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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。