神经网络预测方法及装置制造方法及图纸

本公开提供一种神经网络预测方法及装置，所述方法包括：分别获取多个待预测对象的特征信息；将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果；输出所述多个待预测对象中至少一个待预测对象的预测结果，其中，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、关系网络RN模块。通过利用包括长短期记忆网络LSTM、深度神经网络DNN、关系网络RN，对多个待预测对象的特征信息进行处理，获取针对多个待预测对象的预测结果，能够捕捉多个待预测对象的特征信息之间的时序性、待预测对象的特征信息之间的关联性、各待预测对象之间的关联性，从而提高了预测结果的准确率。

Neural Network Prediction Method and Device

The present disclosure provides a neural network prediction method and device, which includes: acquiring the feature information of multiple objects to be predicted separately; processing the feature information into the prediction model to obtain the prediction results for the multiple objects to be predicted; and outputting the prediction results of at least one of the multiple objects to be predicted, in which the prediction model is used. Type I includes LSTM module of long-term and short-term memory network, DNN module of deep neural network and RN module of relational network. By using LSTM, DNN and RN, the feature information of multiple objects to be predicted is processed, and the prediction results for multiple objects to be predicted are obtained, which can capture the time series between the feature information of multiple objects to be predicted, the correlation between the feature information of the objects to be predicted and the correlation among the objects to be predicted. Thus, the accuracy of prediction results is improved.

【技术实现步骤摘要】
神经网络预测方法及装置
本公开涉及神经网络
，尤其涉及一种神经网络预测方法及装置。
技术介绍
在实际的生活中，需要对各种事件进行预测，例如针对即将上映的电影预测票房、针对即将上映的电视剧预测收视率、美国总统选举、当前彩票的中奖数字、足球赛的胜负等，各种待预测事件的影响因素复杂、各影响因素之间不同的关联关系也会导致不同的预测结果，但在传统的预测手段中，只能针对有限的数据，利用概率统计等相关算法进行预测，预测结果的准确率低。
技术实现思路
有鉴于此，本公开提出了一种神经网络预测方法及装置，能够同时对多个待预测对象的特征信息进行处理，提高了预测结果的准确率。根据本公开的一方面，提供了一种神经网络预测方法，所述方法包括：分别获取多个待预测对象的特征信息；将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果；输出所述多个待预测对象中至少一个待预测对象的预测结果，其中，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、关系网络RN模块。在一种可能的实现方式中，将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果，包括：将所述特征信息输入所述LSTM模块中进行处理，确定所述多个待预测对象的长短期记忆信息；将所述长短期记忆信息输入所述DNN模块中进行处理，确定所述多个待预测对象的深度信息；将所述深度信息输入所述RN模块中进行处理，确定所述多个待预测对象的预测结果。在一种可能的实现方式中，所述预测模型还包括嵌入模块，其中，将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果，还包括：将初始信息输入所述嵌入模块进行向量化处理，确定所述初始信息的向量信息；将所述初始信息和所述向量信息确定为所述特征信息。在一种可能的实现方式中，所述方法还包括：分别获取多个样本对象当前周期的特征信息；将所述当前周期的特征信息以及前一周期的训练预测结果输入初始预测模型中进行处理，获取针对所述多个样本对象当前周期的训练预测结果；根据所述多个样本对象的多个周期的训练预测结果以及所述多个周期的期望预测结果，分别确定所述多个样本对象的多个周期的模型损失；根据所述模型损失，调整所述初始预测模型中的参数权重，确定调整后的预测模型；在所述模型损失满足训练条件的情况下，将调整后的预测模型确定为最终的预测模型。在一种可能的实现方式中，根据所述模型损失，调整所述初始预测模型中的参数权重，确定调整后的预测模型，包括：根据所述多个样本对象多个周期的模型损失，依次调整所述RN模块、所述DNN模块、所述LSTM模块以及所述嵌入模块中的参数权重，确定调整后的预测模型。在一种可能的实现方式中，所述多个待预测对象的特征信息相同。根据本公开的另一方面，提供了一种神经网络预测装置，其特征在于，所述装置包括：特征信息获取单元，用于分别获取多个待预测对象的特征信息；预测结果获取单元，用于将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果；预测结果输出单元，用于输出所述多个待预测对象中至少一个待预测对象的预测结果，其中，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、关系网络RN模块。在一种可能的实现方式中，所述预测结果获取单元包括：LSTM处理子单元，用于将所述特征信息输入所述LSTM模块中进行处理，确定所述多个待预测对象的长短期记忆信息；DNN处理子单元，用于将所述长短期记忆信息输入所述DNN模块中进行处理，确定所述多个待预测对象的深度信息；RN处理子单元，用于将所述深度信息输入所述RN模块中进行处理，确定所述多个待预测对象的预测结果。在一种可能的实现方式中，所述预测模型还包括嵌入模块，所述预测结果获取单元还包括：嵌入子单元，用于将初始信息输入所述嵌入模块进行向量化处理，确定所述初始信息的向量信息；信息确定子单元，用于将所述初始信息和所述向量信息确定为所述特征信息。在一种可能的实现方式中，还包括：样本特征信息获取单元，用于分别获取多个样本对象当前周期的特征信息；训练预测结果获取单元，用于将所述当前周期的特征信息以及前一周期的训练预测结果输入初始预测模型中进行处理，获取针对所述多个样本对象当前周期的训练预测结果；模型损失确定单元，用于根据所述多个样本对象的多个周期的训练预测结果以及所述多个周期的期望预测结果，分别确定所述多个样本对象的多个周期的模型损失；权重调整单元，用于根据所述模型损失，调整所述初始预测模型中的参数权重，确定调整后的预测模型；预测模型确定单元，用于在所述模型损失满足训练条件的情况下，将调整后的预测模型确定为最终的预测模型。在一种可能的实现方式中，所述权重调整单元包括：权重调整子单元，用于根据所述多个样本对象多个周期的模型损失，依次调整所述RN模块、所述DNN模块、所述LSTM模块以及所述嵌入模块中的参数权重，确定调整后的预测模型。在一种可能的实现方式中，所述多个待预测对象的特征信息相同。根据本公开的另一方面，提供了一种神经网络预测装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。根据本公开实施例各方面的神经网络预测方法及装置，通过利用包括长短期记忆网络LSTM、深度神经网络DNN、关系网络RN，对多个待预测对象的特征信息进行处理，获取针对多个待预测对象的预测结果，能够捕捉多个待预测对象的特征信息之间的时序性、待预测对象的特征信息之间的关联性、各待预测对象之间的关联性，从而提高了预测结果的准确率。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。图1是根据一示例性实施例示出的一种神经网络预测方法的流程图。图2是根据一示例性实施例示出的一种神经网络预测方法中步骤S12的流程图。图3是根据一示例性实施例示出的一种神经网络预测方法中步骤S12的流程图。图4是根据一示例性实施例示出的一种神经网络预测方法的流程图。图5是根据一示例性实施例示出的一种预测模型的框图。图6是根据一示例性实施例示出的一种三层神经网络结构示意图。图7是根据一示例性实施例示出的一种多层感知器的结构示意图。图8是根据一示例性实施例示出的向量信息和初始信息的输入示意图。图9是根据一示例性实施例示出的一种神经网络预测方法的应用场景的示意图。图10是根据一示例性实施例示出的一种神经网络预测装置的框图。图11是根据一示例性实施例示出的一种神经网络预测装置的框图。图12是根据一示例性实施例示出的一种用于神经网络预测的装置的框图。具体实施方式以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。另外，为了本文档来自技高网...

【技术保护点】
1.一种神经网络预测方法，其特征在于，所述方法包括：分别获取多个待预测对象的特征信息；将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果；输出所述多个待预测对象中至少一个待预测对象的预测结果，其中，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、关系网络RN模块。

【技术特征摘要】
1.一种神经网络预测方法，其特征在于，所述方法包括：分别获取多个待预测对象的特征信息；将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果；输出所述多个待预测对象中至少一个待预测对象的预测结果，其中，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、关系网络RN模块。2.根据权利要求1所述的方法，其特征在于，将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果，包括：将所述特征信息输入所述LSTM模块中进行处理，确定所述多个待预测对象的长短期记忆信息；将所述长短期记忆信息输入所述DNN模块中进行处理，确定所述多个待预测对象的深度信息；将所述深度信息输入所述RN模块中进行处理，确定所述多个待预测对象的预测结果。3.根据权利要求2所述的方法，其特征在于，所述预测模型还包括嵌入模块，其中，将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果，还包括：将初始信息输入所述嵌入模块进行向量化处理，确定所述初始信息的向量信息；将所述初始信息和所述向量信息确定为所述特征信息。4.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：分别获取多个样本对象当前周期的特征信息；将所述当前周期的特征信息以及前一周期的训练预测结果输入初始预测模型中进行处理，获取针对所述多个样本对象当前周期的训练预测结果；根据所述多个样本对象的多个周期的训练预测结果以及所述多个周期的期望预测结果，分别确定所述多个样本对象的多个周期的模型损失；根据所述模型损失，调整所述初始预测模型中的参数权重，确定调整后的预测模型；在所述模型损失满足训练条件的情况下，将调整后的预测模型确定为最终的预测模型。5.根据权利要求4所述的方法，其特征在于，根据所述模型损失，调整所述初始预测模型中的参数权重，确定调整后的预测模型，包括：根据所述多个样本对象多个周期的模型损失，依次调整所述RN模块、所述DNN模块、所述LSTM模块以及所述嵌入模块中的参数权重，确定调整后的预测模型。6.根据权利要求1所述的方法，其特征在于，所述多个待预测对象的特征信息相同。7.一种神经网络预测装置，其特征在于，所述装置包括：特征信息获取单元，用于分别获取多个待预测对象的特征信息；预测结果获取单元，用于将所述特征信息输入预测模型中进行处理，获取针对所述多个待预测对象的预测结果；预测结果输出单...

【专利技术属性】
技术研发人员：茅越，蔡龙军，沈一，
申请(专利权)人：优酷网络技术北京有限公司，
类型：发明
国别省市：北京,11