[发明专利]产品价值预测方法、装置、计算机设备和存储介质

权利要求书

1.一种产品价值预测方法，其特征在于，所述方法包括：

对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；

通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；

通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；

通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。

2.根据权利要求1所述的方法，其特征在于，所述通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息，包括：

通过所述预先训练的价值预测模型中的第一层注意力机制网络，确认各个所述预设特征指标的权重；

针对各个所述产品价值时间子序列，通过各个所述预设特征指标的权重，对所述产品价值时间子序列在多个预设特征下的目标特征信息进行融合处理，得到所述产品价值时间子序列的子序列特征信息。

3.根据权利要求1所述的方法，其特征在于，所述通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值，包括：

通过所述预先训练的价值预测模型中的第二层注意力机制网络，确认各个所述产品价值时间子序列的权重；

通过各个所述产品价值时间子序列的权重，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。

4.根据权利要求1所述的方法，其特征在于，所述预先训练的价值预测模型通过下述方式训练得到：

获取样本产品的样本产品价值时间序列和所述样本产品在所述样本产品价值时间序列之后的实际价值；

对所述样本产品价值时间序列进行滑窗处理，得到多个样本产品价值时间子序列；

通过待训练的价值预测模型中的循环神经网络，获取各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息；

通过所述待训练的价值预测模型中的第一层注意力机制网络，对各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述样本产品价值时间子序列的子序列特征信息；

通过所述待训练的价值预测模型中的第二层注意力机制网络，对各个所述样本产品价值时间子序列的子序列特征信息进行融合处理，得到所述样本产品在所述样本产品价值时间序列之后的预测价值；

根据所述样本产品在所述样本产品价值时间序列之后的预测价值，和所述样本产品在所述样本产品价值时间序列之后的实际价值之间的差异，对所述待训练的价值预测模型进行训练，得到训练完成的价值预测模型，作为所述预先训练的价值预测模型。

5.根据权利要求1所述的方法，其特征在于，所述通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息，包括：

获取各个所述产品价值时间子序列在多个预设特征指标下的映射后特征信息；

针对各个所述产品价值时间子序列，将所述产品价值时间子序列在多个预设特征指标下的映射后特征信息，输入至所述预先训练的价值预测模型中的循环神经网络中，得到与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息；

将与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息，确认为所述产品价值时间子序列在多个预设特征指标下的目标特征信息。