CN117273241B - 一种处理数据的方法和装置 - Google Patents
一种处理数据的方法和装置 Download PDFInfo
- Publication number
- CN117273241B CN117273241B CN202311533624.5A CN202311533624A CN117273241B CN 117273241 B CN117273241 B CN 117273241B CN 202311533624 A CN202311533624 A CN 202311533624A CN 117273241 B CN117273241 B CN 117273241B
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- coding matrix
- prediction
- historical data
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 270
- 238000010606 normalization Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 20
- 238000013209 evaluation strategy Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 2
- 230000008859 change Effects 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013503 de-identification Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/76—Arrangements for rearranging, permuting or selecting data according to predetermined rules, independently of the content of the data
- G06F7/78—Arrangements for rearranging, permuting or selecting data according to predetermined rules, independently of the content of the data for changing the order of data flow, e.g. matrix transposition or LIFO buffers; Overflow or underflow handling therefor
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种处理数据的方法和装置，涉及人工智能技术领域。该方法的一具体实施方式包括：根据用于预测的历史数据生成叠加位置编码和时间编码的叠加编码矩阵，并对叠加编码矩阵执行逆标准化处理，结合叠加编码矩阵以及逆标准化矩阵对预测请求指示的指标进行预测得到预测信息结果。本发明的实施例通过叠加时间编码的编码矩阵提高了用于预测的正向性，通过逆标准化处理保留了历史数据的原始趋势和间歇变化信息，在历史数据具有间歇性较强、平稳性较差、数量级差距较大特点的情况下，在较大程度上提升了预测的准确率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种处理数据的方法和装置。
背景技术
随着人工智能的飞速发展，利用人工智能的预测模型进行预测的应用场景也越来越多，例如物品提供方利用预测模型执行针对未来设定时间范围内的物品销量的预测。
然而在利用预测模型进行预测时，可能存在预测所需的设定时间范围内的原始数据的连贯性较低、平稳性较差、数量级差距较大的情况，现有的预测模型（例如Croston模型或LSTM模型等）基于该类型的原始数据预测未来数据时，存在预测时间范围有限以及预测准确率较低的问题。
发明内容
有鉴于此，本发明实施例提供一种处理数据的方法和装置，能够根据用于预测的历史数据生成叠加位置编码和时间编码的叠加编码矩阵，并对叠加编码矩阵执行逆标准化处理，结合叠加编码矩阵以及逆标准化矩阵对预测请求指示的指标进行预测得到预测信息结果。本发明的实施例通过叠加时间编码的编码矩阵提高了用于预测的正向性，通过逆标准化处理保留了历史数据的原始趋势和间歇变化信息，在历史数据具有间歇性较强、平稳性较差、数量级差距较大特点的情况下，在较大程度上提升了预测的准确率。
为实现上述目的，根据本发明实施例的一个方面，提供了一种处理数据的方法，其特征在于，包括：响应于数据预测请求，获取所述数据预测请求对应的历史数据；对所述历史数据进行标准化处理，得到标准化矩阵；对所述历史数据执行编码操作，分别生成位置编码矩阵和时间编码矩阵；将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵；对所述叠加编码矩阵进行逆标准化处理，生成逆标准化矩阵；基于所述逆标准化矩阵以及所述叠加编码矩阵，对所述数据预测请求指示的指标进行预测，并提供对应于所述指标的预测结果信息。
可选地，所述生成时间编码矩阵，包括：从所述历史数据中解析出时间数据，为所述时间数据生成多维度时间张量；将多维度所述时间张量转换成与所述位置编码矩阵维度相同的时间编码矩阵。
可选地，所述将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵，包括：将所述时间编码矩阵投影至所述位置编码矩阵；根据投影的结果，将所述位置编码矩阵和时间编码矩阵按位叠加至所述标准化矩阵，生成所述叠加编码矩阵。
可选地，所述处理数据的方法，包括封装编码器和解码器到预设的数据处理模型；基于所述数据处理模型执行对所述历史数据进行标准化处理、编码操作、生成叠加编码矩阵及预测的步骤。
可选地，所述对所述数据预测请求指示的指标进行预测，包括：将所述叠加编码矩阵分别输入所述数据处理模型封装的所述编码器和所述解码器；利用所述编码器提取所述叠加编码矩阵以及所述逆标准化矩阵的多个特征，生成目标编码矩阵；利用所述解码器针对所述目标编码矩阵进行解码操作，得到目标解码矩阵；结合所述目标解码矩阵以及所述叠加编码矩阵执行预测。
可选地，所述编码器包括自注意力层；利用所述编码器提取所述目标编码矩阵的多个特征，生成目标编码矩阵，包括：利用所述自注意力层从所述叠加编码矩阵中提取第一特征，基于所述第一特征生成第一注意力矩阵；利用所述自注意力层从所述逆标准化矩阵中提取第二特征，基于提取的所述第二特征生成第二注意力矩阵；将所述第一注意力矩阵和第二注意力矩阵进行按位叠加得到所述目标编码矩阵。
可选地，所述解码器包括输出层，其中，所述输出层设置有预测模型；所述结合所述目标解码矩阵以及所述叠加编码矩阵执行预测，包括：对所述叠加编码矩阵执行逆标准化操作，得到输出解码矩阵；将所述目标解码矩阵以及所述输出解码矩阵输入所述输出层的预测模型，通过所述预测模型进行预测。
可选地，所述处理数据的方法，进一步包括：针对每一个迭代周期，执行下述操作，直至评估出预测结果满足预设的迭代停止条件，则停止迭代，并确定训练出优化的预设数据处理模型：获取所述迭代周期对应的第一设定时间范围内的第一历史数据；将所述第一历史数据作为训练样本输入所述数据处理模型进行训练；获取在所述第一设定时间范围后的第二设定时间范围内的第二历史数据；利用所述第二历史数据评估所述数据处理模型针对所述第一历史数据的预测结果。
可选地，所述利用所述第二历史数据评估所述预设数据处理模型针对所述第一历史数据的预测结果，包括：获取所述历史数据包含的多种参数指标；获取针对每一种参数指标的预设评估策略；针对每一个所述参数指标，执行基于所述第二历史数据包含的对应于所述参数指标的第一指标值与所述预测结果指示的第二指标值，利用所述第一指标值对应的预设评估策略，计算所述第二指标值的预测准确率；根据多种所述参数指标的预测准确率，评估所述数据处理模型针对所述第一历史数据的预测结果。
为实现上述目的，根据本发明实施例的第二方面，提供了一种处理数据的装置，其特征在于，包括：接收请求模块、数据处理模块和执行预测模块；其中，
所述接收请求模块，用于响应于数据预测请求，获取所述数据预测请求对应的历史数据；
所述数据处理模块，用于对所述历史数据进行标准化处理，得到标准化矩阵；对所述历史数据执行编码操作，分别生成位置编码矩阵和时间编码矩阵；将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵；
所述执行预测模块，用于基于所述叠加编码矩阵，对所述数据预测请求指示的指标进行预测，并提供对应于所述指标的预测结果信息。
可选地，所述处理数据的装置，用于生成时间编码矩阵，包括：从所述历史数据中解析出时间数据，为所述时间数据生成多维度时间张量；将多维度所述时间张量转换成与所述位置编码矩阵维度相同的时间编码矩阵。
可选地，所述处理数据的装置，用于将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵，包括：将所述时间编码矩阵投影至所述位置编码矩阵；根据投影的结果，将所述位置编码矩阵和时间编码矩阵按位叠加至所述标准化矩阵，生成所述叠加编码矩阵。
可选地，所述处理数据的装置，用于封装编码器和解码器到预设的数据处理模型；基于所述数据处理模型执行对所述历史数据进行标准化处理、编码操作、生成叠加编码矩阵及预测的步骤。
可选地，所述处理数据的装置，用于对所述数据预测请求指示的指标进行预测，包括：将所述叠加编码矩阵分别输入所述数据处理模型封装的所述编码器和所述解码器；利用所述编码器提取所述叠加编码矩阵以及所述逆标准化矩阵的多个特征，生成目标编码矩阵；利用所述解码器针对所述目标编码矩阵进行解码操作，得到目标解码矩阵；结合所述目标解码矩阵以及所述叠加编码矩阵执行预测。
可选地，所述处理数据的装置配置的所述编码器包括自注意力层；利用所述编码器提取所述目标编码矩阵的多个特征，生成目标编码矩阵，包括：利用所述自注意力层从所述叠加编码矩阵中提取第一特征，基于所述第一特征生成第一注意力矩阵；利用所述自注意力层从所述逆标准化矩阵中提取第二特征，基于提取的所述第二特征生成第二注意力矩阵；将所述第一注意力矩阵和第二注意力矩阵进行按位叠加得到所述目标编码矩阵。
可选地，所述处理数据的装置配置的所述解码器包括输出层，其中，所述输出层设置有预测模型；所述结合所述目标解码矩阵以及所述叠加编码矩阵执行预测，包括：对所述叠加编码矩阵执行逆标准化操作，得到输出解码矩阵；将所述目标解码矩阵以及所述输出解码矩阵输入所述输出层的预测模型，通过所述预测模型进行预测。
可选地，所述处理数据的装置，进一步用于针对每一个迭代周期，执行下述操作，直至评估出预测结果满足预设的迭代停止条件，则停止迭代，并确定训练出优化的预设数据处理模型：获取所述迭代周期对应的第一设定时间范围内的第一历史数据；将所述第一历史数据作为训练样本输入所述数据处理模型进行训练；获取在所述第一设定时间范围后的第二设定时间范围内的第二历史数据；利用所述第二历史数据评估所述数据处理模型针对所述第一历史数据的预测结果。
可选地，所述处理数据的装置，用于利用所述第二历史数据评估所述预设数据处理模型针对所述第一历史数据的预测结果，包括：获取所述历史数据包含的多种参数指标；获取针对每一种参数指标的预设评估策略；针对每一个所述参数指标，执行基于所述第二历史数据包含的对应于所述参数指标的第一指标值与所述预测结果指示的第二指标值，利用所述第一指标值对应的预设评估策略，计算所述第二指标值的预测准确率；根据多种所述参数指标的预测准确率，评估所述数据处理模型针对所述第一历史数据的预测结果。
为实现上述目的，根据本发明实施例的第三方面，提供了一种处理数据的电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述处理数据的方法中任一所述的方法。
为实现上述目的，根据本发明实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上述处理数据的方法中任一所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：能够根据用于预测的历史数据生成叠加位置编码和时间编码的叠加编码矩阵，并对叠加编码矩阵执行逆标准化处理，结合叠加编码矩阵以及逆标准化矩阵对预测请求指示的指标进行预测得到预测信息结果。本发明的实施例通过叠加时间编码的编码矩阵提高了用于预测的正向性，通过逆标准化处理保留了历史数据的原始趋势和间歇变化信息，在历史数据具有间歇性较强、平稳性较差、数量级差距较大特点的情况下，在较大程度上提升了预测的准确率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明一个实施例提供的一种处理数据的方法的流程示意图；
图 2 是本发明一个实施例提供的一种数据处理模型的结构示意图；
图3是本发明一个实施例提供的一种训练数据处理模型的流程示意图；
图4是本发明一个实施例提供的一种处理数据的装置的结构示意图；
图 5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，本发明的技术方案中，所涉及的用户个人信息的采集、收集、更新、分析、处理、使用、传输、存储等方面，均符合相关法律法规的规定，被用于合法的用途，且不违背公序良俗。对用户个人信息采取必要措施，防止对用户个人信息数据的非法访问，维护用户个人信息安全和网络安全。
在收集历史数据后，通过技术手段对数据进行去标识化处理。当展示预测结果信息时采用包括去标识化或者匿名化处理方式对信息进行脱敏，以保护信息安全。
在多种针对预测场景中，例如：预测物品销量的场景，往往存在间歇性很强的数据，例如，针对车辆的零部件销售应用场景，某些车辆零件一年内的销售的次数为个位数但是单次的销量数值较大、而另外的一些车辆零件在一年内的销售的次数为万位数但是单次的销量数值较小，这类数据即为间歇性较强、平稳性较差、数量级差距较大的数据，即数据中存在较大数量的“0”，现有的预测模型针对该类数据的预测均存在预测准确性较低的问题。
有鉴于此，如图1所示，本发明实施例提供了一种处理数据的方法，该方法可以包括以下步骤：
步骤S101：响应于数据预测请求，获取所述数据预测请求对应的历史数据。
具体地，数据预测请求是指利用过去设定时间范围内的历史数据，预测未来设定范围内的数据；例如，针对物品A的销量预测，可以利用物品A过去5个月的销量数据，预测物品A在未来1个月内的销量情况。在本发明的实施例中，历史数据即为用于得到预测数据所使用的过去设定时间范围内的实际数据。
步骤S102：对所述历史数据进行标准化处理，得到标准化矩阵；对所述历史数据执行编码操作，分别生成位置编码矩阵和时间编码矩阵；将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵。
具体地，在本发明的实施例中，首先对历史数据进行标准化处理，得到标准化矩阵；其中，标准化处理可以为数据归一化，可以理解的是，通过将数据归一化得到数据处理模型的输入数据。
进一步地，对所述历史数据执行编码操作，分别生成位置编码矩阵和时间编码矩阵；本发明的实施例通过引入时间编码，将位置编码与时间编码叠加，以达到提高预测准确性的有益效果。
进一步地，其中，所述生成时间编码矩阵，包括：从所述历史数据中解析出时间数据，为所述时间数据生成多维度时间张量；将多维度所述时间张量转换成与所述位置编码矩阵维度相同的时间编码矩阵。其中，从所述历史数据中解析出时间数据，例如时间数据对应的时间为2023年1月1日12点12分12秒；则可以将所述时间数据生成多维度时间张量，例如将时间数据的多维张量范式表示为[Y,M,D,H,M,S]，即年、月、日、小时、分钟、秒分别为不同维度；进一步地，确定当前预测场景的时间颗粒度，例如，预测的时间单位为天，则将时间张量的维度确定为与“天”匹配的维度数量（例如为[2023,1,1]），可以理解的是，为了将位置编码与时间编码进行叠加，因此确定两者的维度为相同，即将多维度所述时间张量转换成与所述位置编码矩阵维度相同的时间编码矩阵。在本发明实施例包含的数据处理模型为基于transformer模型（transformer模型为一种基于注意力机制的端到端深度学习模型）改进的预测模型的情况下，可以利用模型的嵌入层执行编码处理，即生成位置编码和时间编码；其中，位置编码保持数据的前后顺序，时间编码与位置编码绑定，在保持数据前后顺序的基础上叠加时间特征。以提升预测效果。
进一步地，所述将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵，包括：将所述时间编码矩阵投影至所述位置编码矩阵；根据投影的结果，将所述位置编码矩阵和时间编码矩阵按位叠加至所述标准化矩阵，生成所述叠加编码矩阵。具体地，可以利用数据处理模型（基于transformer模型改进的预测模型）的全连接层执行将所述时间编码矩阵投影至所述位置编码矩阵、然后将所述位置编码矩阵和时间编码矩阵按位叠加至所述标准化矩阵，生成所述叠加编码矩阵的操作。
步骤S103：对所述叠加编码矩阵进行逆标准化处理，生成逆标准化矩阵；基于所述逆标准化矩阵以及所述叠加编码矩阵，对所述数据预测请求指示的指标进行预测，并提供对应于所述指标的预测结果信息。
具体地，下面结合图2说明本发明实施例的预测方法。
如图2所示，本发明实施例包含的数据处理模型包含编码器200和解码器201。
如图2所示，基于历史数据进行标准化处理，进一步根据处理后得到的时间编码矩阵和位置编码矩阵叠加后的编码矩阵（即包含位置编码以及时间编码的特征）分别输入编码器和解码器；即所述对所述数据预测请求指示的指标进行预测，包括：将所述叠加编码矩阵分别输入所述数据处理模型封装的所述编码器和所述解码器；利用所述编码器提取所述叠加编码矩阵以及所述逆标准化矩阵的多个特征，生成目标编码矩阵；利用所述解码器针对所述目标编码矩阵进行解码操作，得到目标解码矩阵；结合所述目标解码矩阵以及所述叠加编码矩阵执行预测。图2中的“⊕”符号代表矩阵叠加（例如：矩阵元素按位叠加等）。
进一步地，在编码器200中对所述叠加编码矩阵进行逆标准化处理，其中逆标准化为标准化的逆向操作，由于在历史数据标准化（例如归一化等操作）的操作中消除了部分长期趋势以及变化的特征，因此本发明的实施例利用逆标准化的操作可以保留原始的历史数据中的趋势、变化等特征，以提升预测效果。
进一步地，在本发明实施例提供的数据处理模型中的编码器包含自注意力层；即所述编码器包括自注意力层。利用所述编码器提取所述目标编码矩阵的多个特征，生成目标编码矩阵，包括：利用所述自注意力层从所述叠加编码矩阵中提取第一特征，基于所述第一特征生成第一注意力矩阵；利用所述自注意力层从所述逆标准化矩阵中提取第二特征，基于提取的所述第二特征生成第二注意力矩阵；将所述第一注意力矩阵和第二注意力矩阵进行按位叠加得到所述目标编码矩阵。
如图2所示，编码器包含一个或多个自注意力层，自注意力层可以基于数据提取预测数据所需的特征，如图2所示，可以利用自注意力层分别从基于标准化数据处理后的叠加编码矩阵中提取第一特征，以及利用所述自注意力层从所述逆标准化矩阵中提取第二特征，编码器还包含多个处理层（例如包括多个线性层、加性归一化层、前向层等）结合第一特征和第二特征的结合数据进行处理以得到使得将基于第一特征形成所述第一注意力矩阵和基于第二特征第二注意力矩阵进行按位叠加得到所述目标编码矩阵，由此可见目标编码矩阵包含了针对历史数据处理后得到的时间编码、位置编码以及逆标准化之后的组合特征，目标编码矩阵即为编码器输出至解码器的矩阵。
进一步地，利用解码器201执行预测；本发明实施例所提供的解码器结合编码器的输出的目标编码矩阵以及包含位置编码以及时间编码的叠加编码矩阵构成的数据进行预测，由于叠加历史数据的时间特征以及通过逆标准化保持了历史数据的原始趋势（或变化）的特征，从而在较大程度上提高了预测的准确性。具体地，所述解码器包括输出层，其中，所述输出层设置有预测模型；所述结合所述目标解码矩阵以及所述叠加编码矩阵执行预测，包括：对所述叠加编码矩阵执行逆标准化操作，得到输出解码矩阵；将所述目标解码矩阵以及所述输出解码矩阵输入所述输出层的预测模型，通过所述预测模型进行预测。其中，目标解码矩阵为编码器基于编码器输出的目标编码矩阵进行解码操作所得到的；输出解码矩阵为对所述叠加编码矩阵执行逆标准化操作所得到的。在解码器中，可以包含多个处理层（例如包括多个线性层、加性归一化层、前向层等），其中，输出层包含的预测模型可以为分类预测模型例如softmax。通过预测模型可以输出预测结果，例如预测概率、预测数据等，本发明对预测输出的具体数据的内容和形式不做限定。
进一步地，预测请求指示的指标可以根据预测场景而设定，例如指标可以为高销量指标、中销量指标、低销量指标等，在获得对应于指标的预测数据后提供一种或多种预测结果信息，例如可以发送预测信息结果给发送数据预测请求的物品管理方的客户端或服务端，以使物品管理方管理对应的物品以及物品数据（例如根据预测销量确定备货数据量等）。
在本发明的实施例中，可以利用数据处理模型执行步骤S101~步骤S103基于获取的历史数据的数据处理和预测步骤，其中，数据处理模型可以为基于transformer模型进行改进后训练和确定出的优化预测模型，其包含编码器和解码器；即，封装编码器和解码器到预设的数据处理模型；基于所述数据处理模型执行对所述历史数据进行标准化处理、编码操作、生成叠加编码矩阵及预测的步骤。
如图3所示，本发明实施例提供了一种训练数据处理模型的流程，该流程可以包括以下步骤；
步骤S301：针对每一个迭代周期：获取所述迭代周期对应的第一设定时间范围内的第一历史数据；将所述第一历史数据作为训练样本输入所述数据处理模型进行训练。
步骤S302：获取在所述第一设定时间范围后的第二设定时间范围内的第二历史数据；利用所述第二历史数据评估所述数据处理模型针对所述第一历史数据的预测结果
步骤S303：判断是否满足迭代停止条件，如果是，执行步骤S304；否则执行步骤S304。
步骤S304：确定训练出优化的预设数据处理模型。
具体地，在训练数据处理模型时，采用迭代训练的方法，即包含多个迭代周期，每个迭代周期可以采用不同的训练样本数据，即获取所述迭代周期对应的第一设定时间范围内的第一历史数据；并利用所述第二历史数据评估所述数据处理模型针对所述第一历史数据的预测结果；例如：针对迭代周期A，第一历史数据为过去一年前5个月的销量数据，第二历史数据为过去一年第六个月的销量数据。可以理解的是，第一历史数据和第二历史数据均为实际数据，通过实际数据训练数据处理模型，可以通过直接评估预测结果提高模型训练效果。即， 针对每一个迭代周期，执行下述操作，直至评估出预测结果满足预设的迭代停止条件，则停止迭代，并确定训练出优化的预设数据处理模型：获取所述迭代周期对应的第一设定时间范围内的第一历史数据；将所述第一历史数据作为训练样本输入所述数据处理模型进行训练；获取在所述第一设定时间范围后的第二设定时间范围内的第二历史数据；利用所述第二历史数据评估所述数据处理模型针对所述第一历史数据的预测结果。
进一步地，利用所述第二历史数据评估所述预设数据处理模型针对所述第一历史数据的预测结果的具体方法包括：获取所述历史数据包含的多种参数指标；获取针对每一种参数指标的预设评估策略；针对每一个所述参数指标，执行基于所述第二历史数据包含的对应于所述参数指标的第一指标值与所述预测结果指示的第二指标值，利用所述第一指标值对应的预设评估策略，计算所述第二指标值的预测准确率；根据多种所述参数指标的预测准确率，评估所述数据处理模型针对所述第一历史数据的预测结果。
进一步地，利用评估结果评估预测结果对应的预测准确率是否不小于预测准确率阈值，其中准确率阈值可以根据预测场景而设定，本发明对准确率阈值的具体数据和形式不做限定；进一步地在满足的情况下判断出满足模型训练的迭代停止条件，否则执行循环迭代训练的步骤。即，直至评估出预测结果满足预设的迭代停止条件，则停止迭代，并确定训练出优化的预设数据处理模型。
具体地，历史数据中包含多种待预测的参数指标，例如针对销量数量，其参数指标可以为高销量指标、中销量指标、低销量指标等多种；在本发明的实施例中，可以为每一种参数指标配置对应的预设评估策略；通过预设评估策略可以计算预测得到的指标值与实际指标值之间的差值，从而根据差值确定预测准确率。
进一步地，由于不同销量数据的参数指标分布存在较大差异，因此选择不同的预设评估策略分别计算，然后可以综合各种参数指标得到总的预测准确率；得到总的预测准确率的方法可以通过统计方法（例如加权平均法）得到。
如公式（1）所示，针对高销量指标或中销量指标可以利用预设评估策略包含的wmape（Weighted Mean Absolute Percentage Error，代表加权平均绝对百分比误差）进行评估；而针对低销量指标，由于存在“0”值过多的情况，因此通过“0”加以修正。其中，pred代表预测结果对应的数值，value代表实际数值。
（1）
进一步地，分别基于针对高销量指标或中销量指标、低销量指标的计算结果进行加权计算，得到总的预测准确率（），例如计算方法如公式（2）所示，其中，p代表权重，权重可以通过某种类型的参数指标与总数的比值得到，例如：高销量指标与总销量的比值作为高销量指标的权重。
（2）
本发明提供的数据处理模型相比于现有的预测模型（例如Croston模型、LSTM模型等）在针对高销量指标、中销量指标、低销量指标的预测准确率均有较大提升，例如：相比于Croston模型的预测准确率提升了86%，相比于LTSM模型的预测准确率提升了17%；由此可见，本发明实施例训练和提供的数据处理模型可以达到以下有益效果：1）预测准确率更高。在间歇性数据的预测场景中，将原始的历史数据和标准话处理后的数据同时利用自注意力层进行特征提取，可以更好的提取长期趋势特征，对于一些突变值的预测会有更好的效果，进而得到了预测准确率的提升效果。2）低销量预测准确率提升较大。在销量次数非常低的场景下，本发明实施例可以克服历史数据中0值过多、时间序列突变情况较多的问题，从而提高了预测未来的物品销量（供货需求）的准确性，提高了物品管理方的用户体验。
如图4所示，本发明实施例提供了一种处理数据的装置400，包括：接收请求模块401、数据处理模块402和执行预测模块403；其中，
所述接收请求模块401，用于响应于数据预测请求，获取所述数据预测请求对应的历史数据；
所述数据处理模块402，用于对所述历史数据进行标准化处理，得到标准化矩阵；对所述历史数据执行编码操作，分别生成位置编码矩阵和时间编码矩阵；将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵；
所述执行预测模块403，用于基于所述叠加编码矩阵，对所述数据预测请求指示的指标进行预测，并提供对应于所述指标的预测结果信息。
本发明实施例还提供了一种处理数据的电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一实施例提供的方法。
本发明实施例还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例提供的处理数据的方法。
图5示出了可以应用本发明实施例的处理数据的方法或处理数据的装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种客户端应用，例如电子商城客户端应用、网页浏览器应用、搜索类应用、即时通信工具和邮箱客户端等。
终端设备501、502、503可以是具有显示屏并且支持各种客户端应用的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所使用的客户端应用提供支持的后台管理服务器。后台管理服务器可以对接收到的数据预测请求进行处理，并将预测结果信息反馈给终端设备。
需要说明的是，本发明实施例所提供的处理数据的方法一般由服务器505执行，相应地，处理数据的装置一般设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元（CPU）601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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。而在本发明中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收请求模块、数据处理模块和执行预测模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，接收请求模块还可以被描述为“响应于数据预测请求获取所述数据预测请求对应的历史数据的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：响应于数据预测请求，获取所述数据预测请求对应的历史数据；对所述历史数据进行标准化处理，得到标准化矩阵；对所述历史数据执行编码操作，分别生成位置编码矩阵和时间编码矩阵；将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵；基于所述叠加编码矩阵，对所述数据预测请求指示的指标进行预测，并提供对应于所述指标的预测结果信息。
本发明的实施例，能够根据用于预测的历史数据生成叠加位置编码和时间编码的叠加编码矩阵，并对叠加编码矩阵执行逆标准化处理，结合叠加编码矩阵以及逆标准化矩阵对预测请求指示的指标进行预测得到预测信息结果。本发明的实施例通过叠加时间编码的编码矩阵提高了用于预测的正向性，通过逆标准化处理保留了历史数据的原始趋势和间歇变化信息，在历史数据具有间歇性较强、平稳性较差、数量级差距较大特点的情况下，在较大程度上提升了预测的准确率。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种处理数据的方法，其特征在于，包括：
响应于数据预测请求，获取所述数据预测请求对应的历史数据；
对所述历史数据进行标准化处理，得到标准化矩阵；
对所述历史数据执行编码操作，分别生成位置编码矩阵和时间编码矩阵；
将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵；
对所述叠加编码矩阵进行逆标准化处理，生成逆标准化矩阵；
基于所述逆标准化矩阵以及所述叠加编码矩阵，对所述数据预测请求指示的指标进行预测，并提供对应于所述指标的预测结果信息；
其中，所述对所述数据预测请求指示的指标进行预测，包括：
将所述叠加编码矩阵分别输入数据处理模型封装的编码器和解码器；
利用所述编码器包括的自注意力层从所述叠加编码矩阵中提取第一特征，基于所述第一特征生成第一注意力矩阵；利用所述自注意力层从所述逆标准化矩阵中提取第二特征，基于提取的所述第二特征生成第二注意力矩阵；将所述第一注意力矩阵和第二注意力矩阵进行按位叠加得到目标编码矩阵；
利用所述解码器针对所述目标编码矩阵进行解码操作，得到目标解码矩阵；
结合所述目标解码矩阵以及所述叠加编码矩阵执行预测。
2.根据权利要求1所述的方法，其特征在于，
所述生成时间编码矩阵，包括：
从所述历史数据中解析出时间数据，为所述时间数据生成多维度时间张量；
将多维度所述时间张量转换成与所述位置编码矩阵维度相同的时间编码矩阵。
3.根据权利要求1或2所述的方法，其特征在于，所述将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵，包括：
将所述时间编码矩阵投影至所述位置编码矩阵；
根据投影的结果，将所述位置编码矩阵和时间编码矩阵按位叠加至所述标准化矩阵，生成所述叠加编码矩阵。
4.根据权利要求1所述的方法，其特征在于，还包括：
封装编码器和解码器到预设的数据处理模型；
基于所述数据处理模型执行对所述历史数据进行标准化处理、编码操作、生成叠加编码矩阵及预测的步骤。
5.根据权利要求1所述的方法，其特征在于，
所述解码器包括输出层，其中，所述输出层设置有预测模型；
所述结合所述目标解码矩阵以及所述叠加编码矩阵执行预测，包括：
对所述叠加编码矩阵执行逆标准化操作，得到输出解码矩阵；
将所述目标解码矩阵以及所述输出解码矩阵输入所述输出层的预测模型，通过所述预测模型进行预测。
6.根据权利要求4所述的方法，其特征在于，进一步包括：
针对每一个迭代周期，执行下述操作，直至评估出预测结果满足预设的迭代停止条件，则停止迭代，并确定训练出优化的预设数据处理模型：
获取所述迭代周期对应的第一设定时间范围内的第一历史数据；将所述第一历史数据作为训练样本输入所述数据处理模型进行训练；
获取在所述第一设定时间范围后的第二设定时间范围内的第二历史数据；
利用所述第二历史数据评估所述数据处理模型针对所述第一历史数据的预测结果。
7.根据权利要求6所述的方法，其特征在于，
所述利用所述第二历史数据评估所述预设数据处理模型针对所述第一历史数据的预测结果，包括：
获取所述历史数据包含的多种参数指标；获取针对每一种参数指标的预设评估策略；
针对每一个所述参数指标，执行基于所述第二历史数据包含的对应于所述参数指标的第一指标值与所述预测结果指示的第二指标值，利用所述第一指标值对应的预设评估策略，计算所述第二指标值的预测准确率；
根据多种所述参数指标的预测准确率，评估所述数据处理模型针对所述第一历史数据的预测结果。
8.一种处理数据的装置，其特征在于，包括：接收请求模块、数据处理模块和执行预测模块；其中，
所述接收请求模块，用于响应于数据预测请求，获取所述数据预测请求对应的历史数据；
所述数据处理模块，用于对所述历史数据进行标准化处理，得到标准化矩阵；对所述历史数据执行编码操作，分别生成位置编码矩阵和时间编码矩阵；将所述位置编码矩阵和时间编码矩阵叠加至所述标准化矩阵，生成叠加编码矩阵；
所述执行预测模块，用于基于所述叠加编码矩阵，对所述数据预测请求指示的指标进行预测，并提供对应于所述指标的预测结果信息；其中，所述对所述数据预测请求指示的指标进行预测，包括：
将所述叠加编码矩阵分别输入数据处理模型封装的编码器和解码器；
利用所述编码器包括的自注意力层从所述叠加编码矩阵中提取第一特征，基于所述第一特征生成第一注意力矩阵；利用所述自注意力层从所述逆标准化矩阵中提取第二特征，基于提取的所述第二特征生成第二注意力矩阵；将所述第一注意力矩阵和第二注意力矩阵进行按位叠加得到目标编码矩阵；
利用所述解码器针对所述目标编码矩阵进行解码操作，得到目标解码矩阵；
结合所述目标解码矩阵以及所述叠加编码矩阵执行预测。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533624.5A CN117273241B (zh) | 2023-11-17 | 2023-11-17 | 一种处理数据的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533624.5A CN117273241B (zh) | 2023-11-17 | 2023-11-17 | 一种处理数据的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117273241A CN117273241A (zh) | 2023-12-22 |
| CN117273241B true CN117273241B (zh) | 2024-04-05 |
Family
ID=89204786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311533624.5A Active CN117273241B (zh) | 2023-11-17 | 2023-11-17 | 一种处理数据的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273241B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03184487A (ja) * | 1989-12-14 | 1991-08-12 | Oki Electric Ind Co Ltd | 予測符号化方法及び装置 |
| CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
| CN114692972A (zh) * | 2022-03-31 | 2022-07-01 | 支付宝(杭州)信息技术有限公司 | 行为预测系统的训练方法及装置 |
| CN114781597A (zh) * | 2022-03-28 | 2022-07-22 | 华中科技大学 | 面向时间序列预测的漂移脉冲神经网络构建方法及其应用 |
| CN116050595A (zh) * | 2022-12-29 | 2023-05-02 | 烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地 | 一种注意力机制与分解机制耦合的径流量预测方法 |
| CN116187555A (zh) * | 2023-02-16 | 2023-05-30 | 华中科技大学 | 基于自适应动态图的交通流预测模型构建方法及预测方法 |
| CN116228400A (zh) * | 2023-03-02 | 2023-06-06 | 河北工业大学 | 基于属性重构与注意力机制的信用卡用户行为预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210374536A1 (en) * | 2020-05-29 | 2021-12-02 | Samsung Electronics Co., Ltd. | Method and apparatus for training retrosynthesis prediction model |
-
2023
- 2023-11-17 CN CN202311533624.5A patent/CN117273241B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03184487A (ja) * | 1989-12-14 | 1991-08-12 | Oki Electric Ind Co Ltd | 予測符号化方法及び装置 |
| CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
| CN114781597A (zh) * | 2022-03-28 | 2022-07-22 | 华中科技大学 | 面向时间序列预测的漂移脉冲神经网络构建方法及其应用 |
| CN114692972A (zh) * | 2022-03-31 | 2022-07-01 | 支付宝(杭州)信息技术有限公司 | 行为预测系统的训练方法及装置 |
| CN116050595A (zh) * | 2022-12-29 | 2023-05-02 | 烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地 | 一种注意力机制与分解机制耦合的径流量预测方法 |
| CN116187555A (zh) * | 2023-02-16 | 2023-05-30 | 华中科技大学 | 基于自适应动态图的交通流预测模型构建方法及预测方法 |
| CN116228400A (zh) * | 2023-03-02 | 2023-06-06 | 河北工业大学 | 基于属性重构与注意力机制的信用卡用户行为预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117273241A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492772B (zh) | 生成信息的方法和装置 | |
| CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
| CN108388563B (zh) | 信息输出方法和装置 | |
| CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
| CN112348660A (zh) | 生成风险警示信息的方法、装置及电子设备 | |
| CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
| CN111598494A (zh) | 资源额度的调整方法、装置及电子设备 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN112182281B (zh) | 一种音频推荐方法、装置及存储介质 | |
| CN115801980A (zh) | 视频生成方法和装置 | |
| CN108628863B (zh) | 信息获取方法和装置 | |
| CN117273241B (zh) | 一种处理数据的方法和装置 | |
| CN117176417A (zh) | 网络流量异常确定方法、装置、电子设备和可读存储介质 | |
| CN115982664A (zh) | 一种异常账户识别方法、装置、设备及存储介质 | |
| CN112527851B (zh) | 用户特征数据筛选方法、装置及电子设备 | |
| CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
| CN114493850A (zh) | 基于人工智能的在线公证方法、系统及存储介质 | |
| CN111784377A (zh) | 用于生成信息的方法和装置 | |
| CN114237962B (zh) | 告警根因判断方法、模型训练方法、装置、设备和介质 | |
| CN111756590B (zh) | 用于信息展示流量控制的小流量测试方法和装置 | |
| CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
| CN116911304B (zh) | 一种文本推荐方法及装置 | |
| US20220101068A1 (en) | Outlier detection in a deep neural network using t-way feature combinations | |
| CN113793167A (zh) | 用于生成信息的方法和装置 | |
| CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 |
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 |