[发明专利]信息处理方法、装置、计算设备及介质

权利要求书

1.一种信息处理方法，其中，所述方法包括：

获取目标对象的多个第一变量中每个第一变量的时间序列；

基于每个所述时间序列，确定每个所述第一变量与所述目标对象的第二变量的第一关联权重；

基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重；其中，与所述目标对象对应的预设关联权重信息包括每个所述第一变量与所述第二变量的第二关联权重，所述第二关联权重为多个对象中每个对象的第一变量与该对象的第二变量的关联程度。

2.根据权利要求1所述的方法，其中，所述基于每个所述时间序列，确定每个所述第一变量与所述目标对象的第二变量的第一关联权重，包括：

对于每个所述时间序列，利用编码器对所述时间序列进行编码，得到所述时间序列对应的第一向量表征；

将第二向量表征输入到与其对应的第一神经网络，得到所述第二变量在目标时间点的第一预测值，所述第二向量表征包括每个所述第一向量表征；

对于每个目标第一向量表征，将除所述目标第一向量表征之外的其他每个第一向量表征进行拼接，并将拼接后的向量表征输入到与所述目标第一向量表征对应的第二神经网络，得到所述第二变量在所述目标时间点的第二预测值；

基于所述第一预测值和每个所述第二预测值，得到第三向量表征，所述第三向量表征包括每个所述第一变量与所述第二变量的第一关联权重。

3.根据权利要求2所述的方法，其中，所述基于所述第一预测值和每个所述第二预测值，得到第三向量表征，包括：

基于所述第一预测值和所述第二变量的标签值，得到第一误差值；

对于每个所述第二预测值，基于所述第二预测值和所述标签值，得到第二误差值；

对于每个所述第二误差值，将所述第二误差值减去所述第一误差值，得到目标误差值；

基于每个所述目标误差值，得到每个所述第一变量与所述第二变量的第一关联权重。

4.根据权利要求3所述的方法，其中，所述基于每个所述目标误差值，得到每个所述第一变量与所述第二变量的第一关联权重，包括：

利用激活函数对每个所述目标误差值进行映射，得到每个所述目标误差值对应的映射结果；

将每个所述映射结果进行归一化处理，得到每个所述第一变量与所述第二变量的第一关联权重。

5.根据权利要求1所述的方法，其中，所述基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重，包括：

对于每个所述第一变量，将所述第一变量与所述第二变量的第一关联权重与所述第一变量与所述第二变量的第二关联权重进行加权求和，得到所述第一变量与所述第二变量的目标关联权重。

6.根据权利要求2所述的方法，其中，在所述基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重之前，所述方法还包括：

分别计算所述第三向量表征和多个预设关联权重信息中每个预设关联权重信息之间的相似度；

将与所述第三向量表征之间的相似度最大的预设关联权重信息作为与所述目标对象对应的预设关联权重信息。

7.根据权利要求2所述的方法，其中，所述方法还包括：

对于每个所述第一向量表征，将所述第一向量表征输入到与其对应的第三神经网络，得到所述第二变量在目标时间点的第三预测值；

根据每个所述第三预测值和每个所述目标关联权重，得到所述第二变量在所述目标时间点的目标预测值。

8.根据权利要求7所述的方法，其中，所述编码器为长短期记忆网络LSTM、门控循环单元GRU、时域卷积网络TCN或卷积神经网络CNN。