[发明专利]一种目标信息的预测方法及装置

说明书

本发明实施例提供了一种目标信息的预测方法及装置，上述方法包括：获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息；将目标历史信息输入预先训练的目标信息预测模型，获取目标信息在当前时间点后的变化趋势预测结果；RNN层，用于对输入的目标历史信息进行初始变化趋势特征提取，并将所提取的初始变化趋势特征输入GAN层；GAN层，用于基于初始变化趋势特征，确定目标信息在当前时间点后的变化趋势信息，作为目标信息的变化趋势预测结果。采用本发明实施例提供的方法，提高了预测出的目标信息在当前时间点后的变化趋势信息的精度。

技术领域

本发明数据分析技术领域，特别是涉及一种目标信息的预测方法及装置。

背景技术

对目标信息进行预测对于各种各样的应用场景而言均有十分重要的应用价值。其中，目标信息可以为股票价格信息、景点的客流量信息或应用软件的用户活跃度信息等等。例如，由于股票市场是金融市场的重要组成部分，因此对股票价格信息进行预测具有很大的应用价值，如有助于用户进行股票投资等等；对景点的客流量信息进行预测，有助于景点管理人员合理提供针对游客的观景服务等。

以股票价格信息的预测为例，现有的股票价格信息预测方法主要为：基于所提取的股票相关的新闻事件对应的向量，训练NTN(Neural Tensor Network，神经张量网络)模型或DNN(deep convolutional neural network，深度卷积神经网络)模型，用于预测股票价格变化趋势。

然而，现有的利用NTN模型或DNN模型对股票价格变化趋势进行预测的方式，只能捕捉股票相关的线性关系不能捕捉非线性关系，这导致预测的股票价格变化趋势的精度存在一定的局限性。

发明内容

本发明实施例的目的在于提供一种目标信息的预测方法及装置，以提高预测目标信息在当前时间点后的变化趋势信息的精度。

为了达到上述目的，本发明实施例提供了一种目标信息的预测方法，应用于电子设备，包括：

获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息，其中，所述目标信息为目标景点的客流量信息、目标应用软件的用户活跃度信息和目标股票的价格信息中的一个；

将所述目标历史信息输入预先训练的目标信息预测模型，获取所述目标信息在当前时间点后的变化趋势预测结果；其中，所述目标信息预测模型包括循环神经网络RNN层和生成对抗网络GAN层；

所述RNN层，用于对输入的所述目标历史信息进行初始变化趋势特征提取，并将所提取的所述初始变化趋势特征输入所述GAN层；

所述GAN层，用于基于所述初始变化趋势特征，确定所述目标信息在当前时间点后的变化趋势信息，作为所述目标信息的变化趋势预测结果；

其中，所述目标信息预测模型为：基于所述目标信息对应的多个样本历史信息，以及所述目标信息对应的真实变化趋势数据，对待训练目标信息预测模型进行训练获得的。

进一步的，所述获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息，包括：

获取目标信息在当前时间点之前的预设数量个时间步长内的多个历史数据；其中，每个所述时间步长包括多个离散时间点；

针对每个所述时间步长，计算该时间步长内相邻的两个离散时间点中，前一个离散时间点的历史数据与后一个离散时间点的历史数据之差，得到多个差值作为该时间步长内所述目标信息对应的多个历史变化数据；

基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据，确定目标历史信息。

进一步的，所述基于预设数量个所述时间步长内所述目标信息对应的多个历史变化数据，确定目标历史信息，包括：