流量预测模型的训练方法、流量预测方法和装置制造方法及图纸

本申请实施例提供一种流量预测模型的训练方法、流量预测方法和装置，涉及人工智能技术领域，方法包括：获取训练集；训练集中包括目标场所在多个不同时段的对象流量，以及，对应的预测时段的对象流量标签；根据训练集，采用基于模拟退火算法和强化学习算法的粒子群优化算法获取流量预测模型的第一目标参数；使用第一目标参数值更新流量预测模型，得到优化后的流量预测模型。通过将强化学习算法和模拟退火算法对粒子群优化算法进行优化，可以实现对粒子群优化算法关键参数的动态调控，并提升粒子群优化算法的优化速度和收敛速度，从而提升流量预测模型的训练速度以及训练精度。流量预测模型的训练速度以及训练精度。流量预测模型的训练速度以及训练精度。

【技术实现步骤摘要】
流量预测模型的训练方法、流量预测方法和装置


[0001]本申请涉及人工智能
，尤其涉及一种流量预测模型的训练方法、流量预测方法和装置。

技术介绍

[0002]银行网点作为服务群众的第一线，以科技助力与提升银行网点服务有助于银行风貌的展示，因此，对网点客户流量进行预测可以为客户带来更好的金融服务，但短时人口流量的不确定性、复杂性和高度非线性，很难找到能够准确表示人口流量特征的数学模型。
[0003]现有技术中，有采用神经网络与粒子群算法结合的方式来实现人口流量预测，但是，粒子群算法在求解复杂优化问题时容易出现过早的收敛，易陷入局部最优的问题，使得人口流量预测的准确性较低。

技术实现思路

[0004]本申请实施例提供一种流量预测模型的训练方法、流量预测方法和装置，可以提升人口流量预测的准确性。
[0005]第一方面，本申请实施例提供一种流量预测模型的训练方法，包括：
[0006]获取训练集；所述训练集中包括目标场所在多个不同时段的对象流量，以及，对应的预测时段的对象流量标签；
>[0007]根据所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流量预测模型的训练方法，其特征在于，包括：获取训练集；所述训练集中包括目标场所在多个不同时段的对象流量，以及，对应的预测时段的对象流量标签；根据所述训练集，采用基于模拟退火算法和强化学习算法的粒子群优化算法获取流量预测模型的第一目标参数，所述流量预测模型为基于小波神经网络构建的模型，所述第一目标参数包括：权值和平移因子；其中，所述粒子群优化算法根据当前迭代周期的随机数更新粒子群算法的参数，并根据更新后的粒子群算法的参数更新所述权值和所述平移因子粒子；使用所述第一目标参数值更新所述流量预测模型，得到优化后的流量预测模型。2.根据权利要求1所述的方法，其特征在于，所述采用基于模拟退火算法和强化学习算法的粒子群优化算法获取流量预测模型的第一目标参数，包括：在迭代周期t，根据迭代周期t
‑
1中粒子群中各粒子的适应度，获取所述粒子群中各粒子的个体极值和所述粒子群的群体极值；所述t大于1；所述粒子群中的粒子为权值和平移因子；基于模拟退火算法，从预设的粒子动作库获取各粒子的目标待执行动作，以及，根据所述目标待执行动作和预设参数表更新所述粒子群算法的第二目标参数；所述预设参数表包括所述粒子的待执行动作与所述第二目标参数的对应关系，所述第二目标参数包括惯性权重因子和学习因子；根据各所述粒子的个体极值、所述粒子群的群体极值，以及，所述第二目标参数，更新迭代周期t
‑
1得到的粒子群中各粒子的速度和位置，得到迭代周期t对应的各所述粒子的速度和位置；根据迭代周期t对应的各所述粒子的速度和位置、所述训练集，以及，迭代周期t
‑
1对应的流量预测模型，获取迭代周期t中各粒子的适应度；根据迭代周期t中各粒子的适应度，以及，迭代周期t，确定是否进入迭代周期t+1；根据迭代结束时对应的迭代周期中各粒子的速度和位置，确定所述第一目标参数。3.根据权利要求2所述的方法，其特征在于，所述根据迭代周期t对应的各所述粒子的速度和位置、所述训练集，以及，迭代周期t
‑
1对应的流量预测模型，获取迭代周期t中各粒子的适应度，包括：根据迭代周期t对应的各所述粒子的速度和位置，更新迭代周期t
‑
1对应的流量预测模型，获取迭代周期t对应的流量预测模型；根据所述训练集，利用所述迭代周期t对应的流量预测模型获取所述目标场所在预测时段的对象流量的预测值；根据所述预测值和所述预测值对应的对象流量标签，以及所述流量预测模型的误差函数，获取所述粒子群中各粒子的适应度。4.根据权利要求2所述的方法，其特...

【专利技术属性】
技术研发人员：张国林，杨力行，施蕴心，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：