一种预测方法及装置制造方法及图纸

本发明专利技术实施例提供了一种预测方法及装置，方法包括：确定多个对象的历史数据；对于每个对象，从该对象的历史数据中，提取该对象在各历史时刻多个维度下的特征，得到该对象在各历史时刻的特征张量；对于每一对象在每一历史时刻的特征张量，确定该对象在该历史时刻的特征张量与该对象在其他历史时刻的特征张量之间的第一相似度，以及该对象在该历史时刻的特征张量与其他对象在该历史时刻的特征张量之间的第二相似度；根据每一对象的第一相似度和第二相似度，将每一对象的特征张量进行重构，得到每一对象的重构特征张量；将每一对象的重构特征张量输入预测模型，得到每一对象的预测值。实现将重构后的张量输入预测模型，从而提高预测结果的准确率。

A Prediction Method and Device

The embodiment of the present invention provides a prediction method and a device, which includes: determining the historical data of multiple objects; extracting the characteristics of the object from the historical data of the object in various dimensions at each historical time to obtain the feature tensor of the object at each historical time; and determining the feature tensor of each object at each historical time to determine the object at each historical time. The first similarity between the feature tensor of the historical moment and the feature tensor of the object at other historical moments, and the second similarity between the feature tensor of the object at that historical moment and the feature tensor of other objects at that historical moment; according to the first similarity and the second similarity of each object, the feature tensor of each object is reconstructed and each object is obtained. The reconstructed feature tensor of each object is input into the prediction model and the predicted value of each object is obtained. The reconstructed tensor is input into the prediction model to improve the accuracy of the prediction results.

【技术实现步骤摘要】
一种预测方法及装置
本专利技术涉及数据处理
，特别是涉及一种预测方法及装置。
技术介绍
随着互联网信息时代的发展，信息的获取和传播速度越来越迅速。正是由于获取丰富信息的便捷性，互联网信息对人们的生活影响也越来越大。无论在研究还是应用领域上，人们更倾向于通过多种途径、不同类型的信息对事物作出判断。因此如何将不同维度、不同源头的数据融合起来表示同一事物，成为近几年的一个热门话题。张量，正是一种多维的数据存储形式，因此可以使用张量来表示具有多个维度信息的事物。例如，针对某只股票，则可以融合公司特征、新闻事件以及市场因素等维度的数据，得到该股票的特征张量。相关技术中，为了对事物的发展进行预测，人们构建出了很多预测模型。将某对象在多个时刻的特征张量输入预测模型中，即可预测该对象的未来走势。为了更准确的进行预测，现有的技术方案中，根据对象在不同时刻的相似性对特征张量进行修正，由于修正后的特征张量融合了不同时刻的相似性，从而在进行预测时能够提高预测结果。然而，现有的根据事物的多维度信息所构造的张量中，均未考虑同类事物之间相互的影响，使得将张量输入预测模型后，所得的预测结果准确率较低。
技术实现思路
本专利技术实施例的目的在于提供一种预测方法及装置，以实现对目标对象的特征张量进行重构，将重构后的张量输入预测模型，从而提高预测结果的准确率。具体技术方案如下：为了实现上述目的，本专利技术实施例提供了一种预测方法，所述方法包括：确定多个对象的历史数据；对于每个对象，从该对象的历史数据中，提取该对象在各历史时刻多个维度下的特征，得到该对象在各历史时刻的特征张量；对于每一对象在每一历史时刻的特征张量，确定该对象在该历史时刻的特征张量与该对象在其他历史时刻的特征张量之间的第一相似度，以及该对象在该历史时刻的特征张量与其他对象在该历史时刻的特征张量之间的第二相似度；根据每一对象的第一相似度和第二相似度，将每一对象的特征张量进行重构，得到每一对象的重构特征张量；将每一对象的重构特征张量输入预测模型，得到每一对象的预测值，所述预测模型为预先根据多个样本对象的多个样本特征张量和多个样本对象的真实值训练获得的模型。可选的，所述根据每一对象的第一相似度和第二相似度，将每一对象的特征张量进行重构，得到每一对象的重构特征张量的步骤，包括：将所述每一对象的特征张量分解为多个维度下的因子矩阵和一个核向量；其中，每个维度下的因子矩阵包括该维度下的特征；针对每一对象，利用该对象的多个第一相似度，确定该对象的第一相似矩阵，并利用该对象的多个第二相似度，确定该对象的第二相似矩阵；针对每个对象在每个维度下的因子矩阵，将该对象在该维度下的因子矩阵，该对象的第一相似矩阵，以及该对象的第二相似矩阵，输入预设训练模型，得到该对象针对该维度的修正矩阵；根据每个对象的在每个维度下的修正矩阵和因子矩阵，以及每个对象的核向量进行张量重构，得到每一对象的重构张量。可选的，所述预设训练模型的目标函数为：其中，为针对第k个维度特征的修正矩阵；T为总的时刻数，S为总的目标对象数，为第s个目标对象的时刻i针对第k个维度特征的因子矩阵；为第s个目标对象的时刻j针对第k个维度特征的因子矩阵；为第m个目标对象的时刻t针对第k个维度特征的因子矩阵；为第s个目标对象的时刻t针对第k个维度特征的因子矩阵；ws,,表示所述第一相似矩阵中包含的第s个目标对象在时刻i,j的相似权重，zt,,表示所述第二相似矩阵中包含的第s个目标对象和第m个目标对象在时刻t的相似权重。可选的，所述针对每个对象的每个维度特征，将该维度特征的因子矩阵，该对象的第一相似矩阵和第二相似矩阵输入预设训练模型，得到该对象针对该维度特征的修正矩阵的步骤，包括：针对每个对象的每个维度特征，将该对象在该维度下的因子矩阵，该对象的第一相似矩阵，以及该对象的第二相似矩阵输入预设训练模型，得到过渡修正矩阵，以及该过渡修正矩阵对应的目标函数的当前值；判断所述目标函数的当前值与上次所得目标函数值的差值是否小于预设阈值；若否，则根据所述目标函数的当前值调整所述预设训练模型中的参数，并返回所述针对每个对象的每个维度特征，将该对象在该维度下的因子矩阵，该对象的第一相似矩阵，以及该对象的第二相似矩阵输入预设训练模型，得到过渡修正矩阵，以及该过渡修正矩阵对应的目标函数的当前值的步骤；若是，则将当前得到的过渡修正矩阵确定为该对象针对该维度特征的修正矩阵。可选的，所述针对每个对象，对所述修正矩阵，所述因子矩阵和所述核向量进行张量重构，得到该对象的重构张量的步骤，包括：针对每个对象，按照如下公式进行张量重构：其中，为重构后的张量，为所述核张量，为对应第一维度特征的因子矩阵，为对应第二维度特征的因子矩阵，为对应第三维度特征的因子矩阵，Vs,1为针对第一维度特征的修正矩阵，Vs,2为针对第二维度特征的修正矩阵，Vs,3为针对第三维度特征的修正矩阵。为了实现上述目的，本专利技术实施例还提供了一种预测装置，所述装置包括：第一确定模块，用于确定多个对象的历史数据；提取模块，用于对于每个对象，从该对象的历史数据中，提取该对象在各历史时刻多个维度下的特征，得到该对象在各历史时刻的特征张量；第二确定模块，用于对于每一对象在每一历史时刻的特征张量，确定该对象在该历史时刻的特征张量与该对象在其他历史时刻的特征张量之间的第一相似度，以及该对象在该历史时刻的特征张量与其他对象在该历史时刻的特征张量之间的第二相似度；重构模块，用于根据每一对象的第一相似度和第二相似度，将每一对象的特征张量进行重构，得到每一对象的重构特征张量；预测模块，用于将每一对象的重构特征张量输入预测模型，得到每一对象的预测值，所述预测模型为预先根据多个样本对象的多个样本特征张量和多个样本对象的真实值训练获得的模型。可选的，所述重构模块，具体用于：将所述每一对象的特征张量分解为多个维度下的因子矩阵和一个核向量；其中，每个维度下的因子矩阵包括该维度下的特征；针对每一对象，利用该对象的多个第一相似度，确定该对象的第一相似矩阵，并利用该对象的多个第二相似度，确定该对象的第二相似矩阵；针对每个对象在每个维度下的因子矩阵，将该对象在该维度下的因子矩阵，该对象的第一相似矩阵，以及该对象的第二相似矩阵，输入预设训练模型，得到该对象针对该维度的修正矩阵；根据每个对象的在每个维度下的修正矩阵和因子矩阵，以及每个对象的核向量进行张量重构，得到每一对象的重构张量。可选的，所述预设训练模型的目标函数为：其中，为针对第k个维度特征的修正矩阵；T为总的时刻数，S为总的目标对象数，为第s个目标对象的时刻i针对第k个维度特征的因子矩阵；为第s个目标对象的时刻j针对第k个维度特征的因子矩阵；为第m个目标对象的时刻t针对第k个维度特征的因子矩阵；为第s个目标对象的时刻t针对第k个维度特征的因子矩阵；ws,,表示所述第一相似矩阵中包含的第s个目标对象在时刻i,j的相似权重，zt,s,m表示所述第二相似矩阵中包含的第s个目标对象和第m个目标对象在时刻t的相似权重。为了实现上述目的，本专利技术实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存本文档来自技高网...

【技术保护点】
1.一种预测方法，其特征在于，所述方法包括：确定多个对象的历史数据；对于每个对象，从该对象的历史数据中，提取该对象在各历史时刻多个维度下的特征，得到该对象在各历史时刻的特征张量；对于每一对象在每一历史时刻的特征张量，确定该对象在该历史时刻的特征张量与该对象在其他历史时刻的特征张量之间的第一相似度，以及该对象在该历史时刻的特征张量与其他对象在该历史时刻的特征张量之间的第二相似度；根据每一对象的第一相似度和第二相似度，将每一对象的特征张量进行重构，得到每一对象的重构特征张量；将每一对象的重构特征张量输入预测模型，得到每一对象的预测值，所述预测模型为预先根据多个样本对象的多个样本特征张量和多个样本对象的真实值训练获得的模型。

【技术特征摘要】
1.一种预测方法，其特征在于，所述方法包括：确定多个对象的历史数据；对于每个对象，从该对象的历史数据中，提取该对象在各历史时刻多个维度下的特征，得到该对象在各历史时刻的特征张量；对于每一对象在每一历史时刻的特征张量，确定该对象在该历史时刻的特征张量与该对象在其他历史时刻的特征张量之间的第一相似度，以及该对象在该历史时刻的特征张量与其他对象在该历史时刻的特征张量之间的第二相似度；根据每一对象的第一相似度和第二相似度，将每一对象的特征张量进行重构，得到每一对象的重构特征张量；将每一对象的重构特征张量输入预测模型，得到每一对象的预测值，所述预测模型为预先根据多个样本对象的多个样本特征张量和多个样本对象的真实值训练获得的模型。2.根据权利要求1所述的方法，其特征在于，所述根据每一对象的第一相似度和第二相似度，将每一对象的特征张量进行重构，得到每一对象的重构特征张量的步骤，包括：将所述每一对象的特征张量分解为多个维度下的因子矩阵和一个核向量；其中，每个维度下的因子矩阵包括该维度下的特征；针对每一对象，利用该对象的多个第一相似度，确定该对象的第一相似矩阵，并利用该对象的多个第二相似度，确定该对象的第二相似矩阵；针对每个对象在每个维度下的因子矩阵，将该对象在该维度下的因子矩阵，该对象的第一相似矩阵，以及该对象的第二相似矩阵，输入预设训练模型，得到该对象针对该维度的修正矩阵；根据每个对象的在每个维度下的修正矩阵和因子矩阵，以及每个对象的核向量进行张量重构，得到每一对象的重构张量。3.根据权利要求2所述的方法，其特征在于，所述预设训练模型的目标函数为：其中，为针对第k个维度特征的修正矩阵；T为总的时刻数，S为总的目标对象数，为第s个目标对象的时刻i针对第k个维度特征的因子矩阵；为第s个目标对象的时刻j针对第k个维度特征的因子矩阵；为第m个目标对象的时刻t针对第k个维度特征的因子矩阵；为第s个目标对象的时刻t针对第k个维度特征的因子矩阵；ws，i，j表示所述第一相似矩阵中包含的第s个目标对象在时刻i，j的相似权重，zt，s，m表示所述第二相似矩阵中包含的第s个目标对象和第m个目标对象在时刻t的相似权重。4.根据权利要求2所述的方法，其特征在于，所述针对每个对象的每个维度特征，将该维度特征的因子矩阵，该对象的第一相似矩阵和第二相似矩阵输入预设训练模型，得到该对象针对该维度特征的修正矩阵的步骤，包括：针对每个对象的每个维度特征，将该对象在该维度下的因子矩阵，该对象的第一相似矩阵，以及该对象的第二相似矩阵输入预设训练模型，得到过渡修正矩阵，以及该过渡修正矩阵对应的目标函数的当前值；判断所述目标函数的当前值与上次所得目标函数值的差值是否小于预设阈值；若否，则根据所述目标函数的当前值调整所述预设训练模型中的参数，并返回所述针对每个对象的每个维度特征，将该对象在该维度下的因子矩阵，该对象的第一相似矩阵，以及该对象的第二相似矩阵输入预设训练模型，得到过渡修正矩阵，以及该过渡修正矩阵对应的目标函数的当前值的步骤；若是，则将当前得到的过渡修正矩阵确定为该对象针对该维度特征的修正矩阵。5.根据权利...

【专利技术属性】
技术研发人员：张熙，张耘嘉，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11