CN117196665A - 预测对象的价值参数的方法、设备及装置 - Google Patents
预测对象的价值参数的方法、设备及装置 Download PDFInfo
- Publication number
- CN117196665A CN117196665A CN202310946255.6A CN202310946255A CN117196665A CN 117196665 A CN117196665 A CN 117196665A CN 202310946255 A CN202310946255 A CN 202310946255A CN 117196665 A CN117196665 A CN 117196665A
- Authority
- CN
- China
- Prior art keywords
- period
- history
- parameter
- periods
- value parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000015654 memory Effects 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 37
- 230000007787 long-term memory Effects 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 15
- 230000002123 temporal effect Effects 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 6
- 229910052761 rare earth metal Inorganic materials 0.000 description 51
- 150000002910 rare earth metals Chemical class 0.000 description 51
- 238000010586 diagram Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910052747 lanthanoid Inorganic materials 0.000 description 2
- 150000002602 lanthanoids Chemical class 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- PLDDOISOJJCEMH-UHFFFAOYSA-N neodymium(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Nd+3].[Nd+3] PLDDOISOJJCEMH-UHFFFAOYSA-N 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 229910052706 scandium Inorganic materials 0.000 description 2
- SIXSYDAISGFNSX-UHFFFAOYSA-N scandium atom Chemical compound [Sc] SIXSYDAISGFNSX-UHFFFAOYSA-N 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229910052727 yttrium Inorganic materials 0.000 description 2
- VWQVUPCCIRVNHF-UHFFFAOYSA-N yttrium atom Chemical compound [Y] VWQVUPCCIRVNHF-UHFFFAOYSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种预测对象的价值参数的方法、设备及装置。该方法响应进行预测的指令,获取待预测周期之前对象的多个历史周期的价值参数;针对多个历史周期的价值参数中任一历史周期的价值参数,执行:基于多个历史周期的时间顺序,确定任一历史周期的前N个历史周期;基于任一历史周期的价值参数和前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对任一历史周期的价值参数进行修正,得到任一历史周期的修正价值参数;将多个历史周期中最后一个历史周期的修正价值参数作为待预测周期的对象的目标价值参数;基于待预测周期的对象的目标价值参数,对待预测周期的对象的需求量进行调整。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种预测对象的价值参数的方法、设备及装置。
背景技术
稀土,也称稀有金属,由元素周期表中镧系元素和钇、钪17种金属元素组成。稀土产品在农业、冶金等传统产业和高端制造、新能源等新兴产业中都具有无可替代的作用。尤其重稀土资源较为昂贵且较为稀缺,被广泛用于军工制造、航空设备等新材料制造领域。
相关技术中,一般使用ARIMA模型、BP神经网络模型等对稀土的价值参数进行预测。ARIMA模型能够识别和模型化数据中的线性模式和趋势,较好地反映数据的时序特征,并以对非平稳时间序列进行建模和预测。但是,ARIMA模型需要牺牲部分原始数据的信息,随着时间跨度的增加,预测结果也可能变得更加不稳定。而BP神经网络模型,随着复杂度的提升,误差传递过程中容易出现梯度消失或梯度爆炸的问题,且BP神经网络无法挖掘时间序列中的关联性,损失了部分信息,造成预测结果的不准确。
因此,如何提高稀土的价值参数的预测结果的准确性,为稀土产业的分析和稀土产业结构的调整提供更有价值的参考成为了目前亟待解决的问题。
发明内容
本申请的目的是提供一种预测对象的价值参数的方法、设备及装置,用以解决稀土的价值参数的预测结果不准确的问题。
第一方面,本申请提供一种预测对象的价值参数的方法,包括:
响应进行预测的指令,获取待预测周期之前所述对象的多个历史周期的价值参数;所述指令包括:所述待预测周期;
针对所述多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于所述多个历史周期的时间顺序,确定所述任一历史周期的前N个历史周期;基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数;其中,若所述任一历史周期为所述多个历史周期中的第一个周期,则所述历史周期的前一个历史周期的修正价值参数设置为预设值;
将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的目标价值参数;
基于所述待预测周期的所述对象的目标价值参数,对所述待预测周期的所述对象的需求量进行调整。
在一种可能的实施方式中,所述预先训练的长短期记忆网络LSTM中包括输入门、遗忘门和输出门;
所述基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数,包括:
基于所述输入门的权重和偏置、所述遗忘门的权重和偏置、所述输出门的权重和偏置,分别对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行处理,得到相应的处理后的结果;所述偏置表征激活函数sigmoid的截距;
分别利用激活函数sigmoid对相应的处理后的结果进行激活,得到输入参数、遗忘参数、输出参数;
基于所述输入参数、所述遗忘参数和所述输出参数,确定所述任一历史周期的修正价值参数。
在一种可能的实施方式中,所述基于所述输入门的权重和偏置、所述遗忘门的权重和偏置、所述输出门的权重和偏置,分别对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行处理,得到相应的处理后的结果,包括:
基于所述任一历史周期的价值参数对应的输入门的权重和所述前N个历史周期的修正价值参数对应的输入门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述输入门的偏置相加,得到第一结果;
基于所述任一历史周期的价值参数对应的遗忘门的权重和所述前N个历史周期的修正价值参数对应的遗忘门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述遗忘门的偏置相加,得到第二结果;
基于所述任一历史周期的价值参数对应的输出门的权重和所述前N个历史周期的修正价值参数对应的输出门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述输出门的偏置相加,得到第三结果。
在一种可能的实施方式中,所述基于所述输入参数、所述遗忘参数和所述输出参数,确定所述任一历史周期的修正价值参数,包括:
获取所述前N个历史周期的单元状态参数;所述单元状态参数表征所述预先训练的长短期记忆网络LSTM的长期记忆状态;
利用双曲正切函数tanh,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行正切处理,得到第一候选参数;
将所述第一候选参数和所述输入参数的乘积、与所述遗忘参数和所述前N个历史周期的单元状态参数的乘积进行相加,得到所述任一历史周期的单元状态参数;
利用双曲正切函数tanh,对所述任一历史周期的单元状态参数进行正切处理之后,与所述输出参数相乘,得到所述任一历史周期的修正价值参数。
在一种可能的实施方式中,所述方法还包括:
获取所述对象的价值参数的第一影响因子集合;所述第一影响因子集合中包括多个第一影响因子,以及所述多个第一影响因子各自对应的所述多个历史周期的数据参数;
基于所述第一影响因子集合和所述多个第一影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数;
将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的第一价值参数;
将所述第一价值参数和所述第二价值参数进行加权求和,得到所述待预测周期的所述对象的目标价值参数。
在一种可能的实施方式中,所述基于所述第一影响因子集合和所述多个第一影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数,包括:
利用赤池参数量AIC准则,对所述第一影响因子集合包括的多个第一影响因子进行拟合度和复杂度计算,得到第二影响因子集合;所述第二影响因子集合是所述第一影响因子集合的子集;所述第二影响因子集合中包括多个第二影响因子,以及所述多个第二影响因子各自对应的所述多个历史周期的数据参数;
基于所述多个第二影响因子各自对应的所述多个历史周期的数据参数和所述多个第二影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数。
在一种可能的实施方式中,所述方法还包括:
在显示界面中使用折线图的形式对所述待预测周期的所述对象的目标价值参数进行显示。
第二方面,本申请实施例提供一种预测对象的价值参数的设备,所述设备包括处理器和显示屏;
所述处理器,用于响应进行预测的指令,获取待预测周期之前所述对象的多个历史周期的价值参数;所述指令包括:所述待预测周期;针对所述多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于所述多个历史周期的时间顺序,确定所述任一历史周期的前N个历史周期;基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数;其中,若所述任一历史周期为所述多个历史周期中的第一个周期,则所述历史周期的前一个历史周期的修正价值参数设置为预设值;将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的目标价值参数;基于所述待预测周期的所述对象的目标价值参数,对所述待预测周期的所述对象的需求量进行调整;
所述显示屏,用于在显示界面中使用折线图的形式对所述待预测周期的所述对象的目标价值参数进行显示。
第三方面,本申请实施例提供一种预测对象的价值参数的装置,所述装置包括:
采集模块,用于响应进行预测的指令,获取待预测周期之前所述对象的多个历史周期的价值参数;所述指令包括:所述待预测周期;
修正模块,用于针对所述多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于所述多个历史周期的时间顺序,确定所述任一历史周期的前N个历史周期;基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数;其中,若所述任一历史周期为所述多个历史周期中的第一个周期,则所述历史周期的前一个历史周期的修正价值参数设置为预设值;
价值参数预测模块,用于将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的目标价值参数;
需求调整模块,用于基于所述待预测周期的所述对象的目标价值参数,对所述待预测周期的所述对象的需求量进行调整。
第四方面,本申请提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备执行时,使得所述电子设备能够执行如上述第一方面中任一项所述的预测对象的价值参数的方法。
第五方面,本申请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第一方面中任一项所述的预测对象的价值参数的方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
本申请实施例中响应进行预测的指令,获取待预测周期之前对象的多个历史周期的价值参数;针对多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于多个历史周期的时间顺序,确定任一历史周期的前N个历史周期;基于任一历史周期的价值参数和前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对任一历史周期的价值参数进行修正,得到任一历史周期的修正价值参数;其中,若任一历史周期为多个历史周期中的第一个周期,则历史周期的前一个历史周期的修正价值参数设置为预设值;将多个历史周期中最后一个历史周期的修正价值参数作为待预测周期的对象的目标价值参数;基于待预测周期的对象的目标价值参数,对待预测周期的对象的需求量进行调整。
由此,通过将多个历史周期的价值参数输入预先训练的长短期记忆网络LSTM中,通过利用长短期信息特征保证模型的稳定性和可靠性,能够更好地挖掘时间序列数据中的非线性关系和长期依赖关系,从而提高待预测周期的对象的目标价值参数的预测结果准确性。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,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附图。
图1为本申请实施例提供的一种BP神经网络模型的示意图;
图2为本申请实施例提供的一种循环神经网络RNN模型的示意图;
图3为本申请实施例提供的一种预测对象的价值参数的方法的应用场景图;
图4为本申请实施例提供的一种预测对象的价值参数的方法的流程示意图;
图5为本申请实施例提供的一种预先训练的LSTM的结构示意图;
图6为本申请实施例提供的一种修正价值参数的确定方法的流程示意图;
图7为本申请实施例提供的一种获取处理结果的流程示意图;
图8为本申请实施例提供的一种修正价值参数的确定方法的流程示意图;
图9为本申请实施例提供的一种第一显示界面的示意图;
图10为本申请实施例提供的一种第二显示界面的示意图;
图11为本申请实施例提供的另一种预测对象的价值参数的方法的流程示意图;
图12为本申请实施例提供的一种第二价值参数的确定方法的流程示意图;
图13为本申请实施例提供的一种第三显示界面的示意图;
图14为本申请实施例提供的一种第四显示界面的示意图;
图15为本申请实施例提供的一种稀土产业分析平台的显示界面示意图;
图16为本申请实施例提供的一种预测对象的价值参数的方法的完整流程示意图;
图17为本申请实施例提供的一种预测对象的价值参数的设备示意图;
图18为本申请实施例提供的一种预测对象的价值参数的装置示意图;
图19为本申请实施例提供的一种预测对象的价值参数的装置示意图;
图20为本申请实施例提供的一种预测对象的价值参数的装置示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。其中,所描述的实施例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前提下所获得的所有其它实施例,都属于本申请保护的范围。
并且,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、的特征可以明示或者隐含地包括一个或者更多个该特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
稀土,也称稀有金属,由元素周期表中镧系元素和钇、钪17种金属元素组成。稀土产品在农业、冶金等传统产业和高端制造、新能源等新兴产业中都具有无可替代的作用。尤其重稀土资源较为昂贵且较为稀缺,被广泛用于军工制造、航空设备等新材料制造领域。
相关技术中,一般使用ARIMA模型(Autoregressive Integrated Moving Averagemodel,差分整合移动平均自回归模型)、如图1所示的BP神经网络模型(BackpropagationNeural Network,反向传播神经网)、如图2所示的循环神经网络(RNN)模型等对稀土的价值参数进行预测。
ARIMA模型能够识别和模型化数据中的线性模式和趋势,较好地反映数据的时序特征,并以对非平稳时间序列进行建模和预测。但是,ARIMA模型需要牺牲部分原始数据的信息,随着时间跨度的增加,预测结果也可能变得更加不稳定。
BP神经网络模型,随着复杂度的提升,误差传递过程中容易出现梯度消失或梯度爆炸的问题,且BP神经网络无法挖掘时间序列中的关联性,损失了部分信息,造成预测结果的不准确。
RNN模型往往需要处理的很长的序列,具有较强的时序关联性,所以它存在着长期依赖问题。过长的时间跨度导致梯度消失或梯度爆炸问题,这使得RNN难以建模长序列数据。RNN存在的问题是由于没有能力把先前的信息很好地存储下来,造成了新的信息在经过时间依赖的处理时被丢失,造成预测结果的不准确。
因此,如何提高稀土的价值参数的预测结果的准确性,为稀土产业的分析和稀土产业结构的调整提供更有价值的参考成为了目前亟待解决的问题。
有鉴于此,本申请提供了一种预测对象的价值参数的方法、设备及装置,用以解决稀土的价值参数的预测结果不准确的问题。
本申请的发明构思可概括为:本申请实施例中响应进行预测的指令,获取待预测周期之前对象的多个历史周期的价值参数;针对多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于多个历史周期的时间顺序,确定任一历史周期的前N个历史周期;基于任一历史周期的价值参数和前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对任一历史周期的价值参数进行修正,得到任一历史周期的修正价值参数;其中,若任一历史周期为多个历史周期中的第一个周期,则历史周期的前一个历史周期的修正价值参数设置为预设值;将多个历史周期中最后一个历史周期的修正价值参数作为待预测周期的对象的目标价值参数;基于待预测周期的对象的目标价值参数,对待预测周期的对象的需求量进行调整。
由此,通过将多个历史周期的价值参数输入预先训练的长短期记忆网络LSTM中,通过利用长短期信息特征保证模型的稳定性和可靠性,能够更好地挖掘时间序列数据中的非线性关系和长期依赖关系,从而提高待预测周期的对象的目标价值参数的预测结果准确性。
在介绍完本申请实施例的主要发明思想之后,下面结合图3对本申请实施例提供的一种预测对象的价值参数的方法的应用场景进行介绍。图3中包括:用户10、终端设备20、存储器30;
其中,用户10触发终端设备20,发出预测对象的价值参数的指令,该指令中包括待预测周期;
终端设备20,用于响应进行预测的指令,获取存储器30中存储的待预测周期之前对象的多个历史周期的价值参数;针对多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于多个历史周期的时间顺序,确定任一历史周期的前N个历史周期;基于任一历史周期的价值参数和前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对任一历史周期的价值参数进行修正,得到任一历史周期的修正价值参数;将多个历史周期中最后一个历史周期的修正价值参数作为待预测周期的对象的目标价值参数;
其中,若任一历史周期为多个历史周期中的第一个周期,则历史周期的前一个历史周期的修正价值参数设置为预设值;
存储器,用于存储待预测周期之前对象的多个历史周期的价值参数以及每个历史周期的修正价值参数。
最后在终端设备20的显示界面中显示的形式对待预测周期的对象的目标价值参数,展示给用户10。
需要说明的是,本申请实施例中的存储器30例如可以是缓存系统、也可以是硬盘存储、内存存储等等。此外,本申请提出的预测对象的价值参数的方法不仅适用于图3所示的应用场景,还可以用于其它可能的应用场景,本申请实施例并不进行限制。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
为了提高预测对象的价值参数的设备的通用性,本申请实施例提供了一种预测对象的价值参数的方法。如图4所示,为预测对象的价值参数的方法的流程示意图,该方法包括以下步骤:
在步骤401中,响应进行预测的指令,获取待预测周期之前对象的多个历史周期的价值参数;指令包括:待预测周期。
在步骤402中,针对多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于多个历史周期的时间顺序,确定任一历史周期的前N个历史周期;基于任一历史周期的价值参数和前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对任一历史周期的价值参数进行修正,得到任一历史周期的修正价值参数;其中,若任一历史周期为多个历史周期中的第一个周期,则历史周期的前一个历史周期的修正价值参数设置为预设值。
在步骤403中,将多个历史周期中最后一个历史周期的修正价值参数作为待预测周期的对象的目标价值参数。
在步骤404中,基于待预测周期的对象的目标价值参数,对待预测周期的对象的需求量进行调整。
在一种可能的实施方式中,如图5所示,为本申请实施例提供的预先训练的长短期记忆网络LSTM的结构示意图。其中LSTM包括输入门、遗忘门和输出门。其中,LSTM中隐藏层有两个状态。一个是短期状态h,用于表征LSTM的短期记忆状态;一个是长期状态C,用于表征LSTM的长期记忆状态,即下文中的单元状态参数;针对任一历史周期,LSTM的输入包括该历史周期的价值参数Xt、和前N个历史周期的修正价值参数,即前一历史周期输出的短期记忆状态ht-1、以及上一历史周期输出的长期记忆状态Ct-1。σ表示激活函数sigmoid,tanh表示双曲正切函数tanh。LSTM的输出包括该历史周期输出的短期记忆状态ht,即历史周期的修正价值参数、以及该历史周期输出的长期记忆状态Ct。
因此基于任一历史周期的价值参数和前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对任一历史周期的价值参数进行修正,得到任一历史周期的修正价值参数,可以执行为如图6所示的步骤:
在步骤601中,基于输入门的权重和偏置、遗忘门的权重和偏置、输出门的权重和偏置,分别对任一历史周期的价值参数和前N个历史周期的修正价值参数进行处理,得到相应的处理后的结果;偏置表征激活函数sigmoid的截距。
在一种可能的实施方式中,本申请实施例中的基于输入门的权重和偏置、遗忘门的权重和偏置、输出门的权重和偏置,分别对任一历史周期的价值参数和前N个历史周期的修正价值参数进行处理,得到相应的处理后的结果,可以执行为如图7所示的步骤:
在步骤701中,基于任一历史周期的价值参数对应的输入门的权重和前N个历史周期的修正价值参数对应的输入门的权重,对任一历史周期的价值参数和前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与输入门的偏置相加,得到第一结果;
在步骤702中,基于任一历史周期的价值参数对应的遗忘门的权重和前N个历史周期的修正价值参数对应的遗忘门的权重,对任一历史周期的价值参数和前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与遗忘门的偏置相加,得到第二结果;
在步骤703中,基于任一历史周期的价值参数对应的输出门的权重和前N个历史周期的修正价值参数对应的输出门的权重,对任一历史周期的价值参数和前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与输出门的偏置相加,得到第三结果。
在步骤602中,分别利用激活函数sigmoid对相应的处理后的结果进行激活,得到输入参数、遗忘参数、输出参数。
其中,输入参数表征任一历史周期的价值参数中保留到该历史周期的长期记忆状态Ct中的参数;遗忘参数表征该历史周期的前一历史周期的修正价值参数中保留到该历史周期的长期记忆状态Ct中的参数;输出参数表征该历史周期的长期记忆状态Ct中输出到该历史周期的短期记忆状态ht的参数。
具体实施时,针对任一历史周期,获取该历史周期的价值参数和前一历史周期的修正价值参数,根据公式(1)、公式(2)、公式(3)可以分别得到该历史周期对应的输入参数、遗忘参数和输出参数:
it=σ(Wi[ht-1,xt]+bi) (1)
其中,σ表示激活函数sigmoid,it表示输入参数,xt表示该历史周期的价值参数、ht-1表示该历史周期的前一历史周期的修正价值参数;Wi和bi是输入门的权重和偏置,是通过预先训练得到的。
ft=σ(Wf[ht-1,xt]+bf) (2)
其中,σ表示激活函数sigmoid,ft表示遗忘参数,xt表示该历史周期的价值参数、ht-1表示该历史周期的前一历史周期的修正价值参数;Wf和bf是遗忘门的权重和偏置,是通过预先训练得到的。
ot=σ(Wo[ht-1,xt]+bo) (3)
其中,σ表示激活函数sigmoid,ot表示输出参数,xt表示该历史周期的价值参数、ht-1表示该历史周期的前一历史周期的修正价值参数;Wo和bo是输出门的权重和偏置,是通过预先训练得到的。
其中,输入门、遗忘门和输出门通过激活函数sigmoid生成的输入参数、遗忘参数和输出参数是一个0~1的数,数值越大,保留的参数越多。
在步骤603中,基于输入参数、遗忘参数和输出参数,确定任一历史周期的修正价值参数。
在一种可能的实施方式中,本申请中基于输入参数、遗忘参数和输出参数,确定任一历史周期的修正价值参数,可以执行为如图8所示的步骤:
在步骤801中,获取前N个历史周期的单元状态参数;单元状态参数表征预先训练的长短期记忆网络LSTM的长期记忆状态。
在步骤802中,利用双曲正切函数tanh,对任一历史周期的价值参数和前N个历史周期的修正价值参数进行正切处理,得到第一候选参数;
在步骤803中,将第一候选参数和输入参数的乘积、与遗忘参数和前N个历史周期的单元状态参数的乘积进行相加,得到任一历史周期的单元状态参数;
在步骤804中,利用双曲正切函数tanh,对任一历史周期的单元状态参数进行正切处理之后,与输出参数相乘,得到任一历史周期的修正价值参数。
具体可实施为,根据公式(4)、公式(5)、公式(6)逐步对该历史周期的输入参数、遗忘参数和输出参数进行处理,可以得到该历史周期的修正价值参数。
首先基于公式(4),利用双曲正切函数tanh,对任一历史周期的价值参数和前N个历史周期的修正价值参数进行正切处理,得到第一候选参数:
其中,tanh表示双曲正切函数tanh(x)=(ex–e{-x})/(ex+e{-x}),it表示输入参数,xt表示该历史周期的价值参数、ht-1表示该历史周期的前一历史周期的修正价值参数;WC和bC是长期记忆状态的权重和偏置,是通过预先训练得到的;表示第一候选参数。
其次,基于公式(5),将第一候选参数和输入参数的乘积、与遗忘参数和前N个历史周期的单元状态参数的乘积进行相加,得到任一历史周期的单元状态参数:
其中,表示第一候选参数;Ct表示该历史周期输出的长期记忆状态,即单元状态参数;ft表示遗忘参数;it表示输入参数;Ct-1表示该历史周期的前一历史周期输出的长期记忆状态。
最后,利用双曲正切函数tanh,对任一历史周期的单元状态参数进行正切处理之后,与输出参数相乘,得到任一历史周期的修正价值参数:
ht=ot*tanh(Ct) (6)
其中,ht表示该历史周期输出的短期记忆状态,即修正价值参数;ot表示输出参数;tanh表示双曲正切函数;Ct表示该历史周期输出的长期记忆状态,即单元状态参数。
示例性的,以预测稀土(氧化钕)第61天的价值参数为例,则获取第61天之前的60天的稀土价值参数(价格)(x1、……、x60),首先将第一天的稀土价值参数x1和前一天的修正价值参数h0,输入预先训练的LSTM,经过公式(1)~(6)的运算,得到第一天的修正价值参数h1;然后将第二天的稀土价值参数x2和前一天的修正价值参数h1,输入预先训练的LSTM,经过公式(1)~(6)的运算,得到第二天的修正价值参数h2,直至将第60天的稀土价值参数x60和前一天的修正价值参数h59,输入预先训练的LSTM,经过公式(1)~(6)的运算,得到第60天的修正价值参数h60,则将第60天的修正价值参数h60作为预测的第61天的价值参数。
在一种可能的实施方式中,还可以将对象的价值参数的其他影响因子的多个历史周期的价值参数和对象的多个历史周期的价值参数组成一个序列,一起输入预先训练的LSTM中,利用其他影响因子的多个历史周期的价值参数对预先训练的LSTM的输入参数、遗忘参数、输出参数进行进一步优化,得到更加准确的预测结果。
由此,通过预先训练的LSTM完成对象的目标价值参数的预测工作。
在一种可能的实施方式中,本申请实施例的方法还包括:在显示界面中使用折线图的形式对待预测周期的对象的目标价值参数进行显示。
示例性的,如图9所示,为本申请中的第一显示界面。在第一显示界面中显示基于预先训练的LSTM预测得到的稀土价值参数的预测趋势。
在一种可能的实施方式中,在预先训练LSTM时,可以根据预测的目标价值参数和实际的目标价值参数之间的平均绝对误差(Mean Absolute Error,MAE)与拟合程度R2作为模型的评估指标,根据评估指标对LSTM的参数进行调整,直至模型的评估指标符合预期结果。
平均绝对误差(MAE)是绝对误差的平均值,可以更好地反映预测的目标价值参数和实际的目标价值参数之间的误差的实际情况,其计算方法如公式(7):
其中,n表示周期总数,i表示第i个周期,表示第i个周期的预测的目标价值参数;yi表示第i个周期的实际的目标价值参数。
R2体现一个模型对预测数据的拟合程度。它的值范围在0~1之间,表示因变量的方差有多大比例能被模型解释。R2越接近1,说明模型的拟合程度越好,即模型对预测数据的解释能力越大,其计算方法如公式(8):
其中,n表示周期总数,i表示第i个周期,表示第i个周期的预测的目标价值参数;yi表示第i个周期的实际的目标价值参数;/>表示n个周期的实际的目标价值参数的均值。
示例性的,如图10所示,为本申请中的第二显示界面。在第二显示界面中显示基于预先训练LSTM时,预测得到的稀土的价值参数的预测趋势(实线)和实际的稀土的价值参数的趋势(虚线)。在第二显示界面中还包括根据预测得到的稀土的价值参数的预测趋势和实际的稀土的价值参数的趋势计算得到的平均绝对误差MAE与拟合程度R2。
在一种可能的实施方式中,为了更加准确的预测对象的价值参数,该方法还可以执行为如图11所示的步骤:
在步骤1101中,获取对象的价值参数的第一影响因子集合;第一影响因子集合中包括多个第一影响因子,以及多个第一影响因子各自对应的多个历史周期的数据参数;
在步骤1102中,基于第一影响因子集合和多个第一影响因子各自对应的预设系数,进行多元线性回归,得到待预测周期的对象的第二价值参数;
在步骤1103中,将多个历史周期中最后一个历史周期的修正价值参数作为待预测周期的对象的第一价值参数;
在步骤1104中,将第一价值参数和第二价值参数进行加权求和,得到待预测周期的对象的目标价值参数。
示例性的,以预测稀土价值参数为例,第一影响因子集合中包括的多个第一影响因子可以是各个国家的稀土进口量、经济景气指数CJQ、黑色金属价格指数BMI、有色金属价格指数NMI、“稀土”百度搜索指数XBI、“稀土股票”百度搜索指XSBI、货币供应量M2 MSQ、道琼斯工业指数DJI等等可以影响稀土的价值参数的因素。
在一种可能的实施方式中,本申请实施例中基于第一影响因子集合和多个第一影响因子各自对应的预设系数,进行多元线性回归,得到待预测周期的对象的第二价值参数,可以执行为如图12所示的步骤:
在步骤1201中,利用赤池参数量AIC准则,对第一影响因子集合包括的多个第一影响因子进行拟合度和复杂度计算,得到第二影响因子集合;第二影响因子集合是第一影响因子集合的子集;第二影响因子集合中包括多个第二影响因子,以及多个第二影响因子各自对应的多个历史周期的数据参数;
在步骤1202中,基于多个第二影响因子各自对应的多个历史周期的数据参数和多个第二影响因子各自对应的预设系数,进行多元线性回归,得到待预测周期的对象的第二价值参数。
具体实施时,首先使用赤池参数量AIC准则AIC=2k-2ln(L),对第一影响因子集合包括的多个第一影响因子进行拟合度和复杂度计算,得到第二影响因子集合。其中,k是参数的数量,L是似然函数。
例如第一影响因子有16个,通过逐步回归,得到对多元线性回归的预测结果影响最大的4个第二影响因子,然后使用这4个第二影响因子的多个历史周期的数据参数,利用公式(9)计算得到待预测周期的对象的第二价值参数:
hθ(x)=θ0+θ1x1+θ2x2+…+θnxn (9)
其中,hθ(x)表示第二价值参数,n为第二影响因子的数量;xn为第n个第二影响因子的序列数据,包括第n个第二影响因子的多个历史周期的数据参数;θ1,θ2,…,θn为每个第二影响因子的系数、θ0为偏置项,通过预先训练得到。
然后,根据公式(10)将第一价值参数和第二价值参数进行加权求和,得到待预测周期的对象的目标价值参数:
P(x)=αK(x)+βhθ(x) (10)
其中,P(x)表示目标价值参数,K(x)表示第一价值参数,hθ(x)表示第二价值参数,α和β分别表示第一价值参数和第二价值参数的权重系数,通过预先训练得到。
在一种可能的实施方式中,本申请实施例提供的方法还包括:在显示界面中使用折线图的形式对待预测周期的对象的目标价值参数进行显示。
示例性的,如图13所示,为本申请中的第三显示界面。在第三显示界面中显示将第一价值参数和第二价值参数进行加权求和,得到稀土的价值参数的预测趋势,也即将多因素回归模型的预测结果和LSTM模型得到的预测结果进行结合之后得到的稀土的价值参数的预测趋势。
示例性的,可以使用公式(7)和公式(8)计算将多因素回归模型的预测结果和LSTM模型得到的预测结果进行结合之后得到的稀土的价值参数,与实际的稀土的价值参数之间的平均绝对误差MAE与拟合程度R2,得到如图14所示的第四显示界面。
在第四显示界面中显示将多因素回归模型的预测结果和LSTM模型得到的预测结果进行结合之后得到的稀土的价值参数的预测趋势(实线)和实际的稀土的价值参数的趋势(虚线)。在第四显示界面中还包括将多因素回归模型的预测结果和LSTM模型得到的预测结果进行结合之后得到的稀土的价值参数的预测趋势,和实际的稀土的价值参数的趋势计算得到的平均绝对误差MAE与拟合程度R2。
对图12和图14中的预测趋势、平均绝对误差MAE与拟合程度R2进行比较,可以看出使用多因素回归模型的预测结果和LSTM模型得到的预测结果进行结合之后得到的稀土的价值参数的预测趋势更接近于实际的稀土的价值参数的趋势,显然预测准确性较高。
在一种可能的实施方式中,在预测对象的价值参数的设备的显示界面中显示价值参数的预测按钮,响应于用户针对预测按钮的触发指令,获取待预测周期之前对象的多个历史周期的价值参数。
示例性的,如图15所示,为稀土产业分析平台的显示界面。其中,包括各个稀土类型,以及各个稀土类型对应的价值参数预测按钮,以及各个周期的目标价值参数对应的预测趋势标签(折线图)。点击任意一个稀土类型的某一个周期的预测趋势标签,即折线图标签,就可以查看预测出的该周期该稀土类型的目标价值参数,例如点击稀土类型1对应的周期4的折线图标签,就可以查看右边所示的折线图,得到该稀土类型的目标价值参数。点击各个稀土类型对应的价值参数预测按钮,即可执行本申请实施例提供的方法,预测各个稀土类型对应的价值参数。
为了便于理解,下面根据如图16所示的步骤,对预测对象的价值参数的方法的完整流程进行说明:
在步骤1601中,响应进行预测的指令,获取待预测周期之前对象的多个历史周期的价值参数;指令包括:待预测周期;
在步骤1602中,针对多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于多个历史周期的时间顺序,确定任一历史周期的前N个历史周期;基于任一历史周期的价值参数和前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对任一历史周期的价值参数进行修正,得到任一历史周期的修正价值参数;
其中,若任一历史周期为多个历史周期中的第一个周期,则历史周期的前一个历史周期的修正价值参数设置为预设值;
在步骤1603中,获取对象的价值参数的第一影响因子集合;第一影响因子集合中包括多个第一影响因子,以及多个第一影响因子各自对应的多个历史周期的数据参数;
在步骤1604中,基于第一影响因子集合和多个第一影响因子各自对应的预设系数,进行多元线性回归,得到待预测周期的对象的第二价值参数;
在步骤1605中,将多个历史周期中最后一个历史周期的修正价值参数作为待预测周期的对象的第一价值参数;
在步骤1606中,将第一价值参数和第二价值参数进行加权求和,得到待预测周期的对象的目标价值参数。
在步骤1607中,基于待预测周期的对象的目标价值参数,对待预测周期的对象的需求量进行调整。
基于前文的描述,本申请实施例中响应进行预测的指令,获取待预测周期之前对象的多个历史周期的价值参数;针对多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于多个历史周期的时间顺序,确定任一历史周期的前N个历史周期;基于任一历史周期的价值参数和前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对任一历史周期的价值参数进行修正,得到任一历史周期的修正价值参数;其中,若任一历史周期为多个历史周期中的第一个周期,则历史周期的前一个历史周期的修正价值参数设置为预设值;将多个历史周期中最后一个历史周期的修正价值参数作为待预测周期的对象的目标价值参数;基于待预测周期的对象的目标价值参数,对待预测周期的对象的需求量进行调整。
由此,通过将多个历史周期的价值参数输入预先训练的长短期记忆网络LSTM中,通过利用长短期信息特征保证模型的稳定性和可靠性,能够更好地挖掘时间序列数据中的非线性关系和长期依赖关系,从而提高待预测周期的对象的目标价值参数的预测结果准确性。
下面参照图17来描述根据本申请的这种实施方式的预测对象的价值参数的设备。图17的预测对象的价值参数的设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图17所示,预测对象的价值参数的设备的组件可以包括但不限于:至少一个处理器1701、显示屏1702、至少一个存储器1703和连接不同系统组件的总线1704。
总线1704表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。存储器1703可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)或高速缓存存储器,还可以进一步包括只读存储器(ROM)。
存储器1703还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于: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。
预测对象的价值参数的设备也可以与一个或多个外部设备(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与预测对象的价值参数的设备交互的设备通信,或与使得该预测对象的价值参数的设备能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,预测对象的价值参数的设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN)或公共网络,例如因特网)通信。
处理器1701,用于响应进行预测的指令,获取待预测周期之前所述对象的多个历史周期的价值参数;所述指令包括:所述待预测周期;针对所述多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于所述多个历史周期的时间顺序,确定所述任一历史周期的前N个历史周期;基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数;其中,若所述任一历史周期为所述多个历史周期中的第一个周期,则所述历史周期的前一个历史周期的修正价值参数设置为预设值;将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的目标价值参数;基于所述待预测周期的所述对象的目标价值参数,对所述待预测周期的所述对象的需求量进行调整;
显示屏1702,用于在显示界面中使用折线图的形式对所述待预测周期的所述对象的目标价值参数进行显示。
在一种可能的实施方式中,所述预先训练的长短期记忆网络LSTM中包括输入门、遗忘门和输出门;
处理器1701,还用于:
基于所述输入门的权重和偏置、所述遗忘门的权重和偏置、所述输出门的权重和偏置,分别对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行处理,得到相应的处理后的结果;所述偏置表征激活函数sigmoid的截距;
分别利用激活函数sigmoid对相应的处理后的结果进行激活,得到输入参数、遗忘参数、输出参数;
基于所述输入参数、所述遗忘参数和所述输出参数,确定所述任一历史周期的修正价值参数。
在一种可能的实施方式中,处理器1701,还用于基于所述任一历史周期的价值参数对应的输入门的权重和所述前N个历史周期的修正价值参数对应的输入门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述输入门的偏置相加,得到第一结果;
基于所述任一历史周期的价值参数对应的遗忘门的权重和所述前N个历史周期的修正价值参数对应的遗忘门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述遗忘门的偏置相加,得到第二结果;
基于所述任一历史周期的价值参数对应的输出门的权重和所述前N个历史周期的修正价值参数对应的输出门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述输出门的偏置相加,得到第三结果。
在一种可能的实施方式中,处理器1701,还用于:
获取所述前N个历史周期的单元状态参数;所述单元状态参数表征所述预先训练的长短期记忆网络LSTM的长期记忆状态;
利用双曲正切函数tanh,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行正切处理,得到第一候选参数;
将所述第一候选参数和所述输入参数的乘积、与所述遗忘参数和所述前N个历史周期的单元状态参数的乘积进行相加,得到所述任一历史周期的单元状态参数;
利用双曲正切函数tanh,对所述任一历史周期的单元状态参数进行正切处理之后,与所述输出参数相乘,得到所述任一历史周期的修正价值参数。
在一种可能的实施方式中,处理器1701,还用于:
获取所述对象的价值参数的第一影响因子集合;所述第一影响因子集合中包括多个第一影响因子,以及所述多个第一影响因子各自对应的所述多个历史周期的数据参数;
基于所述第一影响因子集合和所述多个第一影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数;
将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的第一价值参数;
将所述第一价值参数和所述第二价值参数进行加权求和,得到所述待预测周期的所述对象的目标价值参数。
在一种可能的实施方式中,处理器1701,还用于:
利用赤池参数量AIC准则,对所述第一影响因子集合包括的多个第一影响因子进行拟合度和复杂度计算,得到第二影响因子集合;所述第二影响因子集合是所述第一影响因子集合的子集;所述第二影响因子集合中包括多个第二影响因子,以及所述多个第二影响因子各自对应的所述多个历史周期的数据参数;
基于所述多个第二影响因子各自对应的所述多个历史周期的数据参数和所述多个第二影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数。
在一种可能的实施方式中,处理器1701,还用于:
在显示界面中使用折线图的形式对所述待预测周期的所述对象的目标价值参数进行显示。
如图18所示,本申请实施例提供一种预测对象的价值参数的装置,包括:
采集模块1801,用于响应进行预测的指令,获取待预测周期之前所述对象的多个历史周期的价值参数;所述指令包括:所述待预测周期;
修正模块1802,用于针对所述多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于所述多个历史周期的时间顺序,确定所述任一历史周期的前N个历史周期;基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数;其中,若所述任一历史周期为所述多个历史周期中的第一个周期,则所述历史周期的前一个历史周期的修正价值参数设置为预设值;
价值参数预测模块1803,用于将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的目标价值参数;
需求调整模块1804,用于基于所述待预测周期的所述对象的目标价值参数,对所述待预测周期的所述对象的需求量进行调整。
在一种可能的实施方式中,所述预先训练的长短期记忆网络LSTM中包括输入门、遗忘门和输出门;则所述修正模块1802具体用于:
基于所述输入门的权重和偏置、所述遗忘门的权重和偏置、所述输出门的权重和偏置,分别对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行处理,得到相应的处理后的结果;所述偏置表征激活函数sigmoid的截距;
分别利用激活函数sigmoid对相应的处理后的结果进行激活,得到输入参数、遗忘参数、输出参数;
基于所述输入参数、所述遗忘参数和所述输出参数,确定所述任一历史周期的修正价值参数。
在一种可能的实施方式中,所述修正模块1802具体用于:
基于所述任一历史周期的价值参数对应的输入门的权重和所述前N个历史周期的修正价值参数对应的输入门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述输入门的偏置相加,得到第一结果;
基于所述任一历史周期的价值参数对应的遗忘门的权重和所述前N个历史周期的修正价值参数对应的遗忘门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述遗忘门的偏置相加,得到第二结果;
基于所述任一历史周期的价值参数对应的输出门的权重和所述前N个历史周期的修正价值参数对应的输出门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述输出门的偏置相加,得到第三结果。
在一种可能的实施方式中,所述修正模块1802具体用于:
获取所述前N个历史周期的单元状态参数;所述单元状态参数表征所述预先训练的长短期记忆网络LSTM的长期记忆状态;
利用双曲正切函数tanh,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行正切处理,得到第一候选参数;
将所述第一候选参数和所述输入参数的乘积、与所述遗忘参数和所述前N个历史周期的单元状态参数的乘积进行相加,得到所述任一历史周期的单元状态参数;
利用双曲正切函数tanh,对所述任一历史周期的单元状态参数进行正切处理之后,与所述输出参数相乘,得到所述任一历史周期的修正价值参数。
在一种可能的实施方式中,如图19所示,所述预测对象的价值参数的装置还包括:多因素回归模块1901,具体用于:
获取所述对象的价值参数的第一影响因子集合;所述第一影响因子集合中包括多个第一影响因子,以及所述多个第一影响因子各自对应的所述多个历史周期的数据参数;
基于所述第一影响因子集合和所述多个第一影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数;
将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的第一价值参数;
将所述第一价值参数和所述第二价值参数进行加权求和,得到所述待预测周期的所述对象的目标价值参数。
在一种可能的实施方式中,所述多因素回归模块1901,具体用于:
利用赤池参数量AIC准则,对所述第一影响因子集合包括的多个第一影响因子进行拟合度和复杂度计算,得到第二影响因子集合;所述第二影响因子集合是所述第一影响因子集合的子集;所述第二影响因子集合中包括多个第二影响因子,以及所述多个第二影响因子各自对应的所述多个历史周期的数据参数;
基于所述多个第二影响因子各自对应的所述多个历史周期的数据参数和所述多个第二影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数。
在一种可能的实施方式中,如图20所示,所述预测对象的价值参数的装置还包括:
显示模块2001,用于在显示界面中使用折线图的形式对所述待预测周期的所述对象的目标价值参数进行显示。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器,上述指令可由处理器执行以完成上述预测对象的价值参数的方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现如本申请提供的预测对象的价值参数的方法的任一方法。
在示例性实施例中,本申请提供的一种预测对象的价值参数的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的预测对象的价值参数的方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于预测对象的价值参数的方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如“如“语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,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 (10)
1.一种预测对象的价值参数的方法,其特征在于,包括:
响应进行预测的指令,获取待预测周期之前所述对象的多个历史周期的价值参数;所述指令包括:所述待预测周期;
针对所述多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于所述多个历史周期的时间顺序,确定所述任一历史周期的前N个历史周期;基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数;其中,若所述任一历史周期为所述多个历史周期中的第一个周期,则所述历史周期的前一个历史周期的修正价值参数设置为预设值;
将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的目标价值参数;
基于所述待预测周期的所述对象的目标价值参数,对所述待预测周期的所述对象的需求量进行调整。
2.根据权利要求1所述的方法,其特征在于,所述预先训练的长短期记忆网络LSTM中包括输入门、遗忘门和输出门;
所述基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数,包括:
基于所述输入门的权重和偏置、所述遗忘门的权重和偏置、所述输出门的权重和偏置,分别对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行处理,得到相应的处理后的结果;所述偏置表征激活函数sigmoid的截距;
分别利用激活函数sigmoid对相应的处理后的结果进行激活,得到输入参数、遗忘参数、输出参数;
基于所述输入参数、所述遗忘参数和所述输出参数,确定所述任一历史周期的修正价值参数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述输入门的权重和偏置、所述遗忘门的权重和偏置、所述输出门的权重和偏置,分别对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行处理,得到相应的处理后的结果,包括:
基于所述任一历史周期的价值参数对应的输入门的权重和所述前N个历史周期的修正价值参数对应的输入门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述输入门的偏置相加,得到第一结果;
基于所述任一历史周期的价值参数对应的遗忘门的权重和所述前N个历史周期的修正价值参数对应的遗忘门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述遗忘门的偏置相加,得到第二结果;
基于所述任一历史周期的价值参数对应的输出门的权重和所述前N个历史周期的修正价值参数对应的输出门的权重,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行加权求和;并将加权求和后的结果与所述输出门的偏置相加,得到第三结果。
4.根据权利要求2所述的方法,其特征在于,所述基于所述输入参数、所述遗忘参数和所述输出参数,确定所述任一历史周期的修正价值参数,包括:
获取所述前N个历史周期的单元状态参数;所述单元状态参数表征所述预先训练的长短期记忆网络LSTM的长期记忆状态;
利用双曲正切函数tanh,对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行正切处理,得到第一候选参数;
将所述第一候选参数和所述输入参数的乘积、与所述遗忘参数和所述前N个历史周期的单元状态参数的乘积进行相加,得到所述任一历史周期的单元状态参数;
利用双曲正切函数tanh,对所述任一历史周期的单元状态参数进行正切处理之后,与所述输出参数相乘,得到所述任一历史周期的修正价值参数。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述对象的价值参数的第一影响因子集合;所述第一影响因子集合中包括多个第一影响因子,以及所述多个第一影响因子各自对应的所述多个历史周期的数据参数;
基于所述第一影响因子集合和所述多个第一影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数;
将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的第一价值参数;
将所述第一价值参数和所述第二价值参数进行加权求和,得到所述待预测周期的所述对象的目标价值参数。
6.根据权利要求5所述的方法,其特征在于,所述基于所述第一影响因子集合和所述多个第一影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数,包括:
利用赤池参数量AIC准则,对所述第一影响因子集合包括的多个第一影响因子进行拟合度和复杂度计算,得到第二影响因子集合;所述第二影响因子集合是所述第一影响因子集合的子集;所述第二影响因子集合中包括多个第二影响因子,以及所述多个第二影响因子各自对应的所述多个历史周期的数据参数;
基于所述多个第二影响因子各自对应的所述多个历史周期的数据参数和所述多个第二影响因子各自对应的预设系数,进行多元线性回归,得到所述待预测周期的所述对象的第二价值参数。
7.根据权利要求1-6任一所述的方法,其特征在于,所述方法还包括:
在显示界面中使用折线图的形式对所述待预测周期的所述对象的目标价值参数进行显示。
8.一种预测对象的价值参数的设备,其特征在于,所述设备包括处理器和显示屏;
所述处理器,用于响应进行预测的指令,获取待预测周期之前所述对象的多个历史周期的价值参数;所述指令包括:所述待预测周期;针对所述多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于所述多个历史周期的时间顺序,确定所述任一历史周期的前N个历史周期;基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数;其中,若所述任一历史周期为所述多个历史周期中的第一个周期,则所述历史周期的前一个历史周期的修正价值参数设置为预设值;将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的目标价值参数;基于所述待预测周期的所述对象的目标价值参数,对所述待预测周期的所述对象的需求量进行调整;
所述显示屏,用于在显示界面中使用折线图的形式对所述待预测周期的所述对象的目标价值参数进行显示。
9.一种预测对象的价值参数的装置,其特征在于,所述装置包括:
采集模块,用于响应进行预测的指令,获取待预测周期之前所述对象的多个历史周期的价值参数;所述指令包括:所述待预测周期;
修正模块,用于针对所述多个历史周期的价值参数中任一历史周期的价值参数,执行以下操作:基于所述多个历史周期的时间顺序,确定所述任一历史周期的前N个历史周期;基于所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数,使用预先训练的长短期记忆网络LSTM,对所述任一历史周期的价值参数进行修正,得到所述任一历史周期的修正价值参数;其中,若所述任一历史周期为所述多个历史周期中的第一个周期,则所述历史周期的前一个历史周期的修正价值参数设置为预设值;
价值参数预测模块,用于将所述多个历史周期中最后一个历史周期的修正价值参数作为所述待预测周期的所述对象的目标价值参数;
需求调整模块,用于基于所述待预测周期的所述对象的目标价值参数,对所述待预测周期的所述对象的需求量进行调整。
10.根据权利要求9所述的装置,其特征在于,所述预先训练的长短期记忆网络LSTM中包括输入门、遗忘门和输出门;则所述修正模块具体用于:
基于所述输入门的权重和偏置、所述遗忘门的权重和偏置、所述输出门的权重和偏置,分别对所述任一历史周期的价值参数和所述前N个历史周期的修正价值参数进行处理,得到相应的处理后的结果;所述偏置表征激活函数sigmoid的截距;
分别利用激活函数sigmoid对相应的处理后的结果进行激活,得到输入参数、遗忘参数、输出参数;
基于所述输入参数、所述遗忘参数和所述输出参数,确定所述任一历史周期的修正价值参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946255.6A CN117196665A (zh) | 2023-07-31 | 2023-07-31 | 预测对象的价值参数的方法、设备及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946255.6A CN117196665A (zh) | 2023-07-31 | 2023-07-31 | 预测对象的价值参数的方法、设备及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117196665A true CN117196665A (zh) | 2023-12-08 |
Family
ID=88996855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310946255.6A Pending CN117196665A (zh) | 2023-07-31 | 2023-07-31 | 预测对象的价值参数的方法、设备及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196665A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951627A (zh) * | 2024-03-21 | 2024-04-30 | 潍柴动力股份有限公司 | 一种时序数据预测方法、装置及电子设备 |
-
2023
- 2023-07-31 CN CN202310946255.6A patent/CN117196665A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951627A (zh) * | 2024-03-21 | 2024-04-30 | 潍柴动力股份有限公司 | 一种时序数据预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3852020A1 (en) | Classification model training and use methods and apparatuses, device, and medium | |
CN109063939B (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及系统 | |
WO2021204176A1 (zh) | 业务数据预测方法、装置、电子设备及计算机可读存储介质 | |
CN110059894B (zh) | 设备状态评估方法、装置、系统及存储介质 | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
CN111091196A (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CN117196665A (zh) | 预测对象的价值参数的方法、设备及装置 | |
CN114169625A (zh) | 电力系统的短期负荷预测方法及装置 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN114492641A (zh) | 电力负荷预测方法、装置、设备及存储介质 | |
CN113902260A (zh) | 信息预测方法、装置、电子设备和介质 | |
CN113743667A (zh) | 一种台区用电量预测方法、装置、设备及存储介质 | |
CN112990530A (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
CN117010723A (zh) | 碳排放量预测方法、系统、设备及计算机可读存储介质 | |
CN111753959A (zh) | 一种神经网络模型优化方法、装置、设备和存储介质 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN111221896A (zh) | 用户行为预测方法及装置、电子设备、存储介质 | |
CN112686330B (zh) | Kpi异常数据检测方法及装置、存储介质及电子设备 | |
CN109978384A (zh) | 一种配电网运行效率的主导因素分析方法及相关产品 | |
CN116362300B (zh) | 区域电网异常扰动数量预测方法、装置、介质及电子设备 | |
CN116544931B (zh) | 基于集成片段变换和时间卷积网络的电力负荷分布预测方法 | |
CN114037066B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
US20240211803A1 (en) | Method and electronic system for predicting value(s) of a quantity relative to a device, related operating method and computer program |
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 |