[发明专利]神经网络预测方法及装置

说明书

本公开提供一种神经网络预测方法及装置，所述方法包括：分别获取多个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，获取针对所述多个待预测对象的预测结果；输出所述多个待预测对象中至少一个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、关系网络RN模块。通过利用包括长短期记忆网络LSTM、深度神经网络DNN、关系网络RN，对多个待预测对象的特征信息进行处理，获取针对多个待预测对象的预测结果，能够捕捉多个待预测对象的特征信息之间的时序性、待预测对象的特征信息之间的关联性、各待预测对象之间的关联性，从而提高了预测结果的准确率。

技术领域

本公开涉及神经网络技术领域，尤其涉及一种神经网络预测方法及装置。

背景技术

在实际的生活中，需要对各种事件进行预测，例如针对即将上映的电影预测票房、针对即将上映的电视剧预测收视率、美国总统选举、当前彩票的中奖数字、足球赛的胜负等，各种待预测事件的影响因素复杂、各影响因素之间不同的关联关系也会导致不同的预测结果，但在传统的预测手段中，只能针对有限的数据，利用概率统计等相关算法进行预测，预测结果的准确率低。

发明内容

有鉴于此，本公开提出了一种神经网络预测方法及装置，能够同时对多个待预测对象的特征信息进行处理，提高了预测结果的准确率。

根据本公开的一方面，提供了一种神经网络预测方法，所述方法包括：

分别获取多个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，获取针对所述多个待预测对象的预测结果；

输出所述多个待预测对象中至少一个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、关系网络RN模块。

在一种可能的实现方式中，将所述特征信息输入预测模型中进行处理，获取针对所述多个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，确定所述多个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，确定所述多个待预测对象的深度信息；

将所述深度信息输入所述RN模块中进行处理，确定所述多个待预测对象的预测结果。

在一种可能的实现方式中，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，获取针对所述多个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。

在一种可能的实现方式中，所述方法还包括：

分别获取多个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，获取针对所述多个样本对象当前周期的训练预测结果；

根据所述多个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，分别确定所述多个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。

在一种可能的实现方式中，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：