[发明专利]一种基于循环神经网络的数据预测方法

说明书

本发明公开一种基于循环神经网络的数据预测方法，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。本发明提供的技术方案，能够更加高效、准确地进行数据预测。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于循环神经网络的数据预测方法。

背景技术

对于数据的预测实质上是一种数据分析方式，可广泛应用于许多领域，例如，彩票的数字预测、股票的走向预测等。现有的数据预测方法分场景的不同一般有基于遗传算法，或者是基于概率统计的方法，采用以上这些传统方法预测出的结果在实际应用中准确率并不高。

发明内容

本发明旨在提供一种基于循环神经网络的数据预测方法，能够更加高效、准确地进行数据预测。

为达到上述目的，本发明采用的技术方案如下：

一种基于循环神经网络的数据预测方法，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。

进一步地，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。

优选地，采用one hot编码方式对所述已知数据走向的数据集进行编码。

进一步地，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。

优选地，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。

优选地，采用Adam优化算法对所述LSTM网络层的权重进行优化。

本发明实施例提供的基于循环神经网络的数据预测方法，通过构建包含LSTM网络层的循环神经网络，并采用已知数据走向的数据集对其进行训练，训练后的循环神经网络即可作为数据预测模型对输入的数据进行预测，且预测结果与训练集的数据走向趋势相吻合。由于LSTM网络层是一种基于时间序列的网络结构，因此在对具有一定数据走向的数据预测上，本发明与现有的采用遗传算法或概率统计的方法相比，更加高效，且预测结果更加准确。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例中循环神经网络的结构示意图；

图3为本发明实施例中LSTM网络层的结构示意图。

具体实施方式