基于循环神经网络的数据处理方法、设备及介质技术

本申请公开了一种基于循环神经网络的数据处理方法、装置、设备和介质，该方法包括：获取第二待处理时序数据，输入至第二数据处理模型中；所述第二数据处理模型为对不同时间段的第二循环神经网络模型进行联邦前向训练后，再对联邦前向训练完成的不同时间段的第二循环神经网络模型进行各个时间段的联邦反向训练后得到的；其中，同一时间段的第二循环神经网络模型为联合第二训练时序数据和同一目标时间段的第一设备的第一训练时序数据训练得到的；基于所述第二数据处理模型对所述第二待处理时序数据执行第二预设数据处理流程，得到所述第二待处理时序数据的目标预测标签。本申请旨在解决现有技术中，难以准确对时序数据进行预测的技术问题。

【技术实现步骤摘要】
基于循环神经网络的数据处理方法、设备及介质
本申请涉及金融科技(Fintech)的人工智能
，尤其涉及一种基于循环神经网络的数据处理方法、设备及介质。
技术介绍
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对数据处理也有更高的要求。循环神经网络(RecurrentNeuralNetwork，RNN)模型常用于处理时序数据，其中，时序数据指的是同一用户的同一时间段，在不同数据源如不同服务器上(参与方或者设备)的特征数据，例如，用户X在便利店购买了A商品，在便利店的服务器中产生一条新的销售记录，同时，用户X在银行系统的服务器也伴随着产生一条新的支出记录。目前，不同时序数据存储在不同数据持有方或者参与方的服务器上，出于对时序数据的隐私保护，不同服务器之间不能直接进行时序数据的交互，即各服务器之间不能共享各自的时序数据以进行联合建模，进而导致各服务器只能基于少量的时序数据进行建模，只能基于少量的时序数据进本文档来自技高网...

【技术保护点】
1.一种基于循环神经网络的数据处理方法，其特征在于，应用于第二设备，所述第二设备中包括各个时间段的具有预设标签的第二训练时序数据，所述基于循环神经网络的数据处理方法包括：/n获取第二待处理时序数据，将所述第二待处理时序数据输入至第二数据处理模型中；/n所述第二数据处理模型为对不同时间段的第二循环神经网络模型进行联邦前向训练后，再对联邦前向训练完成的不同时间段的第二循环神经网络模型进行各个时间段的联邦反向训练后得到的；/n其中，同一时间段的第二循环神经网络模型为联合第二训练时序数据和同一目标时间段的第一设备的第一训练时序数据训练得到的；/n基于所述第二数据处理模型对所述第二待处理时序数据执行第二...

【技术特征摘要】
1.一种基于循环神经网络的数据处理方法，其特征在于，应用于第二设备，所述第二设备中包括各个时间段的具有预设标签的第二训练时序数据，所述基于循环神经网络的数据处理方法包括：
获取第二待处理时序数据，将所述第二待处理时序数据输入至第二数据处理模型中；
所述第二数据处理模型为对不同时间段的第二循环神经网络模型进行联邦前向训练后，再对联邦前向训练完成的不同时间段的第二循环神经网络模型进行各个时间段的联邦反向训练后得到的；
其中，同一时间段的第二循环神经网络模型为联合第二训练时序数据和同一目标时间段的第一设备的第一训练时序数据训练得到的；
基于所述第二数据处理模型对所述第二待处理时序数据执行第二预设数据处理流程，得到所述第二待处理时序数据的目标预测标签。


2.如权利要求1所述基于循环神经网络的数据处理方法，其特征在于，所述基于所述第二数据处理模型对所述第二待处理时序数据执行第二预设数据处理流程的步骤之前，所述方法包括：
基于具有预设标签的第二训练时序数据，对不同时间段的第二循环神经网络模型进行联邦前向训练后，再对联邦前向训练完成的不同时间段的第二循环神经网络模型进行各个时间段的联邦反向训练，以得到第二目标循环神经网络模型；
将所述第二目标循环神经网络模型设置为所述第二数据处理模型。


3.如权利要求1所述基于循环神经网络的数据处理方法，其特征在于，所述基于具有预设标签的第二训练时序数据，对不同时间段的第二循环神经网络模型进行联邦前向训练后，再对联邦前向训练完成的不同时间段的第二循环神经网络模型进行各个时间段的联邦反向训练，以得到第二目标循环神经网络模型的步骤，包括：
基于接收的在目标时间段对应上一时间段的前向传播的第二中间参数，所述目标时间段的第二训练时序数据，所述第二循环神经网络模型在目标时间段的模型参数，确定在目标时间段的前向传播的第二中间参数；
基于所述在目标时间段的前向传播的第二中间参数进行对后续各个时间段的联邦前向训练，直到得到最后时间段的第二中间参数；
基于所述最后时间段的第二中间参数，所述最后时间段的第二训练时序数据，所述第二循环神经网络模型在最后时间段的模型参数，最后时间段的预设预测模型，以及接收的在最后时间段的由第一设备的第一训练时序数据训练得到的第一中间参数计算最后时间段的损失梯度，以更新所述最后时间段的预设预测模型的模型参数；
基于所述最后时间段的损失梯度，所述更新的预设预测模型的模型参数以及所述在最后时间段的第二训练时序数据，计算对应最后时间段的第二反向中间梯度，以更新第二循环神经网络模型在最后时间段的模型参数和计算最后时间段对应上一时间段的第二反向中间梯度；
基于在最后时间段对应更新的第二循环神经网络模型和最后时间段对应上一时间段第二反向中间梯度进行联邦反向训练，直至最初时间段的第二循环神经网络模型得到更新。


4.如权利要求3所述基于循环神经网络的数据处理方法，其特征在于，
在基于每个时间段的第二反向中间梯度更新目标时间段的第二循环神经网络模型过程中，还联合该时间段的第二训练时序数据，以及该时间段的第二训练时序数据的同一目标时间段的多个第一设备的第一训练时序数据训练得到该目标时间段的损失梯度，以基于该目标时间段的损失梯度计算得到目标时间段的第二循环神经网络模型的第二本地梯度，还基于所述第二本地梯度更新基于第二反向中间梯度更新后的目标时间段的第二循环神经网络模型。


5.如权利要求1所述基于循环神经网络的数据处理方法，其特征在于，训练时序数据为医疗训练时序数据，所述第二待处理时序数据为第二待处理医疗时序数据，所述第二数据处理模型为医疗属性预测模型，
所述医疗属性预测模型为对不同时间段的第二循环神经网络模型进行联邦前向训练后，再对联邦前向训练完成的不同时间段的第二循环神经网络模型进行各个时间段的联邦反向训练后得到的；
其中，同一时间段的第二循环神经网络模型为联合第二训练医疗时序数据和同一目标时间段的第一设备的第一训练医疗时序数据训练得到的；
所述基于所述第二数据处理模型对所述第二待处理时序数据执行第二预设数据处理流程，得到所述第二待处理时序数据的目标预测标签，包括：
基于所医疗属性预测模型对所述第二待处理医疗时序数据执行医疗属性预测处理，得到所述第二待处理医疗时序数据的医疗属性预测结果。


6.一种基于循环神经网络的数据处理方法，其特征在于，第二训练时序数据具有预设标签，应用于第一设备，所述基于循环神经网络的数据处理方法包括：
获取第一待处理时序数据，将所述第一待处理时序数据输入至第一数据处理模型中；
所述第一数...

【专利技术属性】
技术研发人员：康焱，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44