[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、对抗训练网络模块以及多任务学习网络MTL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深度信息；

将所述深度信息输入所述对抗训练网络模块中进行处理，确定所述待预测对象的对抗训练信息；

将所述对抗训练信息输入所述MTL模块中进行处理，确定针对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所述的方法，其特征在于，所述预测结果包括：

主预测结果以及相关预测结果，

其中，在所述预测模型的目标函数中，与所述主预测结果相关联的参数权重大于与所述相关预测结果相关联的参数权重。

5.根据权利要求4所述的方法，其特征在于，输出所述预测结果，包括以下任意一种：

输出主预测结果；

输出主预测结果以及相关预测结果。

6.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：

分别获取多组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，获取针对所述多组样本对象当前周期的训练预测结果；

根据所述多组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，分别确定所述多组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。

7.根据权利要求6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：

根据所述多组样本对象多个周期的模型损失，依次调整所述MTL模块、所述对抗训练网络模块、所述DNN模块、所述LSTM模块以及嵌入模块中的参数权重，确定调整后的预测模型。

8.根据权利要求6所述的方法，其特征在于，所述多组样本对象至少部分的特征信息相同，不同组的样本对象的类别不同。

9.一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、对抗训练网络模块以及多任务学习网络MTL模块。