CN113706281B - 像素点信息预测方法、装置、设备及存储介质 - Google Patents
像素点信息预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113706281B CN113706281B CN202111045679.2A CN202111045679A CN113706281B CN 113706281 B CN113706281 B CN 113706281B CN 202111045679 A CN202111045679 A CN 202111045679A CN 113706281 B CN113706281 B CN 113706281B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- period
- point information
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Classifications
-
- 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
-
- 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
Abstract
本申请公开了一种像素点信息预测方法、装置、设备及存储介质，所述像素点信息预测方法包括：获取目标用户在预设观察周期内的像素点信息集合，对所述预设观察周期进行划分，获得各划分周期，基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量，将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的。本申请解决了模型预测的准确度低的技术问题。
Description
技术领域
本申请涉及金融科技(Fintech)的机器学习技术领域，尤其涉及一种像素点信息预测方法、装置、设备及存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。
随着计算机技术的发展，联邦学习的应用越来越广泛。当前，在风险模型应用的情形中，现有的基于时空数据的风险模型往往是构造一些与用户时空数据相关的变量进行模型训练，进而基于这些时空数据相关的变量，利用通常的机器学习算法进行训练得到风险模型，从而完成对用户的风险识别。然而，这些构造的变量往往只能衡量用户部分时空数据相关的信息，而构造的变量存在覆盖度不全的情况，进一步地，直接通过时空数据构造变量，会缺失相邻时空数据之间的关联信息，使得模型预测计算存在偏差，进而导致模型预测的准确度较低。
发明内容
本申请的主要目的在于提供一种像素点信息预测方法、装置、设备及存储介质，旨在解决现有技术中的模型预测的准确度低的技术问题。
为实现上述目的，本申请提供一种像素点信息预测方法，所述像素点信息预测方法包括：
获取目标用户在预设观察周期内的像素点信息集合；
对所述预设观察周期进行划分，获得各划分周期；
基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量；
将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的。
本申请还提供一种像素点信息预测装置，所述像素点信息预测装置为虚拟装置，所述像素点信息预测装置包括：
获取模块，用于获取目标用户在预设观察周期内的像素点信息集合；
划分模块，用于对所述预设观察周期进行划分，获得各划分周期；
张量化处理模块，用于基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量；
预测模块，用于将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的。
本申请还提供一种像素点信息预测设备，所述像素点信息预测设备为实体设备，所述像素点信息预测设备包括：存储器、处理器以及存储在所述存储器上的像素点信息预测程序，所述像素点信息预测程序被所述处理器执行时可实现如上述的像素点信息预测方法的步骤。
本申请还提供一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有像素点信息预测程序，所述像素点信息预测程序被处理器执行时实现如上述的像素点信息预测方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的像素点信息预测方法的步骤。
本申请提供了一种像素点信息预测方法、装置、设备及存储介质，本申请首先获取目标用户在预设观察周期内的像素点信息集合，进而对所述预设观察周期进行划分，获得各划分周期，基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量，实现了通过对各所述划分周期的像素点信息集合进行张量化处理，将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的，实现了基于待训练数据张量，且所述待训练数据张量覆盖了各个时间子周期，从而降低因变量覆盖度不全所带来的模型偏差，进一步地，将连续的像素点信息转化为时空数据张量，大大降低了深度学习的计算成本，同时也能够从时空数据张量中捕捉到更多的关联信息，进而提升了所述数据预测模型的精准度，从而使得通过所述像素点预测模型对像素点信息的预测更为精准，克服了现有技术中因构造的变量往往只能衡量用户部分时空数据相关的信息，且会缺失相邻时空数据之间的关联信息，导致构造的变量存在覆盖度不全的情况，进而导致模型预测效果不佳的技术缺陷，从而提高了模型预测的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请像素点信息预测方法第一实施例的流程示意图；
图2为本申请像素点信息预测方法第二实施例的流程示意图；
图3为本申请像素点信息预测方法第三实施例的流程示意图；
图4为本申请像素点信息预测方法第四实施例的流程示意图；
图5为本申请实施例方案涉及的硬件运行环境的像素点信息预测设备结构示意图。
本申请的目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种像素点信息预测方法，在本申请像素点信息预测方法的第一实施例中，参照图1，所述像素点信息预测方法包括：
步骤S10，获取目标用户在预设观察周期内的像素点信息集合；
在本实施例中，需要说明的是，所述像素点信息集合为对各像素点信息进行排序编号的集合，其中，所述像素点信息为标识所述目标用户在某一周期时点对应的像素点信息，用户一个时间段只能停留在一个像素点，所述预设观察周期为预先设置的时间周期，可以为距离当前最近的一个星期、距离当前最近的一个月、距离当前最近的六个月和距离当前最近的一年等。
获取目标用户在预设观察周期内的像素点信息集合，具体地，在所述预设观察周期内，获取所述目标用户对应的各像素点信息，进而统计所述目标用户访问各所述像素点信息分别对应的停留时长，根据各所述像素点信息对应的停留时长，对各所述像素点信息按照预设数量进行排序编号，获得所述像素点信息集合，例如，将5个像素点信息按照各自对应的停留时长进行排序，所述预设数量为3，将停留时长排在第一的像素点信息设置编号为1，将停留时长排在第二的像素点信息序列设置编号为2，将停留时长排在后三位的三个像素点信息序列设置编号为3，以根据所述预设数量构造不同的张量维度。
步骤S20，对所述预设观察周期进行划分，获得各划分周期；
在本实施例中，需要说明的是，因用户在预设观察周期所停留的像素点不完全相同，为了准确体现用户所需求的特征信息，将预设观察周期划分为多个划分周期，进而确定目标用户在多个划分周期中在各所述像素点信息的停留时间。
对所述预设观察周期进行划分，获得各划分周期，具体地，对所述预设观察周期按照预设划分方式进行划分，获得各划分周期，其中，所述预设划分方式包括按年、月、天数、小时和预设周期划分数量进行划分等方式。
步骤S30，基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量。
在本实施例中，需要说明的是，在几何代数中，标量为零维张量，向量为一维张量，矩阵为二维张量，所述张量化处理为将在各所述划分周期内访问所述像素点信息集合中的各像素点信息抽象为多维张量的处理方式，所述时空数据张量为在各所述划分周期访问各像素点信息的时间占比组成的数据张量，进一步需要说明的是，因像素点信息与时间具有相关性，为了确定用户在各个时间子周期的需求，进而将所述划分周期进一步划分，将所述划分周期划分为预设数量对应的时间子周期。
基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量，具体地，对于每一所述划分周期执行以下步骤：
统计所述像素点信息集合中的各像素点信息在所述划分周期内相同时间子周期分别对应的目标停留时间，进而计算访问所述像素点信息集合在所述划分周期内相同时间子周期的总停留时长，进一步地分别计算各所述像素点信息分别对应的目标停留时间与所述总停留时长之间的时长占比，以确定各所述像素点信息在所述划分周期相同时间子周期的活跃程度，进而获得所述像素点信息集合在所述划分周期各相同时间子周期对应的时长占比向量，进一步地，获得各所述划分周期对应的时长占比向量，将各所述划分周期对应的时长比例向量进行抽象组合，获得所述时空数据张量，例如，所述划分周期包括T1、T2、T3、T4、T5、T6、T7，所述时间子周期为t1、t2...tN,所述像素点信息集合为(1,2,3)，计算在T1划分周期t1时间子周期下的不同像素点的停留时间，第1常访问的像素点信息的停留时间为20分钟，第2常访问的像素点信息的停留时间为15分钟，第3常访问的像素点信息的停留时间为5分钟，20+15+5＝40，总停留时长即为40分钟，第1常访问的时长占比为20/40＝0.5,第2常访问的15/40＝0.375,第2常访问的5/40＝0.125,进而在T1中t1下对应的时长占比向量即为(0.5,0.375,0.125)的3维向量，进而计算在T1时间子周期中在其他时间子周期的时长占比向量，获得N×3维的数据张量，进一步地，计算所述像素点信息集合在其他划分周期T2、T3、T4、T5、T6、T7对应的时长占比向量，将各所述划分周期对应的时长占比向量构建为N×7×3维的数据张量。
另外地，考虑到周期的循环型因素，在所述划分周期的尾端以及在各所述划分周期内的各所述时间子周期尾端，均增加下一个周期对应的时长占比向量，进而获得所述时空数据张量，其中，所述时空数据张量中的每一个元素的取值X(i,j,k)为i划分周期中j时间子周期在第k常访问的像素点信息的停留时间占比。
步骤S40，将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的。
在本实施例中，需要说明的是，所述像素点预测模型包括卷积神经网络模型。
将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的，具体地，通过所述卷积神经网络模型的卷积层以及池化层对所述时空数据张量进行降维处理，获得目标特征值，进而通过所述卷积神经网络模型的全连接层对所述目标特征值进行全连接处理，获得所述像素点预测结果。
其中，所述像素点预测模型包括卷积神经网络模型，
所述将所述待预测数据张量输入像素点预测模型，输出像素点预测结果的步骤包括：
步骤S41，通过所述卷积神经网络模型的卷积层对所述时空数据张量进行卷积操作，获得所述历史时空数据张量的特征向量；
在本实施例中，通过所述卷积神经网络模型的卷积层对所述时空数据张量进行卷积操作，获得所述历史时空数据张量的特征向量，具体地，将所述时空数据张量输入所述卷积神经网络模型的卷积层，通过高斯卷积核对所述时空数据张量进行卷积操作，以对所述时空数据张量进行降维，同时在保证在各划分周期中各时间子周期中的停留信息外，还可以保存其相邻周期的停留信息。
步骤S42，通过所述卷积神经网络模型的池化层对所述特征向量进行池化操作，获得目标特征值；
在本实施例中，通过所述卷积神经网络模型的池化层对所述特征向量进行池化操作，获得目标特征值，具体地，通过所述卷积神经网络模型的池化层对所述特征向量进行池化操作，其中，所述池化操作包括标准差池化和平均池化等操作，进而获得所述目标特征值，优选地，进行平均池化操作，以判断目标用户是否持续停留在该像素点信息上，以及进行标准差池化操作，以判断目标用户停留在该像素点信息是否稳定。
步骤S43，通过所述卷积神经网络模型的全连接层对所述目标特征值进行全连接处理，获得所述像素点预测结果。
在本实施例中，通过所述卷积神经网络模型的全连接层对所述目标特征值进行全连接处理，获得所述像素点预测结果，具体地，将所述目标特征值输入所述卷积神经网络模型的全连接层，输出所述像素点预测结果
本申请实施例提供了一种像素点信息预测方法，本申请首先获取目标用户在预设观察周期内的像素点信息集合，进而对所述预设观察周期进行划分，获得各划分周期，基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量，实现了通过对各所述划分周期的像素点信息集合进行张量化处理，将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的，实现了基于待训练数据张量，且所述待训练数据张量覆盖了各个时间子周期，从而降低因变量覆盖度不全所带来的模型偏差，进一步地，将连续的像素点信息转化为时空数据张量，大大降低了深度学习的计算成本，同时也能够从时空数据张量中捕捉到更多的关联信息，进而提升了所述数据预测模型的精准度，从而使得通过所述像素点预测模型对像素点信息的预测更为精准，克服了现有技术中因构造的变量往往只能衡量用户部分生活习惯相关的信息，导致构造的变量存在覆盖度不全的情况，进而导致模型预测效果不佳的技术缺陷，从而提高了模型预测的准确性。
进一步地，参照图2，基于本申请中第一实施例，在本申请的另一实施例中，所述获取目标用户在预设观察周期内对应的像素点信息集合的步骤包括：
步骤A10，获取所述目标用户在预设观察周期中的各像素点信息；
在本实施例中，获取所述目标用户在预设观察周期中的各像素点信息，具体地，在预设观察周期中，获取所述目标用户在不同时间周期对应的各像素点信息。
步骤A20，对各所述像素点信息按照预设编号规则进行编号，获得像素点信息集合。
在本实施例中，需要说明的是，所述预设编号规则为根据预设编号数量对各所述像素点信息进行编号的处理规则。
对各所述像素点信息按照预设编号规则进行编号，获得像素点信息集合，具体地，统计所述目标用户在预设观察周期内访问各所述像素点信息对应的停留时长,进而根据各所述像素点信息对应的停留时长，对各所述像素点信息进行排序编号，获得所述像素点信息集合。
其中，所述对各所述像素点信息按照预设编号规则进行编号，获得像素点信息集合的步骤包括：
步骤A21，统计所述目标用户在预设观察周期内访问各所述像素点信息对应的停留时长；
在本实施例中，统计所述目标用户在预设观察周期内访问各所述像素点信息对应的停留时长，具体地，以预设观察周期为基准，分别统计各所述像素点信息对应的停留时长，例如，所述像素点信息包括A，B和C，所述预设观察周期为1个月，进而统计所述目标用户在1个月内访问A的停留时长,B的停留时长以及C的停留时长。
步骤A22，基于各所述像素点信息对应的停留时长，对各所述像素点信息进行排序，获得像素点信息序列；
在本实施例中，基于各所述像素点信息对应的停留时长，对各所述像素点信息进行排序，获得像素点信息序列，具体地，比较各所述像素点信息对应的停留时长，进而将各所述像素点信息进行排序，获得获得所述像素点信息序列。
步骤A23，对所述像素点信息序列按照预设数量进行编号，获得所述目标像素点信息集合。
在本实施例中，需要说明的是，所述按照预设编号规则为根据停留时长将各所述像素点信息进行排序编号的规则。
对所述像素点信息序列按照预设编号规则进行编号，获得所述目标像素点信息集合，具体地，将像素点信息序列中的各像素点信息按照排序结果进行编号，获得所述目标像素点信息集合，例如，假设各所述像素点信息为A,B,C,D,若A的停留时长为20分钟,B的停留时长为30分钟，C的停留时长为10分钟以及C的停留时长为5分钟，根据各所述像素点信息对应的停留时长进行排序，得到各所述像素点信息对应的排序结果为B,A,C,D，进而将B设置为1，将A设置为2，将C,D设置为3,其中，1为第一常访问的像素点信息，2为第二常访问的像素点信息，3为第三常访问的像素点信息。
本申请实施例提供了一种像素点信息预测方法，也即，获取所述目标用户在预设观察周期中的各像素点信息，对各所述像素点信息按照预设编号规则进行编号，获得像素点信息集合，以将所述像素点信息集合对应的编号数量构建相应维度的张量。
进一步地，参照图3，基于本申请中第一实施例，在本申请的另一实施例中，所述基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量的步骤包括：
步骤B10，统计所述像素点信息集合中的各像素点信息在各所述划分周期中各相同时间子周期中分别对应的目标停留时间；
在本实施例中，统计所述像素点信息集合中的各像素点信息在各所述划分周期中各相同时间子周期中分别对应的目标停留时间，具体地，将所述划分周期进一步划分，获得各时间子周期，进一步地，统计所述像素点信息集合中的各像素点信息在每一所述划分周期中的相同时间子周期内分别对应的停留时间，例如，所述像素点信息集合为(A,B)，统计在1个月中所有T1划分周期的t1时间子周期像素点内信息集合中各像素点信息分别对应的停留时长，其中，在第一个T1划分周期的t1时间子周期中，像素点信息A停留时长为10分钟和像素点信息B停留时长为20分钟，而在第二个T1划分周期的t1时间子周期中，像素点信息A的停留时长为15分钟和像素点信息B的停留时长为10分钟，进而将第一个中A的停留时长与第二个中A的停留时长进行相加，同时将第一个中B的停留时长与第二个中B的停留时长进行相加，直到一个月中所有T1划分周期的t1时间子周期像素点中，A的停留时长和B的停留时长均累加完成。
步骤B20，计算在各所述划分周期中各相同时间子周期中所述像素点信息集合的总停留时长；
在本实施例中，计算在各所述划分周期中各相同时间子周期中所述像素点信息集合的总停留时长，具体地，根据各所述像素点信息在每一所述划分周期内分别对应的目标停留时间，将在相应划分时间内各所述像素点信息分别对应的目标停留时间进行求和，即可获得各所述像素点信息的总停留时长，例如，在1个月中所有T1划分周期的t1时间子周期内，像素点信息集合A的累加停留时间为20分钟，像素点信息集合B的累加停留时间停留时间为15分钟，像素点信息集合C的累加停留时间的停留时间为5分钟，将各所述像素点信息的停留时间进行求和，也即20+15+5＝40分钟，即可获得在1个月中所有T1划分周期的t1时间子周期内各所述像素点信息的总停留时长。
步骤B30，分别计算各所述像素点信息分别对应的目标停留时间与所述总停留时长之间的时长占比，获得所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量；
在本实施例中,分别计算各所述像素点信息分别对应的目标停留时间与所述总停留时长之间的时长占比，获得所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量，具体地，对每一所述划分周期中每一相同时间子周期均执行以下步骤：
分别计算各像素点信息在所述划分周期中相同时间子周期分别对应的目标停留时间与在该划分周期中相同时间子周期内所述像素点信息集合的总停留时长之间的时长占比，获得所述像素点信息集合在所述划分周期中相同时间子周期对应的时长占比向量，例如，所述像素点信息集合为1,2,3，在1个月中所有T1划分周期中t1时间子周期内，第1常访问的像素点信息的累加停留时间为20分钟，第2常访问的像素点信息的累加停留时间为15分钟，第3常访问的像素点信息的累加停留时间为5分钟，20+15+5＝40，总停留时长即为40分钟，第1常访问的像素点信息的时长占比为20/40＝0.5,第2常访问的像素点信息的15/40＝0.375,第2常访问的像素点信息的5/40＝0.125,进而在所有T1划分周期中t1时间子周期内对应的时长占比向量为(0.5,0.375,0.125)的3维向量。
步骤B40，将所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量进行组合，获得所述时空数据张量。
在本实施例中，将所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量进行组合，获得所述时空数据张量，具体地，将每一所述划分周期对应的时长比例向量进行组合，形成所述目标用户在预设观察周期内各划分周期的各相同时间子周期中在各个像素点信息的时长占比，进一步地，考虑到周期的循环型因素，在所述划分周期的尾端以及在各所述划分周期内的各所述时间子周期尾端，增加下一个周期对应的时长占比向量，从而获得所述时空数据张量，以确定用户在各划分周期的不同时间子周期的不同需求，例如，所述划分周期包括T1、T2、T3、T4、T5、T6、T7，进而在T7后加上T1、T2分别对应的时长占比向量，所述时间子周期为t1、t2...tN,进而在tN后加上t1、t2对应的时长占比向量。
本申请实施例提供了一种像素点信息预测方法，也即，统计所述像素点信息集合中的各像素点信息在各所述划分周期中各相同时间子周期中分别对应的目标停留时间，进而计算在各所述划分周期中各相同时间子周期中所述像素点信息集合的总停留时长，进一步地，分别计算各所述像素点信息分别对应的目标停留时间与所述总停留时长之间的时长占比，获得所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量，以确定用户在各划分周期的不同时间子周期的不同需求，进而将所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量进行组合，获得所述时空数据张量，同时考虑到相邻节点的关联信息，提高模型预测的准确性。
进一步地，参照图4，基于本申请中第一实施例，在本申请的另一实施例中，在将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的步骤之前，所述像素点信息预测方法还包括：
步骤C10，获取待训练卷积神经网络模型；
步骤C20，获取样本用户在预设观察周期内的待训练像素点信息集合；
在本实施例中，获取样本用户在预设观察周期内的待训练像素点信息集合，具体地，在所述预设观察周期内，获取所述样本用户的各像素点信息，进而统计所述样本用户访问各所述像素点信息对应的停留时长，根据各所述像素点信息对应的停留时长，对各所述像素点信息按照预设数量进行排序编号，获得所述待训练像素点信息集合。
步骤C30，对所述预设观察周期进行划分，获得各划分周期；
在本实施例中，对所述预设观察周期进行划分，获得各划分周期，具体地，对所述预设观察周期按照预设划分方式进行划分，获得各划分周期。
步骤C40，基于各所述划分周期，对所述待训练像素点信息集合进行张量化处理，获得待训练数据张量；
在本实施例中，基于各所述划分周期，对所述待训练像素点信息集合进行张量化处理，获得待训练数据张量，具体地，对于每一所述划分周期执行以下步骤：
统计所述待训练像素点信息集合中的各像素点信息在所述划分周期内相同时间子周期分别对应的目标停留时间，进而计算访问所述待训练像素点信息集合在所述划分周期内相同时间子周期的总停留时长，进一步地分别计算各所述像素点信息分别对应的目标停留时间目标停留时间与所述总停留时长之间的时长占比，以确定各所述像素点信息在所述划分周期相同时间子周期的活跃程度，进而获得所述待训练像素点信息集合在所述划分周期对应的时长占比向量，从而获得各所述划分周期对应的时长占比向量，将各所述划分周期对应的时长比例向量进行抽象组合，另外地，考虑到周期变量的连续性情形，在所述划分周期尾端以及在各所述划分周期内的各所述时间子周期尾端，增加下一个周期对应的时长占比向量，获得所述待训练数据张量，使得模型后续在进行卷积操作时会考虑到相邻节点的关联信息，从而更好的拟合模型，例如，tN时间子周期对应的下一个周期值是t1，tN时间子周期后加入t1和t2的取值，模型也会学习tN与t1和t2之间的关联信息，从而提升模型预测效果，步骤C20至步骤C40的具体实施内容可参照步骤S10至步骤S30中的具体内容，在此不再赘述。
步骤C50，通过所述待训练数据张量对待训练卷积神经网络模型进行迭代训练优化，获得所述像素点预测模型。
在本实施例中，通过所述待训练数据张量对待训练卷积神经网络模型进行迭代训练优化，获得所述像素点预测模型，具体地，将所述待训练数据张量输入至所述待训练预测模型中，根据预先设定的损失函数，利用梯度下降算法对所述待训练卷积神经网络模型进行迭代训练，进而调整所述待训练卷积神经网络模型的参数，以优化所述待训练卷积神经网络模型，并判断优化后的待训练卷积神经网络模型是否满足预设训练结束条件，其中，所述预设训练结束条件包括损失函数收敛和达到最大迭代次数阈值等条件，若满足，则获得所述像素点预测模型，若不满足，则返回执行步骤：通过所述待训练数据张量对待训练卷积神经网络模型进行迭代训练优化，获得所述像素点预测模型。
本申请实施例提供了一种像素点信息预测方法，也即，获取样本用户在预设观察周期内的待训练像素点信息集合，进而对所述预设观察周期进行划分，获得各划分周期，进一步地，基于各所述划分周期，对所述待训练像素点信息集合进行张量化处理，获得待训练数据张量，实现了将各个划分周期中各时间子周期的像素点信息转化为多维张量，实现了通过对所述像素点信息集合进行张量化处理，以获得多维度的训练样本数据，也即所述待训练数据张量，使得所述训练样本数据尽可能覆盖各个划分周期中各时间子周期的情形，从而降低因变量覆盖度不全所带来的模型偏差，进一步地，通过所述待训练数据张量对待训练卷积神经网络模型进行迭代训练优化，获得所述像素点预测模型，实现根据覆盖各个时间子周期的训练样本数据，以及考虑相邻节点的关联信息，从而使得进行迭代训练获得的像素点预测模型对像素点信息的预测更为精准，为克服现有技术中因构造的变量往往只能衡量用户部分生活习惯相关的信息，导致构造的变量存在覆盖度不全的情况，进而导致模型预测效果不佳的技术缺陷奠定了基础。
参照图5，图5是本申请实施例方案涉及的硬件运行环境的像素点信息预测设备结构示意图。
如图5所示，该像素点信息预测设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该像素点信息预测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图5中示出的像素点信息预测设备结构并不构成对像素点信息预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及像素点预测程序。操作系统是管理和控制像素点信息预测设备硬件和软件资源的程序，支持像素点预测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与像素点信息预测方法系统中其它硬件和软件之间通信。
在图5所示的像素点信息预测设备中，处理器1001用于执行存储器1005中存储的像素点预测程序，实现上述任一项所述的像素点信息预测方法的步骤。
本申请像素点信息预测设备具体实施方式与上述像素点信息预测方法各实施例基本相同，在此不再赘述。
本申请还提供一种像素点信息预测装置，所述像素点信息预测装置包括：
获取模块，用于获取目标用户在预设观察周期内的像素点信息集合；
划分模块，用于对所述预设观察周期进行划分，获得各划分周期；
张量化处理模块，用于基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量；
预测模块，用于将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的。
可选地，所述获取模块还用于：
获取所述目标用户在预设观察周期中的各像素点信息；
对各所述像素点信息按照预设编号规则进行编号，获得像素点信息集合。
可选地，所述获取模块还用于：
统计所述目标用户在预设观察周期内访问各所述像素点信息对应的停留时长；
基于各所述像素点信息对应的停留时长，对各所述像素点信息进行排序，获得像素点信息序列；
对所述像素点信息序列按照预设数量进行编号，获得所述像素点信息集合。
可选地，所述张量化处理模块还用于：
统计所述像素点信息集合中的各像素点信息在各所述划分周期中各相同时间子周期中分别对应的目标停留时间；
计算在各所述划分周期中各相同时间子周期中所述像素点信息集合的总停留时长；
分别计算各所述像素点信息分别对应的目标停留时间与所述总停留时长之间的时长占比，获得所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量；
将所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量进行组合，获得所述时空数据张量。
可选地，所述预测模块还用于：
通过所述卷积神经网络模型的卷积层对所述时空数据张量进行卷积操作，获得所述历史时空数据张量的特征向量；
通过所述卷积神经网络模型的池化层对所述特征向量进行池化操作，获得目标特征值；
通过所述卷积神经网络模型的全连接层对所述目标特征值进行全连接处理，获得所述像素点预测结果。
可选地，所述像素点信息预测装置还用于：
获取待训练卷积神经网络模型；
获取样本用户在预设观察周期内的待训练像素点信息集合；
对所述预设观察周期进行划分，获得各划分周期；
基于各所述划分周期，对所述待训练像素点信息集合进行张量化处理，获得待训练数据张量；
通过所述待训练数据张量对待训练卷积神经网络模型进行迭代训练优化，获得所述像素点预测模型。
本申请像素点信息预测装置的具体实施方式与上述像素点信息预测方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种存储介质，所述存储介质为计算机可读存储介质，且所述计算机可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的像素点信息预测方法的步骤。
本申请计算机可读存储介质具体实施方式与上述像素点信息预测方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种计算机程序产品，且所述计算机程序产品包括有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的像素点信息预测方法的步骤。
本申请计算机程序产品具体实施方式与上述像素点信息预测方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。
Claims (7)
1.一种像素点信息预测方法，其特征在于，所述像素点信息预测方法包括：
获取目标用户在预设观察周期内的像素点信息集合；
对所述预设观察周期进行划分，获得各划分周期；
基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量；
将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的，所述像素点预测模型包括卷积神经网络模型；
所述获取目标用户在预设观察周期内对应的像素点信息集合的步骤包括：
获取所述目标用户在预设观察周期中的各像素点信息；
对各所述像素点信息按照预设编号规则进行编号，获得像素点信息集合；
所述对各所述像素点信息按照预设编号规则进行编号，获得像素点信息集合的步骤包括：
统计所述目标用户在预设观察周期内访问各所述像素点信息对应的停留时长；
基于各所述像素点信息对应的停留时长，对各所述像素点信息进行排序，获得像素点信息序列；
对所述像素点信息序列按照预设数量进行编号，获得所述像素点信息集合；
所述基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量的步骤包括：
统计所述像素点信息集合中的各像素点信息在各所述划分周期中各相同时间子周期中分别对应的目标停留时间；
计算在各所述划分周期中各相同时间子周期中所述像素点信息集合的总停留时长；
分别计算各所述像素点信息分别对应的目标停留时间与所述总停留时长之间的时长占比，获得所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量；
将所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量进行组合，获得各所述划分周期对应的时空数据张量。
2.如权利要求1所述像素点信息预测方法，其特征在于，
所述将所述时空数据张量输入像素点预测模型，输出像素点预测结果的步骤包括：
通过所述卷积神经网络模型的卷积层对所述时空数据张量进行卷积操作，获得历史时空数据张量的特征向量；
通过所述卷积神经网络模型的池化层对所述特征向量进行池化操作，获得目标特征值；
通过所述卷积神经网络模型的全连接层对所述目标特征值进行全连接处理，获得所述像素点预测结果。
3.如权利要求1所述像素点信息预测方法，其特征在于，在将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的步骤之前，所述像素点信息预测方法还包括：
获取待训练卷积神经网络模型；
获取样本用户在预设观察周期内的待训练像素点信息集合；
对所述预设观察周期进行划分，获得各划分周期；
基于各所述划分周期，对所述待训练像素点信息集合进行张量化处理，获得待训练数据张量；
通过所述待训练数据张量对待训练卷积神经网络模型进行迭代训练优化，获得所述像素点预测模型。
4.一种像素点信息预测装置，其特征在于，所述像素点信息预测装置包括：
获取模块，用于获取目标用户在预设观察周期内的像素点信息集合；
划分模块，用于对所述预设观察周期进行划分，获得各划分周期；
张量化处理模块，用于基于各所述划分周期，对所述像素点信息集合进行张量化处理，获得各所述划分周期对应的时空数据张量；
预测模块，用于将所述时空数据张量输入像素点预测模型，输出像素点预测结果，其中，所述像素点预测模型是根据由各待训练像素点信息构成的待训练数据张量进行迭代训练优化得到的，所述像素点预测模型包括卷积神经网络模型；
所述获取模块，还用于获取所述目标用户在预设观察周期中的各像素点信息；对各所述像素点信息按照预设编号规则进行编号，获得像素点信息集合；
所述获取模块，还用于统计所述目标用户在预设观察周期内访问各所述像素点信息对应的停留时长；基于各所述像素点信息对应的停留时长，对各所述像素点信息进行排序，获得像素点信息序列；对所述像素点信息序列按照预设数量进行编号，获得所述像素点信息集合；
所述张量化处理模块，还用于统计所述像素点信息集合中的各像素点信息在各所述划分周期中各相同时间子周期中分别对应的目标停留时间；计算在各所述划分周期中各相同时间子周期中所述像素点信息集合的总停留时长；分别计算各所述像素点信息分别对应的目标停留时间与所述总停留时长之间的时长占比，获得所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量；将所述像素点信息集合在各所述划分周期中各相同时间子周期对应的时长占比向量进行组合，获得各所述划分周期对应的时空数据张量。
5.一种像素点信息预测设备，其特征在于，所述像素点信息预测设备包括：存储器、处理器以及存储在存储器上的像素点信息预测程序，
所述像素点信息预测程序被所述处理器执行实现如权利要求1至3中任一项所述像素点信息预测方法的步骤。
6.一种存储介质，所述存储介质为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上存储有像素点信息预测程序，所述像素点信息预测程序被处理器执行以实现如权利要求1至3中任一项所述像素点信息预测方法的步骤。
7.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述像素点信息预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111045679.2A CN113706281B (zh) | 2021-09-07 | 2021-09-07 | 像素点信息预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111045679.2A CN113706281B (zh) | 2021-09-07 | 2021-09-07 | 像素点信息预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706281A CN113706281A (zh) | 2021-11-26 |
| CN113706281B true CN113706281B (zh) | 2024-03-29 |
Family
ID=78659086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111045679.2A Active CN113706281B (zh) | 2021-09-07 | 2021-09-07 | 像素点信息预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706281B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898829A (zh) * | 2018-06-07 | 2018-11-27 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
| CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
| CN110119759A (zh) * | 2019-04-11 | 2019-08-13 | 天津大学 | 一种基于增益张量的高温承压元件红外图像监测方法 |
| CN111582943A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 基于cnn和lstm的电力系统负荷预测方法 |
| CN111598059A (zh) * | 2020-06-28 | 2020-08-28 | 中国人民公安大学 | 犯罪预测模型的训练方法、装置及电子设备 |
| WO2021007352A1 (en) * | 2019-07-08 | 2021-01-14 | Indigo Ag, Inc. | Crop yield forecasting models |
| CN112257934A (zh) * | 2020-10-26 | 2021-01-22 | 辽宁工程技术大学 | 一种基于时空动态神经网络的城市人流预测方法 |
| CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
-
2021
- 2021-09-07 CN CN202111045679.2A patent/CN113706281B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898829A (zh) * | 2018-06-07 | 2018-11-27 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
| CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
| CN110119759A (zh) * | 2019-04-11 | 2019-08-13 | 天津大学 | 一种基于增益张量的高温承压元件红外图像监测方法 |
| WO2021007352A1 (en) * | 2019-07-08 | 2021-01-14 | Indigo Ag, Inc. | Crop yield forecasting models |
| CN111582943A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 基于cnn和lstm的电力系统负荷预测方法 |
| CN111598059A (zh) * | 2020-06-28 | 2020-08-28 | 中国人民公安大学 | 犯罪预测模型的训练方法、装置及电子设备 |
| CN112257934A (zh) * | 2020-10-26 | 2021-01-22 | 辽宁工程技术大学 | 一种基于时空动态神经网络的城市人流预测方法 |
| CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706281A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10963292B2 (en) | Techniques to manage virtual classes for statistical tests | |
| US10552119B2 (en) | Dynamic management of numerical representation in a distributed matrix processor architecture | |
| CN109858740B (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
| Pawlikowski et al. | Weighted ensemble of statistical models | |
| US9197511B2 (en) | Anomaly detection in network-site metrics using predictive modeling | |
| US20210191958A1 (en) | Method and apparatus of user clustering, computer device and medium | |
| US10866804B2 (en) | Recommendations based on the impact of code changes | |
| CN112686371A (zh) | 网络结构搜索方法、装置、设备、存储介质及程序产品 | |
| CN110647974A (zh) | 深度神经网络中的网络层运算方法及装置 | |
| CN110780965A (zh) | 基于视觉的流程自动化方法、设备及可读存储介质 | |
| CN111310052A (zh) | 用户画像构建方法、装置及计算机可读存储介质 | |
| CN111768247A (zh) | 下单率预测方法、设备及可读存储介质 | |
| CN113706281B (zh) | 像素点信息预测方法、装置、设备及存储介质 | |
| Cobb et al. | Accurate lead time demand modeling and optimal inventory policies in continuous review systems | |
| CN111626789A (zh) | 房屋价格预测方法、装置、设备及存储介质 | |
| CN113780666B (zh) | 一种缺失值的预测方法及装置、可读存储介质 | |
| EP4177795A1 (en) | Data processing device and data processing method | |
| CN112380419B (zh) | 一种竞品数据查询方法、系统及电子设备 | |
| CN113391850B (zh) | 基于边云协同的任务调度方法、装置、设备及存储介质 | |
| CN114066491A (zh) | 基于多周期的预测总销量确定物品补货策略的方法、装置 | |
| CN111353629B (zh) | 频率更新方法及装置 | |
| US20210318944A1 (en) | Influence analysis of processes for reducing undesirable behavior | |
| CN117522202A (zh) | 基于信息熵的开发者贡献度分析方法及装置 | |
| CN116860619A (zh) | 一种质量评估方法、装置、设备及介质 | |
| CN112598241A (zh) | 风险的评估方法、装置、系统及计算机可读存储介质 |
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 |