System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本说明书涉及深度学习领域,尤其涉及一种基于时空静态信息自动化生成的预测方法及装置。
技术介绍
1、时序动态特征能反映出趋势、周期等动态信息,在下游预测任务中受到了广泛的关注,与此配套的时序动态网络模型也得到了相对充分的研究。
2、另一方面,还存在大量的,更新相对较慢的,往往能反映出属性、空间拓扑等静态信息(本说明书中的空间泛指各类结构空间),与动态信息结合后往往会给下游预测任务带来新的增量信息,本说明书中的静态信息主要包括时序静态特征和时序静态关系图谱。
3、时序静态特征常反映出范围、类别、板块等属性信息,时序静态特征包括数值特征、文本特征等。如果所有特征全部组合保留,可能引发特征维度爆炸问题。鉴于时序静态特征相对稳定的特点,亟待设计一套方法来基于下游预测任务自动化生成简洁有效的时序静态特征。
4、时序静态关系图谱常反映出股权、产业链等空间拓扑信息,人工构建关系图谱往往由于数据缺失而造成关系图谱不完整,且面临不同类型关系图谱难以融合问题,亟需自动化生成方法。由于关系图谱维度巨大,如果通过直接方式自动化生成时序静态关系图谱,即将关系图谱中每个数值设置成学习变量,将产生大量学习参数,增加模型的收敛难度,因此,亟待设计一套方法来通过间接方式自动化生成简洁有效的时序静态关系图谱来辅助下游预测任务。
技术实现思路
1、本说明书提供一种基于时空静态信息自动化生成的预测方法及装置,以部分地解决现有技术存在的上述问题。
2、本说明书采用下述技术方案:
3、本说明书提供了一种基于时空静态信息自动化生成的预测方法,包括:
4、针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到所述第一嵌入网络输出的该业务对象的时序静态特征和所述第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征;
5、确定预设时间段下该业务对象的初始时序动态特征,并将所述初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据所述时序动态特征与所述时序静态特征,得到该业务对象的时序特征;
6、根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系;
7、将各业务对象的时序特征和所述时序静态关系图谱输入到空间聚合网络,得到各业务对象的时空特征;
8、根据所述目标业务对象的时空特征确定所述目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与所述目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
9、可选地,初始时序动态特征包括每日更新的交易指标。
10、可选地,所述预测模型用于识别业务对象是否存在风险,所述业务结果包括存在风险和不存在风险。
11、可选地,根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,具体包括:
12、针对每两个业务对象,确定该两个业务对象的时序静态关系图谱生成特征之间的相似度;
13、将该两个业务对象的时序静态关系图谱生成特征之间的相似度,作为该两个业务对象在时序静态关系图谱中对应节点之间的边权重,以构建出时序静态关系图谱。
14、可选地,时序动态网络为长短时记忆网络lstm、门控循环单元网络gru、自注意力网络self-attention中的至少一种。
15、可选地,所述空间聚合网络为多层图卷积神经网络gcn、多层图注意力网络gat或多层图采样聚合网络graphsage。
16、可选地,所述预测模型的训练目标通过交叉熵损失函数cross-entropy loss进行计算。
17、本说明书提供了一种基于时空静态信息自动化生成的预测装置,包括:
18、特征生成模块,用于针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到所述第一嵌入网络输出的该业务对象的时序静态特征和所述第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征;
19、特征合并模块,用于确定预设时间段下该业务对象的初始时序动态特征,并将所述初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据所述时序动态特征与所述时序静态特征,得到该业务对象的时序特征;
20、图谱生成模块,用于根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系;
21、聚合模块,用于将各业务对象的时序特征和所述时序静态关系图谱输入到空间聚合网络,得到各业务对象的时空特征;
22、训练模块,用于根据所述目标业务对象的时空特征确定所述目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与所述目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
23、本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于时空静态信息自动化生成的预测方法。
24、本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于时空静态信息自动化生成的预测方法。
25、本说明书采用的上述至少一个技术方案能够达到以下有益效果:
26、从上述一种基于时空静态信息自动化生成的预测方法中可以看出,可以针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到第一嵌入网络输出的该业务对象的时序静态特征和第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征,确定预设时间段下该业务对象的初始时序动态特征,并将初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据时序动态特征与时序静态特征,得到该业务对象的时序特征。而后,根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系,将各业务对象的时序特征和时序静态关系图谱输入到空间聚合网络,得到各业务对象的时空特征,最后,根据目标业务对象的时空特征确定目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
27、本专利技术相对于现有技术的有益效果包括:
28、(1)本专利技术能够利用嵌入网络并基于下游预测任务自动化生成时序静态特征,避免大量异构时序静态特征组合引发维度爆炸,为下游预测任务提供简洁有效的增量信息;
29、(2)本专利技术能够利用嵌入网络并基于下游预测任务自动化生成时序静态关系图谱生成特征,并利用时序静态关系本文档来自技高网...
【技术保护点】
1.一种基于时空静态信息自动化生成的预测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,初始时序动态特征包括每日更新的交易指标。
3.如权利要求1所述的方法,其特征在于,所述预测模型用于识别业务对象是否存在风险,所述业务结果包括存在风险和不存在风险。
4.如权利要求1所述的方法,其特征在于,根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,具体包括:
5.如权利要求1所述的方法,其特征在于,时序动态网络为长短时记忆网络LSTM、门控循环单元网络GRU、自注意力网络Self-Attention中的至少一种。
6.如权利要求1所述的方法,其特征在于,所述空间聚合网络为多层图卷积神经网络GCN、多层图注意力网络GAT或多层图采样聚合网络GraphSAGE。
7.如权利要求1所述的方法,其特征在于,所述预测模型的训练目标通过交叉熵损失函数Cross-Entropy Loss进行计算。
8.一种基于时空静态信息自动化生成的预测装置,其特征在于,包括:
9.一种计算
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
...【技术特征摘要】
1.一种基于时空静态信息自动化生成的预测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,初始时序动态特征包括每日更新的交易指标。
3.如权利要求1所述的方法,其特征在于,所述预测模型用于识别业务对象是否存在风险,所述业务结果包括存在风险和不存在风险。
4.如权利要求1所述的方法,其特征在于,根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,具体包括:
5.如权利要求1所述的方法,其特征在于,时序动态网络为长短时记忆网络lstm、门控循环单元网络gru、自注意力网络self-attention中的至少一种。
6.如权利要求1所述的方法,其特征在于,所述...
【专利技术属性】
技术研发人员:吴迪,胡汉一,周婷婷,付村,那崇宁,
申请(专利权)人:之江实验室,
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。