[发明专利]训练模型的方法及系统和预测序列数据的方法及系统

权利要求书

1.一种利用基于图卷积网络的机器学习模型预测序列数据的方法，包括：

获取对象的序列预测样本，其中，所述序列预测样本包括按时间顺序排列的多个序列数据；

利用所述机器学习模型，针对所述序列预测样本执行预测来提供关于所述多个序列数据之后的下一序列数据的预测结果，

其中，所述机器学习模型被事先训练为针对按时间顺序排列的一系列序列数据来预测所述一系列序列数据之后的下一序列数据，并且所述机器学习模型至少包括多个图卷积网络，其中，所述多个图卷积网络包括利用基于所述对象的历史序列数据构建的动态图训练出的第一图卷积网络以及利用基于与所述对象有关的静态数据构建的静态图训练出的第二图卷积网络。

2.如权利要求1所述的方法，其中，针对所述序列预测样本执行预测来提供关于所述多个序列数据之后的下一序列数据的预测结果的步骤包括：

将所述序列预测样本分别输入第一图卷积网络和第二图卷积网络；

利用第一图卷积网络获得针对所述序列预测样本的第一预测结果并利用第二图卷积网络获得针对所述序列预测样本的第二预测结果；

按照预定规则将第一预测结果和第二预测结果进行融合来提供关于所述多个序列数据之后的下一序列数据的预测结果。

3.如权利要求2所述的方法，其中，按照预定规则将第一预测结果和第二预测结果进行融合来提供关于所述多个序列数据之后的下一序列数据的预测结果包括：将第一预测结果和第二预测结果取平均来获得关于所述多个序列数据之后的下一序列数据的预测结果。

4.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至3中的任一权利要求所述的方法。

5.一种包括至少一个计算装置和存储指令的至少一个存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至3中的任一权利要求所述的方法。

6.一种利用基于图卷积网络的机器学习模型预测序列数据的系统，包括：

预测样本获取装置，被配置为获取对象的序列预测样本，其中，所述序列预测样本包括按时间顺序排列的多个序列数据；

预测装置，被配置为利用所述机器学习模型，针对所述序列预测样本执行预测来提供关于所述多个序列数据之后的下一序列数据的预测结果，

其中，所述机器学习模型被事先训练为针对按时间顺序排列的一系列序列数据来预测所述一系列序列数据之后的下一序列数据，并且所述机器学习模型至少包括多个图卷积网络，其中，所述多个图卷积网络包括利用基于所述对象的历史序列数据构建的动态图训练出的第一图卷积网络以及利用基于与所述对象有关的静态数据构建的静态图训练出的第二图卷积网络。

7.一种训练用于预测序列数据的基于图卷积网络的机器学习模型的方法，包括：

获取对象的序列训练样本集，其中，所述序列训练样本集包括多个序列训练样本，并且每个序列训练样本包括按时间顺序排列的多个序列数据；

基于所述序列训练样本集，训练所述机器学习模型，

其中，所述机器学习模型至少包括多个图卷积网络，其中，所述多个图卷积网络包括将利用基于所述对象的历史序列数据构建的动态图训练的第一图卷积网络以及将利用基于与所述对象有关的静态数据构建的静态图训练的第二图卷积网络。

8.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求7所述的方法。

9.一种包括至少一个计算装置和存储指令的至少一个存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求7所述的方法。

10.一种训练用于预测序列数据的基于图卷积网络的机器学习模型的系统，包括：

训练样本获取装置，被配置为获取对象的序列训练样本集，其中，所述序列训练样本集包括多个序列训练样本，并且每个序列训练样本包括按时间顺序排列的多个序列数据；

训练装置，被配置为基于所述序列训练样本集，训练所述机器学习模型，

其中，所述机器学习模型至少包括多个图卷积网络，其中，所述多个图卷积网络包括将利用基于所述对象的历史序列数据构建的动态图训练的第一图卷积网络以及将利用基于与所述对象有关的静态数据构建的静态图训练的第二图卷积网络。