间点;
针对每个所述时间步长,计算该时间步长内相邻的两个离散时间点中,前一个离散时间点的历史数据与后一个离散时间点的历史数据之差,得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据;
基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息;其中,所述目标信息为目标景点的客流量信息、目标应用软件的用户活跃度信息和目标股票的价格信息中的一个;
将所述目标历史信息输入预先训练的目标信息预测模型,获取所述目标信息在当前时间点后的变化趋势预测结果;其中,所述目标信息预测模型包括循环神经网络RNN层和生成对抗网络GAN层;
所述RNN层,用于对输入的所述目标历史信息进行初始变化趋势特征提取,并将所提取的所述初始变化趋势特征输入所述GAN层;
所述GAN层,用于基于所述初始变化趋势特征,确定所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;
其中,所述目标信息预测模型为:基于所述目标信息对应的多个样本历史信息,以及所述目标信息对应的真实变化趋势数据,对待训练目标信息预测模型进行训练获得的;
其中,所述基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息,包括:
采用如下公式基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息:
yt+1=α*r+b
其中,yt+1为目标历史信息;r=[rt,rt-1,...rt-p,...,rt-j+1],r为预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,rt-p=[r(t-p)1,r(t-p)2,...,r(t-p)i,...,r(t-p)n],rt-p为时间步长(t-p)内所述目标信息对应的多个历史变化数据,0≤p<j,r(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i至离散时间点(i+1)所对应的历史变化数据,r(t-p)i=x(t-p)(i+1)-x(t-p)i,x(t-p)(i+1)为所述目标信息在时间步长(t-p)内的离散时间点(i+1)所对应的历史数据,x(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i的所对应的历史数据,n为每个时间步长包括的离散时间点的数量,i≤n;α为预设的衰减因子,α=[α0,α1,...αp,...,αj-1],j为时间步长的数量,αp为rt-p对应的衰减因子分量;b为预设的偏差向量。
2.根据权利要求1所述的方法,其特征在于,所述基于所述初始变化趋势特征,确定所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果,包括:
基于预设的噪声向量对所述初始变化趋势特征进行干扰模拟处理,获得所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;其中,所述预设的噪声向量满足标准高斯分布。
3.根据权利要求1所述的方法,其特征在于,所述目标信息预测模型的训练方式,包括:
将所述目标信息对应的样本历史信息输入待训练目标信息预测模型,得到该样本历史信息对应的预测变化趋势数据;
基于所述目标信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值;
判断损失函数值是否小于预设损失阈值;
如果是,将当前的待训练目标信息预测模型确定为训练得到的所述目标信息预测模型;
如果不是,调整当前的待训练目标信息预测模型的参数,返回所述将所述目标信息对应的样本历史信息输入待训练目标信息预测模型的步骤。
4.根据权利要求3所述的方法,其特征在于,所述基于该样本历史信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值,包括:
采用如下公式,基于该样本历史信息对应的真实变化趋势数据和所述预测变化趋势数据,计算损失函数值:
L=Ladv+λcosLcos+λgpLgp
5.一种目标信息的预测装置,其特征在于,应用于电子设备,包括:
历史数据获取模块,用于获取目标信息在当前时间点之前的预设数量个时间步长内的多个历史数据;其中,每个所述时间步长包括多个离散时间点;
变化数据确定模块,用于针对每个所述时间步长,计算该时间步长内相邻的两个离散时间点中,前一个离散时间点的历史数据与后一个离散时间点的历史数据之差,得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据;
历史信息确定模块,用于基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息;其中,所述目标信息为目标景点的客流量信息、目标应用软件的用户活跃度信息和目标股票的价格信息中的一个;
结果预测模块,用于将所述目标历史信息输入预先训练的目标信息预测模型,获取所述目标信息在当前时间点后的变化趋势预测结果;其中,所述目标信息预测模型包括循环神经网络RNN层和生成对抗网络GAN层;所述结果预测模块包括特征提取子模块和预测子模块;
所述特征提取子模块,用于执行所述RNN层的处理步骤;所述RNN层,用于对输入的所述目标历史信息进行初始变化趋势特征提取,并将所提取的所述初始变化趋势特征输入所述GAN层;
所述预测子模块,用于执行所述GAN层的处理步骤;所述GAN层,用于基于所述初始变化趋势特征,确定所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;其中,所述目标信息预测模型为:基于所述目标信息对应的多个样本历史信息,以及所述目标信息对应的真实变化趋势数据,对待训练目标信息预测模型进行训练获得的;
其中,所述历史信息确定子模块,具体用于采用如下公式基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,确定目标历史信息:
yt+1=α*r+b
其中,yt+1为目标历史信息;r=[rt,rt-1,...rt-p,...,rt-j+1],r为预设数量个所述时间步长内所述目标信息对应的多个历史变化数据,rt-p=[r(t-p)1,r(t-p)2,...,r(t-p)i,...,r(t-p)n],rt-p为时间步长(t-p)内所述目标信息对应的多个历史变化数据,0≤p<j,r(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i至离散时间点(i+1)所对应的历史变化数据,r(t-p)i=x(t-p)(i+1)-x(t-p)i,x(t-p)(i+1)为所述目标信息在时间步长(t-p)内的离散时间点(i+1)所对应的历史数据,x(t-p)i为所述目标信息在时间步长(t-p)内的离散时间点i的所对应的历史数据,n为每个时间步长包括的离散时间点的数量,i≤n;α为预设的衰减因子,α=[α0,α1,...αp,...,αj-1],j为时间步长的数量,αp为rt-p对应的衰减因子分量;b为预设的偏差向量。
6.根据权利要求5所述的装置,其特征在于,所述预测子模块,具体用于基于预设的噪声向量对所述初始变化趋势特征进行干扰模拟处理,获得所述目标信息在当前时间点后的变化趋势信息,作为所述目标信息的变化趋势预测结果;其中,所述预设的噪声向量满足标准高斯分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598271.1A CN113269259B (zh) | 2021-05-31 | 2021-05-31 | 一种目标信息的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598271.1A CN113269259B (zh) | 2021-05-31 | 2021-05-31 | 一种目标信息的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269259A CN113269259A (zh) | 2021-08-17 |
CN113269259B true CN113269259B (zh) | 2023-04-18 |
Family
ID=77233771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110598271.1A Active CN113269259B (zh) | 2021-05-31 | 2021-05-31 | 一种目标信息的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269259B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114363193B (zh) * | 2022-01-04 | 2024-01-09 | 北京达佳互联信息技术有限公司 | 资源预测模型的训练方法和装置、资源预测方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110164128B (zh) * | 2019-04-23 | 2020-10-27 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110232631A (zh) * | 2019-04-25 | 2019-09-13 | 平安科技(深圳)有限公司 | 预测股票的方法及装置、计算机设备、存储介质 |
CN110414710A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技(深圳)有限公司 | 基于人工智能的趋势预测方法及装置 |
CN111178498B (zh) * | 2019-12-09 | 2023-08-22 | 北京邮电大学 | 一种股票波动预测方法及装置 |
CN111144552B (zh) * | 2019-12-27 | 2023-04-07 | 河南工业大学 | 一种粮食品质多指标预测方法及装置 |
-
2021
- 2021-05-31 CN CN202110598271.1A patent/CN113269259B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113269259A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316198B (zh) | 账户风险识别方法及装置 | |
US11461847B2 (en) | Applying a trained model to predict a future value using contextualized sentiment data | |
CN109189990B (zh) | 一种搜索词的生成方法、装置及电子设备 | |
CN108021934B (zh) | 多要素识别的方法及装置 | |
CN109190808B (zh) | 用户行为预测方法、装置、设备及介质 | |
CN112232510A (zh) | 多目标推荐模型的训练及信息推荐方法以及装置 | |
CN111047429A (zh) | 一种概率预测方法及装置 | |
CN110069545B (zh) | 一种行为数据评估方法及装置 | |
US20190220924A1 (en) | Method and device for determining key variable in model | |
CN112163963A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN116822651A (zh) | 基于增量学习的大模型参数微调方法、装置、设备及介质 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN116362823A (zh) | 用于行为稀疏场景的推荐模型训练方法、推荐方法及装置 | |
CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN113269259B (zh) | 一种目标信息的预测方法及装置 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN111639696A (zh) | 一种用户分类方法及装置 | |
CN114386580A (zh) | 决策模型训练、决策方法、装置、电子设备及存储介质 | |
CN115794898B (zh) | 一种金融资讯推荐方法、装置、电子设备及存储介质 | |
CN115660101A (zh) | 一种基于业务节点信息的数据服务提供方法及装置 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
de Oliveira Monteiro et al. | Market prediction in criptocurrency: A systematic literature mapping | |
CN111191827A (zh) | 一种数据波动趋势的预测方法及装置 | |
CN112115258A (zh) | 一种用户的信用评价方法、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 |