【技术实现步骤摘要】
一种基于注意力机制的商品需求的预测系统
[0001]本申请涉及一种预测系统,具体是一种基于注意力机制的商品需求的预测系统。
技术介绍
[0002]注意力机制是2017年提出用于提高语言模型学习语言能力的一种算法,注意力机制可以不仅量化单个语句上不同单词间的相关关系,还可以量化多个语句上不同单词间的相关关系,让最终的预测结果更加侧重于相关关系较强的单词,而相关关系较弱的单词对于最终预测结果的影响较小。
[0003]商品需求预测属于时间序列预测下的一个重要表现,传统的时间序列模型如自回归模型,滑动平均模型,时间序列分解模型等在处理多维时间序列和长相关性的时间序列时,表现较差,因为此类模型都是用于解决单个时间序列的预测或者平稳时间序列预测。即使使用卷积神经网络或者递归神经网络,预测结果的准确度仍然无法达到令人满意的境界。因此,针对上述问题提出一种基于注意力机制的商品需求的预测系统。
技术实现思路
[0004]一种基于注意力机制的商品需求的预测系统,包括预测模块、预测显示模块、混合神经网络模块、注意力机制模块和时间序列模块,所述混合神经网络模块内部设有信号接收单元、卷积神经网络模块和递归神经网络模块,所述卷积神经网络模块内部设有第一抓取模块和第一定义模块,所述递归神经网络模块内部设有第二抓取模块和第二定义模块,所述注意力机制模块内部设有赋值单元和赋值输送单元,所述时间序列模块内部设有短期特征单元、局部变量单元、长期特征单元和全局宏观变量单元,所述卷积神经网络模块分别连接短期特征单元和局部变量单元,所述 ...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的商品需求的预测系统,其特征在于:包括预测模块(11)、预测显示模块(6)、混合神经网络模块(8)、注意力机制模块(1)和时间序列模块(17),所述混合神经网络模块(8)内部设有信号接收单元(13)、卷积神经网络模块(14)和递归神经网络模块(24),所述卷积神经网络模块(14)内部设有第一抓取模块(15)和第一定义模块(16),所述递归神经网络模块(24)内部设有第二抓取模块(22)和第二定义模块(23),所述注意力机制模块(1)内部设有赋值单元(2)和赋值输送单元(3),所述时间序列模块(17)内部设有短期特征单元(18)、局部变量单元(19)、长期特征单元(20)和全局宏观变量单元(21),所述卷积神经网络模块(14)分别连接短期特征单元(18)和局部变量单元(19),所述递归神经网络模块(24)分别连接长期特征单元(20)和全局宏观变量单元(21)。2.根据权利要求1所述的一种基于注意力机制的商品需求的预测系统,其特征在于:所述注意力机制模块(1)连接定义输送单元(7),所述定义输送单元(7)位于混合神经网络模块(8)内部。3.根据权利要求1所述的一种基于注意力机制的商品需求的预测系统,其特征在于:所述信号接收单元(13)连接信号输送单元(12),所述信号输送单元(12)位于预测模块(11)内部。4.根据权利要求1所述的一种基于注意力机制的商品需求的预测系统,其特征在于:所述预测模块(11)内部设有运行单元(9)和信号输送单元(12)。5.根据权利要求1所述的一种基于注意力机制的商品需求的预测系统,其特征在于:所述注意力机制模块(1)连接预测显示模块(6),所述预测显示模块(6)内部设有显示单元(5)和赋值接收单元(4),所述显示单元(5)采用显示屏构成。6.根据权利要求1所述的一种基于注意力机制的商品需求的预测系统,其特征在于:所述卷积神经网络模块(14)符合公式:h
k
=ReLU(W
k
*X+b
k
),其中h
k
表示卷积神经网络的k层输出,X表示输入变量,ReLU是一种激活函数,具有以下形式:ReLU=max(0,x)。7.根据权利要求1所述的一种基于注意力机制的...
【专利技术属性】
技术研发人员:陈智鹰,周梓晔,马向东,
申请(专利权)人:深圳市鸿捷源云上科技有限公司,
类型:发明
国别省市:
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。