误差预测器的训练方法技术

本公开提供了误差预测器的训练方法

【技术实现步骤摘要】
误差预测器的训练方法、交易数据预测方法和装置


[0001]本公开涉及人工智能
，尤其涉及神经网络模型
、
时间序列预测等领域
。

技术介绍

[0002]现有技术中，神经网络模型已经被广泛应用于多种领域，例如用于对时间序列的预测
。
时间序列预测是根据历史的时间序列数据，对未来的时间序列数据进行预测的过程
。
[0003]交易数据是一种常见的时间序列数据
。
相关技术中，神经网络模型也被用于对交易数据的预测
。
如何提升交易数据预测的准确度，是需要解决的技术问题
。

技术实现思路

[0004]本公开提供了误差预测器的训练方法
、
交易数据预测方法和装置
。
[0005]根据本公开的一方面，提供了一种误差预测器的训练方法，包括：
[0006]利用第一时间序列的样本交易数据和预先训练的至少两个基预测器，确定第二时间序列的至少两个第一预测结果；并利用待训练的误差预测器和样本交易数据，确定各个第一预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种误差预测器的训练方法，包括：利用第一时间序列的样本交易数据和预先训练的至少两个基预测器，确定第二时间序列的至少两个第一预测结果；并利用待训练的误差预测器和所述样本交易数据，确定各个所述第一预测结果的第一预测误差；利用各个所述第一预测结果和所述第二时间序列的标签，确定各个所述第一预测结果的真实误差；利用所述第一预测误差和所述第一预测结果的真实误差，确定损失函数；根据所述损失函数调整所述待训练的误差预测器的参数，以得到训练完成的误差预测器
。2.
根据权利要求1中所述的方法，其中，利用所述第一预测误差和所述第一预测结果的真实误差，确定损失函数，包括：计算所述第一预测结果的第一预测误差与所述第一预测结果的真实误差的均方误差，所述均方误差作为所述待训练的误差预测器的损失函数
。3.
根据权利要求1或2中任一所述的方法，还包括：根据第一时间序列对应的交易数据集，确定所述第一时间序列的样本交易数据；其中，所述第一时间序列对应的交易数据集包括多个第一时间序列的观测交易数据
。4.
根据权利要求3所述的方法，其中，所述根据第一时间序列对应的交易数据集，确定所述第一时间序列的样本交易数据，包括：针对所述交易数据集中的各个观测交易数据，计算各个所述观测交易数据对应的第一阈值；根据各个所述观测交易数据对应的第一阈值，计算第二阈值；所述第二阈值，包括各个所述第一阈值的平均值
、
中位数和加权平均值中的至少之一；根据所述第一阈值和所述第二阈值对所述观测交易数据进行筛选，以得到所述样本交易数据；其中，所述样本交易数据包括满足第一预设条件的观测交易数据
。5.
根据权利要求4所述的方法，其中，所述第一预设条件包括所述观测交易数据对应的第一阈值小于或等于所述第二阈值
。6.
根据权利要求5所述的方法，其中，针对所述交易数据集中的观测交易数据，计算所述观测交易数据的第一阈值，包括：利用所述观测交易数据和预先训练的至少两个基预测器，确定所述观测交易数据的至少两个第二预测结果；利用各个所述第二预测结果和所述第二时间序列的标签，确定各个所述第二预测结果的真实误差；根据所述第二预测结果的真实误差，计算所述第一阈值；所述第一阈值包括各个所述第二预测结果的真实误差的平均值
、
中位数和加权平均值中的至少之一
。7.
根据权利要求4‑6中任一所述的方法，还包括：确定所述交易数据集；所述确定所述交易数据，包括：根据所述第一时间序列对应的第一时间长度
、
以及交易数据的第一特征维度，确定所述第一时间序列的观测交易数据；基于所述第一时间序列的观测交易数据，确定所述交易数据集
。8.
根据权利要求1‑7中任一所述的方法，其中，所述待训练的误差预测器包括编码层
、M
个特征提取层和第一前馈网络；所述
M
为大于1的整数；其中，所述编码层，用于对所述样本交易数据进行特征提取和编码，以得到第一特征；所述
M
个特征提取层，用于对所述第一特征进行特征抽象处理，以得到第二特征；所述第一前馈网络，用于根据所述第二特征，得到误差向量，所述误差向量用于指示各个所述第一预测结果的误差
。9.
根据权利要求8所述的方法，其中，所述
M
个特征提取层采用逐层连接的方式进行架构；所述对所述第一特征进行特征抽象处理，以得到第二特征，包括：基于所述第一特征，确定各个所述特征提取层的输入数据；利用各个所述特征提取层的输入数据，确定各个所述特征提取层的输出数据；根据所述第一特征和至少一个所述特征提取层的输出数据，确定所述第二特征
。10.
根据权利要求9所述的方法，其中，所述基于所述第一特征，确定各个所述特征提取层的输入数据，包括：针对所述
M
个特征提取层中的第一个特征提取层，将所述第一特征作为所述第一个特征提取层的输入数据；针对所述
M
个特征提取层的第
N
个特征提取层，将前
N
‑1个特征提取层的输出数据与所述第一特征进行拼接，将拼接结果作为所述第
N
个特征提取层的输入数据
。11.
根据权利要求
10
所述的方法，其中，所述根据所述第一特征和至少一个所述特征提取层的输出数据，确定第二特征，包括：对所述第一特征和所述
M
个特征提取层的输出数据进行特征拼接处理，以得到所述第二特征
。12.
根据权利要求9所述的方法，其中，所述基于所述第一特征，确定各个所述特征提取层的输入数据，包括：针对所述
M
个特征提取层的第一个特征提取层，将所述第一特征作为所述第一个特征提取层的输入数据；针对所述
M
个特征提取层的第
N
个特征提取层，将第
N
‑1个特征提取层的输出数据作为所述第
N
个特征提取层的输入数据；所述
N
为大于或等于2的整数；所述
N
小于或等于
M。13.
根据权利要求
12
所述的方法，其中，所述
M
个特征提取层中的第
M
个特征提取层与所述第一前馈网络采用残差连接的方式进行架构；所述根据所述第一特征和至少一个所述特征提取层的输出数据，确定第二特征，包括：获取所述
M
个特征提取层中第
M
个特征提取层的输出数据；对所述第一特征和所述第
M
个特征提取层的输出数据进行残差连接，以得到所述第二特征
。14.
根据权利要求
10
‑
13
中任一所述方法，其中，所述特征提取层包括多个神经网络层和第二前馈网络；利用特征提取层的输入数据，确定所述特征提取层的输出数据，包括：利用所述多...

【专利技术属性】
技术研发人员：刘吉，刘玉铠，邓皓友，李胜浩，刘丽丽，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：