【技术实现步骤摘要】
基于分步关联权重的预测模型构建方法、预测方法及装置
[0001]本专利技术涉及数据预测领域，尤其涉及一种基于分步关联权重的预测模型构建方法、预测方法及装置。
技术介绍
[0002]现有的预测方法和模型采用将全部变量全部一次作为输入的方式，在训练模型时，模型的网络层数及参数较多，需要大量样本数据进行训练，当样本数据较少时会出现训练不充分，模型不收敛或过拟合的情况，进而导致模型预测效果不准确的问题。
技术实现思路
[0003]本专利技术实施例提供一种基于分步关联权重的预测模型构建方法、预测方法及装置，通过分步训练、冻结前次训练参数再扩展模型的方式，能在少样本的情况下，精准控制子模型模块提取特征的方向，改善数据训练效率，从而提高模型预测的准确性。
[0004]本专利技术一实施例提供一种基于分步关联权重的预测模型构建方法，包括：
[0005]获取目标样本数据以及与所述目标样本数据对应的若干关联样本数据；
[0006]对于每一关联样本数据，构建关联样本数据所对应的初始预测模型，以关联样本数据作为...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于分步关联权重的预测模型构建方法，其特征在于，包括：获取目标样本数据以及与所述目标样本数据对应的若干关联样本数据；对于每一关联样本数据，构建关联样本数据所对应的初始预测模型，以关联样本数据作为输入，以关联样本数据对应的预测数据作为输出对初始预测模型进行训练，生成关联样本数据对应的第一预测模型；将每一关联样本数据分别与目标样本数据进行组合，生成每一关联样本数据所对应的第一输入集；对于每一第一预测模型，在第一预测模型后增设一个子网络，生成第二预测模型，以第一输入集作为输入，以目标样本数据的预测数据作为输出，对第二预测模型进行训练，生成第三预测模型；其中，在训练时保持各第一预测模型的网络参数不变，对所增设的子网络的网络参数进行调整；将各第三预测模型以一全连接网络进行连接，生成第四预测模型，将目标样本数据以及所有关联样本数据作为输入，以目标样本数据的预测数据作为输出，对第四预测模型进行训练，生成目标数据的预测模型；其中，在训练时保持各第三预测模型的网络参数不变，对全连接网络的网络参数进行调整。2.如权利要求1所述的一种基于分步关联权重的预测模型构建方法，其特征在于，所述关联样本数据，包括以下任意一项或其组合：与目标样本数据之间存在单向影响的关联样本数据，以及与目标样本数据之间存在双向影响的关联样本数据。3.如权利要求1所述的一种基于分步关联权重的预测模型构建方法，其特征在于，所述对于每一关联样本数据，构建关联样本数据所对应的初始预测模型，以关联样本数据作为输入，以关联样本数据对应的预测数据作为输出对初始预测模型进行训练，生成关联样本数据对应的第一预测模型，包括：对于每一关联样本数据，构建关联样本数据所对应的循环神经网络作为关联样本数据的初始预测模型，以关联样本数据中一选定时间窗口下的数据值作为输入，将关联样本数据在选定时间窗口所对应的下一时间窗口的数据值作为关联样本数据对应的预测数据，并以关联样本数据对应的预测数据作为输出，对初始预测模型进行训练，在初始预测模型达到对应的第一训练阈值时，生成第一预测模型。4.如权利要求1所述的一种基于分步关联权重的预测模型构建方法，其特征在于，所述对于每一第一预测模型，在第一预测模型后增设一个子网络，生成第二预测模型，以第一输入集作为输入，以目标样本数据的预测数据作为输出，对第二预测模型进行训练，生成第三预测模型，包括：对于每一第一预测模型，在第一预测模型后增设一个全连接的循环神经子网络，生成第二预测模型，以第二预测模型对应的第一输入集中一选定时间窗口下的数据值作为输入，以目标样本数据在选定时间窗口所对应的下一时间窗口的数据值作为目标样本数据的预测数据，并以目标样本数据的预测数据作为输出，对第二预测模型进行训练，在对第二预测模型进行训练时，保持第一预测模型的网络参数不变，对第一预测模型后增设的全连接的循环神经子网络的网络参数进行调整，当第二预测模型达到对应的第二训练阈值时，生成第三预测模型。
技术研发人员：邓立邦，
申请(专利权)人：广东南方财经控股有限公司，
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。