CN114417721B - 事件序列预测模型构建方法、预测方法、装置及终端 - Google Patents

事件序列预测模型构建方法、预测方法、装置及终端 Download PDF

Info

Publication number
CN114417721B
CN114417721B CN202210061101.4A CN202210061101A CN114417721B CN 114417721 B CN114417721 B CN 114417721B CN 202210061101 A CN202210061101 A CN 202210061101A CN 114417721 B CN114417721 B CN 114417721B
Authority
CN
China
Prior art keywords
event
sequence
training
prediction model
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
Application number
CN202210061101.4A
Other languages
English (en)
Other versions
CN114417721A (zh
Inventor
李洪亮
李庆庚
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 Wanwang Technology Co ltd
Original Assignee
Beijing Wanwang 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 Wanwang Technology Co ltd filed Critical Beijing Wanwang Technology Co ltd
Priority to CN202210061101.4A priority Critical patent/CN114417721B/zh
Publication of CN114417721A publication Critical patent/CN114417721A/zh
Application granted granted Critical
Publication of CN114417721B publication Critical patent/CN114417721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种事件序列预测模型构建方法、预测方法、装置及终端，事件序列预测模型构建方法包括获取事件基本数据，事件基本数据包括事件的时间、事件的名称和事件的状态，对事件的时间、事件的名称和事件的状态进行特征提取与融合得到事件标识信息，将多个事件标识信息按事件发生时间关系生成标识序列，将标识序列拆分为训练集和测试集，通过训练集中标识序列对事件序列预测模型进行训练，测试集中标识序列对事件序列预测模型进行测试得到最终事件序列预测模型。本申请不需要对事件之间的复杂关系进行分析，可以从时间上对多个事件进行关联，使用模型对具有时间关联关系的事件进行预测，并且，保证预测结果的准确性。

Description

事件序列预测模型构建方法、预测方法、装置及终端
技术领域
本申请属于数据处理技术领域，具体涉及一种事件序列预测模型构建方法、预测方法、装置及终端。
背景技术
事件预测具有重要意义，在现有的各种应用场景中，处理、分析和预测的时间序列数据都是基数即数量的序列，例如预测温度、股票的股值、生产线的产量等。对事件序列来说，事件代表了某一种现象或状态的发生，本身不是数字，例如车速预测可以根据路况分为：快速、中速、慢速，个学生的成绩预测可分为优、良，做成一件事是否成功可分为两种状态成功和不成功，不能通过基于基数的时间序列直接去预测，相关技术中，事件的预测是通过计算概率的方法来进行预测的。但通过计算事件发生的概率来进行事件预测，但这种事件序列预测模型构建方法只能对一个事件预测，在存在多个事件，且多个事情存在关联时，基于概率的预测方法预测出的结果准确性低，影响用户体验。
发明内容
为至少在一定程度上克服现有事件序列预测模型构建方法预测结果的准确性，影响用户体验的问题，本申请提供一种事件序列预测模型构建方法、预测方法、装置及终端。
第一方面，本申请提供一种事件序列预测模型构建方法，包括：
获取事件基本数据，所述事件基本数据包括事件的时间、事件的名称和事件的状态；
对所述事件的时间、事件的名称和事件的状态进行特征提取与融合得到事件标识信息；
将多个事件标识信息按事件发生时间关系生成标识序列；
将所述标识序列拆分为训练集和测试集；
通过训练集中标识序列对事件序列预测模型进行训练，测试集中标识序列对事件序列预测模型进行测试得到最终事件序列预测模型。
进一步的，还包括：
使用Min-Max方法对训练集中第一标识序列进行标准化处理得到标准化训练序列。
进一步的，还包括：
将标准化后的训练序列拆分成多个子训练集，每个子训练集中包括输入数据和输出数据，其中，每个子训练集中输入数据的数据长度相同，每个子训练集中输出数据的数据长度相同。
进一步的，所述将标准化后的训练序列拆分成多个子训练集，包括：
将标准化后的训练序列使用滑动窗口进行滑动切分得到多个子训练集。
进一步的，所述事件序列预测模型为LSTM神经网络模型。
进一步的，所述通过训练集中标识序列对事件序列预测模型进行训练，包括：
将所述多个子训练集中的输入数据输入所述LSTM神经网络模型对所述LSTM神经网络模型进行训练；
将所述LSTM神经网络模型的输出结果与子训练集中的输出数据进行比较，利用均方误差公式计算得到误差；
根据所述误差交替使用前向传播和反向传播对所述LSTM神经网络模型中的权重和偏置进行更新。
第二方面，本申请提供一种事件预测方法，包括：
获取实时事件数据；
将所述实时事件数据输入如第一方面所述的最终事件序列预测模型得到事件预测结果。
进一步的，还包括：
对所述事件预测结果进行反标准化处理；
对反标准化处理的结果进行阈值分割得到单一事件标识信息或事件标识序列。
第三方面，本申请提供一种事件序列预测模型构建装置，包括：
第一获取模块，用于获取事件基本数据，所述事件基本数据包括事件的时间、事件的名称和事件的状态；
提取融合模块，用于对所述事件的时间、事件的名称和事件的状态进行特征提取与融合得到事件标识信息；
生成模块，用于将多个事件标识信息按事件发生时间关系生成标识序列；
拆分模块，用于将所述标识序列拆分为训练集和测试集；
训练模块，用于通过训练集中标识序列对事件序列预测模型进行训练；
测试模块，用于测试集中标识序列对事件序列预测模型进行测试得到最终事件序列预测模型。
第四方面，本申请提供一种终端，包括：
一个或多个处理器；
一个或多个存储器，用于存储一个或多个程序；
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行第一方面所述的事件序列预测模型构建方法，和/或，执行第二方面所述的事件预测方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
本发明实施例提供的事件序列预测模型构建方法、预测方法、装置及终端，通过获取事件基本数据，事件基本数据包括事件的时间、事件的名称和事件的状态，对事件的时间、事件的名称和事件的状态进行特征提取与融合得到事件标识信息，将多个事件标识信息按事件发生时间关系生成标识序列，将标识序列拆分为训练集和测试集，通过训练集中标识序列对事件序列预测模型进行训练，测试集中标识序列对事件序列预测模型进行测试得到最终事件序列预测模型，在事件序列进行预测前，不需要对事件之间的复杂关系进行分析，通过提取特征与特征融合方法，将事件状态编码成可以进行数学计算的数据，并将多个事件标识信息按事件发生时间关系生成标识序列，可以从时间上对多个事件进行关联，通过构建事件序列预测模型，可以使用模型对具有时间关联关系的事件进行预测，并且，保证预测结果的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
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。
图1为本申请一个实施例提供的一种事件序列预测模型构建方法的流程图。
图2为本申请另一个实施例提供的一种事件序列预测模型构建方法的流程图。
图3为本申请一个实施例提供的一种事件序列预测模型构建方法的前向传播步骤图。
图4为本申请一个实施例提供的一种事件预测方法的流程图。
图5为本申请一个实施例提供的一种事件序列预测模型构建装置的功能结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
图1为本申请一个实施例提供的事件序列预测模型构建方法的流程图，如图1所示，该事件序列预测模型构建方法包括：
S11：获取事件基本数据，事件基本数据包括事件的时间、事件的名称和事件的状态；
S12：对事件的时间、事件的名称和事件的状态进行特征提取与融合得到事件标识信息；
S13：将多个事件标识信息按事件发生时间关系生成标识序列；
S14：将标识序列拆分为训练集和测试集；
S15：通过训练集中标识序列对事件序列预测模型进行训练，测试集中标识序列对事件序列预测模型进行测试得到最终事件序列预测模型。
传统事件的预测是通过计算概率的方法来进行预测的。但通过计算事件发生的概率来进行事件预测，但这种事件序列预测模型构建方法只能对一个事件预测，在存在多个事件，且多个事情存在关联时，基于概率的预测方法预测出的结果准确性低，影响用户体验。
本实施例中，通过获取事件基本数据，事件基本数据包括事件的时间、事件的名称和事件的状态，对事件的时间、事件的名称和事件的状态进行特征提取与融合得到事件标识信息，将多个事件标识信息按事件发生时间关系生成标识序列，将标识序列拆分为训练集和测试集，通过训练集中标识序列对事件序列预测模型进行训练，测试集中标识序列对事件序列预测模型进行测试得到最终事件序列预测模型，在事件序列进行预测前，不需要对事件之间的复杂关系进行分析，通过提取特征与特征融合方法，将事件状态编码成可以进行数学计算的数据，并将多个事件标识信息按事件发生时间关系生成标识序列，可以从时间上对多个事件进行关联，通过构建事件序列预测模型，可以使用模型对具有时间关联关系的事件进行预测，并且，保证预测结果的准确性。
本发明实施例提供另一种事件序列预测模型构建方法，如图2所示的流程图，事件为传感器状态预测，该事件序列预测模型构建方法包括：
S201：采集传感设备的名称、运行状态等数据；
S202：对数据进行特征提取与融合，标识传感设备运行状态的变化，并作为训练数据；
将传感设备的名称、运行状态等数据编码成事件的唯一标识。例如：在t时刻，传感设备1的状态为运行，则标识为0；在t+1时刻，传感设备1的状态为停止，则标识为1。
S203：拆分训练数据，得到训练集和测试集；
S204：使用Min-Max方法对训练集进行标准化；
S205：使用滑动窗口的方法将标准化后的序列拆分成多个具有相同输入输出长度的子样本；
S206：构建用于预测的LSTM神经网络算法，将滑动窗口产生的多个子样本数据输入网络进行训练并更新网络权重与偏置；
一些实施例中，训练并更新网络权重与偏置具体包括：
如图3所示，前向传播算法：
z＝W(0)·y+h(0)
向量z为LSTM内部隐藏层的中间变量，向量y＝(y1，y2，...，yd)为神经网络模型的输入序列，W(0)和h(0)分别为向量y的初始权重和初始偏置。
中间变量z通过激活函数ReLU：f(x)＝max(0，x)后，得到隐藏激活向量：
o＝f(z)
输出层(全连接层)权重为W(1)，偏置h(1)，得到输出层的向量：
q＝W(1)·o+h(1)
根据上述的损失函数
Figure BDA0003478229960000061
以及神经网络输出的真实数据序列
Figure BDA0003478229960000071
可以计算单个数据样本损失项：
Figure BDA0003478229960000072
根据L2正则化定义，给定一个超参数λ，正则化项为：
Figure BDA0003478229960000073
最后，模型在给定的数据样本y＝(y1，y2，...，yd)上的正则化损失为：
J＝L+s
反向传播算法：根据微积分中的链式规则，将上述前向传播算法中的参数，按相反的顺序从输出层到输入层遍历网络，得到正则化损失J关于样本y＝(y1，y2，..，yd)初始权重W(0)的偏导数：
Figure BDA0003478229960000074
其中，使用prod运算符在执行必要的操作(如换位和交换输入位置)后将其参数相乘。
根据上述所求出的偏导数对参数进行更新：
Figure BDA0003478229960000075
其中lr为学习率，yT为y的转置。
需要说明的是，LSTM神经网络模型包括但不限于单层LSTM进行实现，本领域技术人员可根据实际情况选取。
S207：网络训练完成后，使用测试集数据对模型进行测试，得到最终的LSTM事件序列预测模型并使用该模型进行预测。
对于通过计算事件发生的概率来进行预测的方法，其中或多或少的需要人来参与事件关联关系的推理分析，由于理解程度的不同，可能在分析推理的过程中出现偏差，进而导致预测的准确性较低的问题。
本实施例提供的事件序列预测模型构建方法，不需要人为去推理事件之间的关联关系，对采集到的原始数据进行特征处理，解决了事件本身不可直接计算的问题，并保证预测的准确性。
本发明实施例提供一种事件预测方法，如图4所示的流程图，该事件预测方法包括：
S41：获取实时事件数据；
S42：将实时事件数据输入最终事件序列预测模型得到事件预测结果，事件预测结果包括单一事件标识信息或事件标识序列。
一些实施例中，事件预测结果可能出现小数的情况，不能准确表示某一事件，因此需要进行阈值分割的处理，因此，该事件预测方法还包括：
对事件预测结果进行反标准化处理；
对反标准化处理的结果进行阈值分割得到单一事件标识信息或事件标识序列。
由于模型预测数据反标准化后与真实数据有所偏差，无法与特征标识进行匹配，采用阈值分割的方法进行特征的选取，从而确定特征标识。
LSTM在基数序列数据的预测上表现良好，例如天气预报温度的预测，预测结果可以与实际数据有所偏差。但对于事件序列来说，事件经过融合标识后，由整数特征表示，预测后可能出现小数的情况，不能准确表示某一事件，因此需要进行阈值分割的处理。
阈值分割法：通过判断最终输出是否满足阈值T的条件来确定其具体的取值：
Figure BDA0003478229960000081
g(x)为最终取值，x1，x2为x的两种不同取值，阈值T和x1，x2可根据事件标识的具体情况进行设定。
需要说明的是，本申请中判断最终输出的方法，不限于阈值分割方法，还可以使用四舍五入、截尾法、进位法等方法。
事件例如为传感设备状态预测，具体方法包括：
首先，获取数据，从传感设备中采集数据，所采集到的数据包括时间、传感设备的名称以及运行状态。将所述数据进行特征提取与融合，用来标识某一传感设备的变化状态，每个标识即对应唯一的一个事件，标识序列具体可表示为n维的向量(x1，x2，...，xn)，其中n为事件的总个数。将标识序列按照一定比例拆分为训练集和测试集，其中训练集序列可表示为向量(x1，x2，...，xm)。
使用Min-Max方法，对训练集序列(x1，x2，...，xm)进行标准化：
Figure BDA0003478229960000091
新序列(y1，y2，...，ym)∈[0，1]且无量纲，得到标准化后的训练数据。
使用滑动窗口的方法，将标准化后的训练序列(y1，y2，...，ym)拆分成多个子样本，每个样本具有相同的输入长度和输出长度，例如有矩阵A：
Figure BDA0003478229960000092
矩阵A的前四列为神经网络模型的输入，最后一列为神经网络模型的输出，矩阵A的输入长度为4输出长度为1，需要说明的是，实际的输入输出长度可根据具体情况设置，本申请不做限定。
构建用于训练的LSTM神经网络模型，此处使用了单层LSTM进行实现，LSTM网络可以使用但不限于单层LSTM网络。模型包括一个LSTM单元的隐藏层，其中激活函数为ReLU：f(x)＝max(0，x)，以及一个用于预测输出的全连接层。
将经过滑动窗口拆分后的子样本输入LSTM网络，对神经网络模型进行训练，将网络的输出与真实值进行比较，利用均方误差(MSE)公式计算得到误差
Figure BDA0003478229960000093
(其中M为测试集的样本总数，yi为神经网络模型的预测值，
Figure BDA0003478229960000094
为真实值)，交替使用前向传播和反向传播对LSTM神经网络模型中的权重和偏置进行更新。
使用训练集网络训练完成后，使用测试集数据对模型进行测试，得到最终的LSTM事件序列预测模型并使用该模型进行预测。
例如，测试结果的准确率大于预设阈值为测试通过。
图5为本申请一个实施例提供的事件序列预测模型构建装置的功能结构图，如图5所示，该事件序列预测模型构建装置包括：
第一获取模块51，用于获取事件基本数据，所述事件基本数据包括事件的时间、事件的名称和事件的状态；
提取融合模块52，用于对所述事件的时间、事件的名称和事件的状态进行特征提取与融合得到事件标识信息；
生成模块53，用于将多个事件标识信息按事件发生时间关系生成标识序列；
拆分模块54，用于将所述标识序列拆分为训练集和测试集；
训练模块55，用于通过训练集中标识序列对事件序列预测模型进行训练；
测试模块56，用于测试集中标识序列对事件序列预测模型进行测试得到最终事件序列预测模型。
本实施例中，通过第一获取模块获取事件基本数据，事件基本数据包括事件的时间、事件的名称和事件的状态，提取融合模块对事件的时间、事件的名称和事件的状态进行特征提取与融合得到事件标识信息，生成模块将多个事件标识信息按事件发生时间关系生成标识序列，拆分模块将标识序列拆分为训练集和测试集，训练模块通过训练集中标识序列对事件序列预测模型进行训练，测试模块测试集中标识序列对事件序列预测模型进行测试得到最终事件序列预测模型，在事件序列进行预测前，不需要对事件之间的复杂关系进行分析，通过提取特征与特征融合方法，将事件状态编码成可以进行数学计算的数据，并将多个事件标识信息按事件发生时间关系生成标识序列，可以从时间上对多个事件进行关联，通过构建事件序列预测模型，可以使用模型对具有时间关联关系的事件进行预测，并且，保证预测结果的准确性。
本发明实施例提供一种终端，包括一个或多个处理器；
一个或多个存储器，用于存储一个或多个程序；
其中，当一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行根据上述实施例所述的事件序列预测模型构建方法,和/或，执行根据上述实施例所述的事件预测方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
需要说明的是，本发明不局限于上述最佳实施方式，本领域技术人员在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (7)

1.一种事件预测方法，其特征在于，包括：
获取实时事件数据；
将所述实时事件数据输入最终事件序列预测模型得到事件预测结果；
还包括：对所述事件预测结果进行反标准化处理；
对反标准化处理的结果进行阈值分割得到单一事件标识信息或事件标识序列；
其中，所述最终事件序列预测模型的构建方法，包括：
获取事件基本数据，所述事件基本数据包括事件的时间、事件的名称和事件的状态；
对所述事件的时间、事件的名称和事件的状态进行特征提取与融合得到事件标识信息；
将多个事件标识信息按事件发生时间关系生成标识序列；
将所述标识序列拆分为训练集和测试集；
通过训练集中标识序列对事件序列预测模型进行训练，测试集中标识序列对事件序列预测模型进行测试得到最终事件序列预测模型。
2.根据权利要求1所述的事件预测方法，其特征在于，还包括：
使用Min-Max方法对训练集中第一标识序列进行标准化处理得到标准化训练序列。
3.根据权利要求2所述的事件预测方法，其特征在于，还包括：
将标准化后的训练序列拆分成多个子训练集，每个子训练集中包括输入数据和输出数据，其中，每个子训练集中输入数据的数据长度相同，每个子训练集中输出数据的数据长度相同。
4.根据权利要求3所述的事件预测方法，其特征在于，所述将标准化后的训练序列拆分成多个子训练集，包括：
将标准化后的训练序列使用滑动窗口进行滑动切分得到多个子训练集。
5.根据权利要求3所述的事件预测方法，其特征在于，所述事件序列预测模型为LSTM神经网络模型。
6.根据权利要求5所述的事件预测方法，其特征在于，所述通过训练集中标识序列对事件序列预测模型进行训练，包括：
将所述多个子训练集中的输入数据输入所述LSTM神经网络模型对所述LSTM神经网络模型进行训练；
将所述LSTM神经网络模型的输出结果与子训练集中的输出数据进行比较，利用均方误差公式计算得到误差；
根据所述误差交替使用前向传播和反向传播对所述LSTM神经网络模型中的权重和偏置进行更新。
7.一种终端，其特征在于，包括：
一个或多个处理器；
一个或多个存储器，用于存储一个或多个程序；
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1-6任一所述的事件预测方法。
CN202210061101.4A 2022-01-19 2022-01-19 事件序列预测模型构建方法、预测方法、装置及终端 Active CN114417721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210061101.4A CN114417721B (zh) 2022-01-19 2022-01-19 事件序列预测模型构建方法、预测方法、装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210061101.4A CN114417721B (zh) 2022-01-19 2022-01-19 事件序列预测模型构建方法、预测方法、装置及终端

Publications (2)

Publication Number Publication Date
CN114417721A CN114417721A (zh) 2022-04-29
CN114417721B true CN114417721B (zh) 2023-03-03

Family

ID=81275269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210061101.4A Active CN114417721B (zh) 2022-01-19 2022-01-19 事件序列预测模型构建方法、预测方法、装置及终端

Country Status (1)

Country Link
CN (1) CN114417721B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006163465A (ja) * 2004-12-02 2006-06-22 Fujitsu Ltd 医療情報分析装置、方法及びプログラム
CN105303019A (zh) * 2014-07-14 2016-02-03 富士通株式会社 事件预测方法和事件预测设备
CN111143578A (zh) * 2019-12-30 2020-05-12 智慧神州(北京)科技有限公司 基于神经网络抽取事件关系的方法、装置和处理器
CN111402150A (zh) * 2020-03-09 2020-07-10 北京灵医灵科技有限公司 一种ct图像金属伪影去除方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11966840B2 (en) * 2019-08-15 2024-04-23 Noodle Analytics, Inc. Deep probabilistic decision machines
CN111367961B (zh) * 2020-02-27 2023-03-28 西安交通大学 基于图卷积神经网络的时序数据事件预测方法、系统及其应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006163465A (ja) * 2004-12-02 2006-06-22 Fujitsu Ltd 医療情報分析装置、方法及びプログラム
CN105303019A (zh) * 2014-07-14 2016-02-03 富士通株式会社 事件预测方法和事件预测设备
CN111143578A (zh) * 2019-12-30 2020-05-12 智慧神州(北京)科技有限公司 基于神经网络抽取事件关系的方法、装置和处理器
CN111402150A (zh) * 2020-03-09 2020-07-10 北京灵医灵科技有限公司 一种ct图像金属伪影去除方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Learning Damage Event Discriminator Functions with Distributed Multi-instance RNN/LSTM Machine Learning - Mastering the Challenge;Stefan Bosse;《sciencedirect》;20201224;第193-202页 *
基于LSTM神经网络的青藏高原月降水量预测;刘新 等;《地球信息科学》;20200831;第1617-1629页 *
基于SDZ-LSTM的舆情事件网络趋势预测模型;冯勇 等;《情报理论与实践》;20210630;第44卷(第6期);第158-163页 *
基于多维时间序列的数控机床状态预测方法研究;李海 等;《工程科学与技术》;20180117;第50卷(第1期);第187-195页 *
基于日志分析的软件行为异常检测与系统;王谞上;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210515(第5期);第44页 *

Also Published As

Publication number Publication date
CN114417721A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN110807257A (zh) 航空发动机剩余寿命预测方法
CN112507121B (zh) 客服违规质检方法、装置、计算机设备及存储介质
US20220011760A1 (en) Model fidelity monitoring and regeneration for manufacturing process decision support
CA3053894A1 (en) Defect prediction using historical inspection data
CN113361690A (zh) 水质预测模型训练、水质预测方法、装置、设备及介质
CN115204536A (zh) 楼宇设备故障预测方法、装置、设备及存储介质
Nwankwo et al. Prediction of House Prices in Lagos-Nigeria Using Machine Learning Models
Miao et al. Comparison of Markov chain and recurrent neural network in predicting bridge deterioration considering various factors
CN114417721B (zh) 事件序列预测模型构建方法、预测方法、装置及终端
CN116151485B (zh) 反事实预测和效果评估方法、系统
CN117319223A (zh) 一种基于数字孪生技术的领导驾驶舱可视化方法及系统
CN112101759A (zh) 高速公路隧道的风险评估模型构建、风险评估方法及装置
CN112232576A (zh) 判决预测方法、装置、电子设备及可读存储介质
JP2002099319A (ja) プラント診断装置
Religia et al. South German Credit Data Classification Using Random Forest Algorithm to Predict Bank Credit Receipts
CN114860542A (zh) 趋势预测模型的优化方法、优化装置、电子设备和介质
Khezrimotlagh How to detect outliers in data envelopment analysis by Kourosh and Arash method
CN113096070A (zh) 一种基于MA-Unet的图像分割方法
CN108255949B (zh) 一种游客在参观展会时的展园细分选择行为偏好的方法
Qadir et al. Comparison between SARIMA and SARIMAX time series Models with application on Groundwater in Sulaymaniyah
Thapa Using ROC-curve to Illustrate the Use of Binomial Logistic Regression Model in Wine Quality Analysis
CN115691669B (zh) 一种基于量子卷积神经网络的蛋白质结构分类系统
US20220269984A1 (en) Continuous learning process using concept drift monitoring
US20240012175A1 (en) Apparatus and method for calculating sensible temperature in consideration of outdoor ground heating and heatwave warning apparatus and method based on sensible temperature in consideration of outdoor ground heating
Rahman et al. The development of a predictive model for students’ final grades using machine learning techniques

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