The present disclosure provides a neural network prediction method and device. The method includes: acquiring the feature information of the object to be predicted; processing the feature information into the prediction model to obtain the prediction results for the object to be predicted; outputting the prediction results of the object to be predicted, in which the prediction model includes the LSTM module of the long-term and short-term memory network and the deep nerve. Network DNN module and MTL module of multi-task learning network. The present disclosure processes the feature information of the predicted object by using the prediction model including LSTM, DNN and MTL, and obtains the prediction results for the predicted object. It can capture the time series between the feature information of the predicted object and the correlation between the feature information of the predicted object, thereby improving the prediction. The accuracy of measurement results.
【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，能够对待预测对象的特征信息进行处理，并根据需求输出一个或多个预测结果，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：获取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，获取针对所述待预测对象的预测结果；输出所述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模块以及多任务学习网络MTL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，获取针对所述待预测对象的预测结果，包括...
【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：获取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，获取针对所述待预测对象的预测结果；输出所述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模块以及多任务学习网络MTL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：获取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，获取针对所述待预测对象的预测结果；输出所述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模块以及多任务学习网络MTL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，确定所述待预测对象的深度信息；将所述深度信息输入所述MTL模块中进行处理，确定针对所述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所述的方法，其特征在于，所述预测结果包括：主预测结果以及相关预测结果，其中，在所述预测模型的目标函数中，与所述主预测结果相关联的参数权重大于与所述相关预测结果相关联的参数权重。5.根据权利要求4所述的方法，其特征在于，输出所述待预测对象的预测结果，包括以下任意一种：输出所述待预测对象的主预测结果；输出所述待预测对象的主预测结果以及相关预测结果。6.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：获取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，获取针对所述样本对象当前周期的训练预测结果；根据所述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。7.根据权利要求6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：根据所述样本对象多个周期的模型损失，依次调整所述MTL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。8.一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，用于获取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，获取针对所述待预测对象的预测结果；预测结果输出单元，用于输出所述待...
【专利技术属性】
技术研发人员：茅越，沈一，蔡龙军，
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。