[发明专利]一种基于循环神经网络的数据预测方法在审
| 申请号： | 201811027131.3 | 申请日： | 2018-09-04 |
| 公开（公告）号： | CN109165727A | 公开（公告）日： | 2019-01-08 |
| 发明（设计）人： | 黄超;徐滢 | 申请（专利权）人： | 成都品果科技有限公司 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06Q10/04 |
| 代理公司： | 成都高远知识产权代理事务所(普通合伙) 51222 | 代理人： | 李安霞;曾克 |
| 地址： | 610000 四川省成都市*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 循环神经网络 数据预测 损失函数 已知数据 数据集 网络层 获取数据 预测模型 训练集 构建 权重 输出 预测 优化 | ||
1.一种基于循环神经网络的数据预测方法，其特征在于，包括：
构建循环神经网络模型；所述循环神经网络模型包括：LSTM网络层；
根据已知数据走向的数据集确定所述循环神经网络模型的损失函数；
对所述循环神经网络模型进行训练，获取数据预测模型；所述数据预测模型用于对输入数据进行预测；
所述对所述循环神经网络模型进行训练包括：对所述LSTM网络层的权重进行优化，使所述损失函数的输出值小于预定阈值；对所述循环神经网络模型进行训练的训练集为：所述已知数据走向的数据集。
2.根据权利要求1所述的基于循环神经网络的数据预测方法，其特征在于，还包括：对所述已知数据走向的数据集进行预处理；所述对所述已知数据走向的数据集进行预处理包括：
对所述已知数据走向的数据集进行编码，获取所述数据集中每一个数字的数据矩阵；
根据所述数据集的数据走向，将相邻的两个所述数据矩阵进行一一对应，获取基于时间序列的数据关系；
将所述基于时间序列的数据关系转换为训练所述循环神经网络模型所需的数据格式。
3.根据权利要求2所述的基于循环神经网络的数据预测方法，其特征在于，采用onehot编码方式对所述已知数据走向的数据集进行编码。
4.根据权利要求2所述的基于循环神经网络的数据预测方法，其特征在于，所述循环神经网络模型还包括：第一线性网络层，第二线性网络层；所述第一线性网络层的输出连接所述LSTM网络层的输入，所述LSTM网络层的输出连接所述第二线性网络层的输入；所述第一线性网络层用于将所述数据矩阵的位数转换为所述LSTM网络层的输入位数；所述第二线性网络层用于将所述LSTM网络层的输出位数恢复为所述数据矩阵的位数。
5.根据权利要求1所述的基于循环神经网络的数据预测方法，其特征在于，所述构建循环神经网络模型包括：
创建一个继承自pytorch框架Module类的子类，在初始化函数中构建所述循环神经网络模型；
编写forward函数；所述forward函数用于定义所述循环神经网络模型的工作流程。
6.根据权利要求1所述的基于循环神经网络的数据预测方法，其特征在于，采用Adam优化算法对所述LSTM网络层的权重进行优化。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于成都品果科技有限公司，未经成都品果科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201811027131.3/1.html，转载请声明来源钻瓜专利网。
