[发明专利]神经网络预测方法及装置

权利要求书

1.一种神经网络预测方法，其特征在于，所述方法包括：

获取待预测对象的特征信息；

将所述特征信息输入预测模型中进行处理，获取针对所述待预测对象的预测结果；

输出所述待预测对象的预测结果，

其中，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块。

2.根据权利要求1所述的方法，其特征在于，将所述特征信息输入预测模型中进行处理，获取针对所述待预测对象的预测结果，包括：

将所述特征信息输入所述LSTM模块中进行处理，确定所述待预测对象的长短期记忆信息；

将所述长短期记忆信息输入所述DNN模块中进行处理，确定所述待预测对象的预测结果。

3.根据权利要求2所述的方法，其特征在于，所述预测模型还包括嵌入模块，

其中，将所述特征信息输入预测模型中进行处理，获取针对所述待预测对象的预测结果，还包括：

将初始信息输入所述嵌入模块进行向量化处理，确定所述初始信息的向量信息；

将所述初始信息和所述向量信息确定为所述特征信息。

4.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：

获取样本对象当前周期的特征信息；

将所述当前周期的特征信息以及前一周期的训练预测结果输入初始预测模型中进行处理，获取针对所述样本对象当前周期的训练预测结果；

根据所述样本对象的多个周期的训练预测结果以及所述多个周期的期望预测结果，分别确定所述样本对象的多个周期的模型损失；

根据所述模型损失，调整所述初始预测模型中的参数权重，确定调整后的预测模型；

在所述模型损失满足训练条件的情况下，将调整后的预测模型确定为最终的预测模型。

5.根据权利要求4所述的方法，其特征在于，根据所述模型损失，调整所述初始预测模型中的参数权重，确定调整后的预测模型，包括：

根据所述样本对象多个周期的模型损失，依次调整所述DNN模块、所述LSTM模块以及所述嵌入模块中的参数权重，确定调整后的预测模型。

6.一种神经网络预测装置，其特征在于，所述装置包括：

特征信息获取单元，用于获取待预测对象的特征信息；

预测结果获取单元，用于将所述特征信息输入预测模型中进行处理，获取针对所述待预测对象的预测结果；

预测结果输出单元，用于输出所述待预测对象的预测结果，

其中，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块。

7.根据权利要求6所述的装置，其特征在于，所述预测结果获取单元包括：

LSTM处理子单元，用于将所述特征信息输入所述LSTM模块中进行处理，确定所述待预测对象的长短期记忆信息；

DNN处理子单元，用于将所述长短期记忆信息输入所述DNN模块中进行处理，确定所述待预测对象的预测结果。

8.根据权利要求7所述的装置，其特征在于，所述预测模型还包括嵌入模块，

所述预测结果获取单元还包括：

嵌入子单元，用于将初始信息输入所述嵌入模块进行向量化处理，确定所述初始信息的向量信息；

信息确定子单元，用于将所述初始信息和所述向量信息确定为所述特征信息。