产品价值预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种产品价值预测方法、装置、计算机设备、存储介质和计算机程序产品，涉及大数据技术领域。所述方法包括：对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；通过循环神经网络，获取各个产品价值时间子序列在多个预设特征指标下的目标特征信息；通过第一层注意力机制网络，对各个产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个产品价值时间子序列的子序列特征信息；通过第二层注意力机制网络，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值。采用本方法，能够提高价值预测的准确度。能够提高价值预测的准确度。能够提高价值预测的准确度。

【技术实现步骤摘要】
产品价值预测方法、装置、计算机设备和存储介质


[0001]本申请涉及大数据
，特别是涉及一种产品价值预测方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着大数据技术的发展，大数据分析被广泛应用于产品价值的预测中。
[0003]目前，通常是通过循环神经网络对产品价值进行预测；但由于传统的循环神经网络难以捕获输入数据之间中的时间关系，且无法识别出伴随着输入数据的噪声信息。然而在产品价值数据中，前后价值数据之间往往具有很强的依赖性，同时产品价值本身具有波动性，会携带较大的噪声信息。因此，基于传统技术的产品价值预测方法的预测准确度较低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高预测准确度的产品价值预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种产品价值预测方法。所述方法包括：
[0006]对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；
[0007]通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；
[0008]通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；
[0009]通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
[0010]在其中一个实施例中，所述通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息，包括：
[0011]通过所述预先训练的价值预测模型中的第一层注意力机制网络，确认各个所述预设特征指标的权重；
[0012]针对各个所述产品价值时间子序列，通过各个所述预设特征指标的权重，对所述产品价值时间子序列在多个预设特征下的目标特征信息进行融合处理，得到所述产品价值时间子序列的子序列特征信息。
[0013]在其中一个实施例中，所述通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待
预测产品在所述产品价值时间序列之后的预测价值，包括：
[0014]通过所述预先训练的价值预测模型中的第二层注意力机制网络，确认各个所述产品价值时间子序列的权重；
[0015]通过各个所述产品价值时间子序列的权重，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
[0016]在其中一个实施例中，所述预先训练的价值预测模型通过下述方式训练得到：
[0017]获取样本产品的样本产品价值时间序列和所述样本产品在所述样本产品价值时间序列之后的实际价值；
[0018]对所述样本产品价值时间序列进行滑窗处理，得到多个样本产品价值时间子序列；
[0019]通过待训练的价值预测模型中的循环神经网络，获取各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息；
[0020]通过所述待训练的价值预测模型中的第一层注意力机制网络，对各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述样本产品价值时间子序列的子序列特征信息；
[0021]通过所述待训练的价值预测模型中的第二层注意力机制网络，对各个所述样本产品价值时间子序列的子序列特征信息进行融合处理，得到所述样本产品在所述样本产品价值时间序列之后的预测价值；
[0022]根据所述样本产品在所述样本产品价值时间序列之后的预测价值，和所述样本产品在所述样本产品价值时间序列之后的实际价值之间的差异，对所述待训练的价值预测模型进行训练，得到训练完成的价值预测模型，作为所述预先训练的价值预测模型。
[0023]在其中一个实施例中，所述通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息，包括：
[0024]获取各个所述产品价值时间子序列在多个预设特征指标下的映射后特征信息；
[0025]针对各个所述产品价值时间子序列，将所述产品价值时间子序列在多个预设特征指标下的映射后特征信息，输入至所述预先训练的价值预测模型中的循环神经网络中，得到与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息；
[0026]将与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息，确认为所述产品价值时间子序列在多个预设特征指标下的目标特征信息。
[0027]在其中一个实施例中，所述获取各个所述产品价值时间子序列在多个预设特征指标下的映射后特征信息，包括：
[0028]获取各个所述产品价值时间子序列在多个预设特征指标下的初始特征信息，以及确认各个所述预设特征指标的映射关系；
[0029]针对各个所述产品价值时间子序列，根据各个所述预设特征指标的映射关系，对所述产品价值时间子序列在多个预设特征指标下的初始特征信息进行映射处理，得到所述产品价值时间子序列在多个预设特征指标下的映射后特征信息。
[0030]在其中一个实施例中，所述多个预设特征指标至少包括聚合近似指标、斜率拟合
指标和梯度指标；
[0031]所述获取各个所述产品价值时间子序列在多个预设特征指标下的初始特征信息，包括：
[0032]针对各个所述产品价值时间子序列，对所述产品价值时间子序列进行划分，得到多个时间长度相等的产品价值时间二级子序列；
[0033]确认各个所述产品价值时间二级子序列的平均值；
[0034]对各个所述产品价值时间二级子序列的平均值进行融合处理，得到所述产品价值时间子序列在所述聚合近似指标下的聚合近似信息，作为所述产品价值时间子序列在所述聚合近似指标下的初始特征信息。
[0035]在其中一个实施例中，所述获取各个所述产品价值时间子序列在多个预设特征指标下的初始特征信息，还包括：
[0036]针对各个所述产品价值时间子序列，对所述产品价值时间子序列进行划分，得到多个产品价值时间三级子序列；
[0037]确认各个所述产品价值时间三级子序列的梯度信息；所述梯度信息包括在水平方向的水平梯度信息和在垂直方向的垂直梯度信息；
[0038]根据各个所述产品价值时间三级子序列的梯度信息，得到所述产品价值时间子序列在所述梯度指标下的梯度直方信息，作为所述产品价值时间子序列在所述梯度指标下的初始特征信息。
[0039]在其中一个实施例中，在通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产品价值预测方法，其特征在于，所述方法包括：对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。2.根据权利要求1所述的方法，其特征在于，所述通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息，包括：通过所述预先训练的价值预测模型中的第一层注意力机制网络，确认各个所述预设特征指标的权重；针对各个所述产品价值时间子序列，通过各个所述预设特征指标的权重，对所述产品价值时间子序列在多个预设特征下的目标特征信息进行融合处理，得到所述产品价值时间子序列的子序列特征信息。3.根据权利要求1所述的方法，其特征在于，所述通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值，包括：通过所述预先训练的价值预测模型中的第二层注意力机制网络，确认各个所述产品价值时间子序列的权重；通过各个所述产品价值时间子序列的权重，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。4.根据权利要求1所述的方法，其特征在于，所述预先训练的价值预测模型通过下述方式训练得到：获取样本产品的样本产品价值时间序列和所述样本产品在所述样本产品价值时间序列之后的实际价值；对所述样本产品价值时间序列进行滑窗处理，得到多个样本产品价值时间子序列；通过待训练的价值预测模型中的循环神经网络，获取各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息；通过所述待训练的价值预测模型中的第一层注意力机制网络，对各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述样本产品价值时间子序列的子序列特征信息；通过所述待训练的价值预测模型中的第二层注意力机制网络，对各个所述样本产品价值时间子序列的子序列特征信息进行融合处理，得到所述样本产品在所述样本产品价值时间序列之后的预测价值；根据所述样本产品在所述样本产品价值时间序列之后的预测价值，和所述样本产品在
所述样本产品价值时间序列之后的实际价值之间的差异，对所述待训练的价值预测模型进行训练，得到训练完成的价值预测模型，作为所述预先训练的价值预测模型。5.根据权利要求1所述的方法，其特征在于，所述通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息，包括：获取各个所述产品价值时间子序列在多个预设特征指标下的映射后特征信息；针对各个所述产品价值时间子序列，将所述产品价值时间子序列在多个预设特征指标下的映射后特征信息，输入至所述预先训练的价值预测模型中的循环神经网络中，得到与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息；将与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息，确认为所述产品价值时间子序列在多个预设特征指标下的目标特征信息。6....

【专利技术属性】
技术研发人员：张华，吴亚东，陈磊，孙科伟，
申请(专利权)人：工银科技有限公司，
类型：发明
国别省市：