[发明专利]基于多级时空大数据深度学习的动态级联时空预测方法

权利要求书

1.一种人工智能方法，其特征在于，所述方法包括：

获取单时单空变量集合步骤：获取每一时间每一空间的输入变量集合和输出变量集合；

初始化单时单空模型步骤：根据每一时间每一空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每一时间所述每一空间的单时单空预测深度学习模型；

单时单空模型训练步骤：将每一时间每一空间的时间信息和空间信息和所有个人数据作为输入，将所述每一时间所述每一空间的所有个人预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述每一时间所述每一空间的单时单空预测深度学习模型进行训练；不同的单时单空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；

同变量单时单空模型迁移步骤：获取已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型，作为具有与已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型，然后对尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型执行所述单时单空预测深度学习模型训练步骤；

单时单空模型使用步骤：在使用时，每一时间每一空间的时间信息、空间信息、所有个人数据作为输入，通过所述每一时间所述每一空间的单时单空预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所有个人的预期结果的统计结果，或作为所述每一时间所述每一空间的预测结果。

2.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：

获取多时多空变量集合步骤：获取每M个时间每N个空间的输入变量集合和输出变量集合；

初始化多时多空模型步骤：根据每M个时间每N个空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每M个时间所述每N个空间的多时多空预测深度学习模型；

多时多空模型独立训练步骤：将每M个时间每N个空间的时间信息和空间信息和所有个人数据作为输入，将所述每M个时间所述每N个空间的所有个人预期结果的统计结果作为预期输出，或将所述每M个时间所述每N个空间的预期结果作为预期输出，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练；不同的多时多空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每M个时间为相邻的每M个时间；所述每N个空间为相邻的每N个空间；

多时多空模型联合训练步骤：对每M个时间每N个空间，将所述每M个时间所述每N个空间的单时单空预测深度学习模型的特征数据联合后作为第一预设隐层的输入，将所述每M个时间所述每N个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每M个时间所述每N个空间的预期结果作为预期输出，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练，得到所述每M个时间所述每N个空间的多时多空预测深度学习模型；所述每M个时间为相邻的每M个时间；所述每N个空间为相邻的每N个空间；

同变量多时多空模型迁移步骤：获取已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型，作为具有与已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型，然后对尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型执行所述多时多空预测深度学习模型训练步骤；

多时多空模型使用步骤：在使用时，每M个时间每N个空间的时间信息、空间信息、所有个人数据作为输入，通过所述每M个时间所述每N个空间的多时多空预测深度学习模型的计算，得到的输出作为所述每M个时间所述每N个空间的所有个人的预期结果的统计结果，或作为所述每M个时间所述每N个空间的预测结果。