基于分步关联权重的预测模型构建方法、预测方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115952904A(43)申请公布日2023.04.11(21)申请号202211708799.0(22)申请日2022.12.29(71)申请人广东南方财经控股有限公司地址510000广东省广州市天河区黄埔大道中336号702-1(72)发明人邓立邦(74)专利代理机构广州三环专利商标代理有限公司44202专利代理师陈志明(51)Int.Cl.G06Q10/04(2023.01)G06N3/044(2023.01)G06N3/045(2023.01)G06N3/08(2023.01)权利要求书2页说明书9页附图5页(54)发明名称基于分步关联权重的预测模型构建方法、预测方法及装置(57)摘要一种基于分步关联权重的预测模型构建方法、预测方法及装置，该方法包括：获取目标样本数据以及若干关联样本数据；对于每一关联样本数据，构建关联样本数据所对应的初始预测模型，生成关联样本数据对应的第一预测模型；对于每一第一预测模型，在第一预测模型后增设一个子网络，生成第二预测模型，对第二预测模型进行训练，生成第三预测模型；其中，在训练时保持第一预测模型的网络参数不变，对所增设的子网络的网络参数进行调整；将各第三预测模型以一全连接网络进行连接，生成第四预测模型，将目标样本数据以及所有关联样本数据作为输入，以目标样本数据的预测数据作为输出，对第四预测模型进行训练，生成目标数据的预测模型。CN115952904ACN115952904A权利要求书1/2页1.一种基于分步关联权重的预测模型构建方法，其特征在于，包括：获取目标样本数据以及与所述目标样本数据对应的若干关联样本数据；对于每一关联样本数据，构建关联样本数据所对应的初始预测模型，以关联样本数据作为输入，以关联样本数据对应的预测数据作为输出对初始预测模型进行训练，生成关联样本数据对应的第一预测模型；将每一关联样本数据分别与目标样本数据进行组合，生成每一关联样本数据所对应的第一输入集；对于每一第一预测模型，在第一预测模型后增设一个子网络，生成第二预测模型，以第一输入集作为输入，以目标样本数据的预测数据作为输出，对第二预测模型进行训练，生成第三预测模型；其中，在训练时保持各第一预测模型的网络参数不变，对所增设的子网络的网络参数进行调整；将各第三预测模型以一全连接网络进行连接，生成第四预测模型，将目标样本数据以及所有关联样本数据作为输入，以目标样本数据的预测数据作为输出，对第四预测模型进行训练，生成目标数据的预测模型；其中，在训练时保持各第三预测模型的网络参数不变，对全连接网络的网络参数进行调整。2.如权利要求1所述的一种基于分步关联权重的预测模型构建方法，其特征在于，所述关联样本数据，包括以下任意一项或其组合：与目标样本数据之间存在单向影响的关联样本数据，以及与目标样本数据之间存在双向影响的关联样本数据。3.如权利要求1所述的一种基于分步关联权重的预测模型构建方法，其特征在于，所述对于每一关联样本数据，构建关联样本数据所对应的初始预测模型，以关联样本数据作为输入，以关联样本数据对应的预测数据作为输出对初始预测模型进行训练，生成关联样本数据对应的第一预测模型，包括：对于每一关联样本数据，构建关联样本数据所对应的循环神经网络作为关联样本数据的初始预测模型，以关联样本数据中一选定时间窗口下的数据值作为输入，将关联样本数据在选定时间窗口所对应的下一时间窗口的数据值作为关联样本数据对应的预测数据，并以关联样本数据对应的预测数据作为输出，对初始预测模型进行训练，在初始预测模型达到对应的第一训练阈值时，生成第一预测模型。4.如权利要求1所述的一种基于分步关联权重的预测模型构建方法，其特征在于，所述对于每一第一预测模型，在第一预测模型后增设一个子网络，生成第二预测模型，以第一输入集作为输入，以目标样本数据的预测数据作为输出，对第二预测模型进行训练，生成第三预测模型，包括：对于每一第一预测模型，在第一预测模型后增设一个全连接的循环神经子网络，生成第二预测模型，以第二预测模型对应的第一输入集中一选定时间窗口下的数据值作为输入，以目标样本数据在选定时间窗口所对应的下一时间窗口的数据值作为目标样本数据的预测数据，并以目标样本数据的预测数据作为输出，对第二预测模型进行训练，在对第二预测模型进行训练时，保持第一预测模型的网络参数不变，对第一预测模型后增设的全连接的循环神经子网络的网络参数进行调整，当第二预测模型达到对应的第二训练阈值时，生成第三预测模型。2CN115952904A权利要求书2/2页5.如权利要求1所述的一种基于分步关联权重的预测模型构建方法，其特征在于，所述将各第三预测模型以一全连接网络进行连接，生成第四预测模型，将目标样本数据以及所有关联样本数据作