[发明专利]N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置和存储介质

权利要求书

1.一种N3IWFs/TNGFs的详细信息时效性设置方法，其特征在于，所述N3IWFs/TNGFs的详细信息时效性设置方法包括：

加载训练好的时间序列预测模型；

将用户终端的地址信息输入所述时间序列预测模型，获取所述时间序列预测模型输出的时效性预测结果信息；所述时效性预测结果信息用于表示N3IWFs/TNGFs的详细信息在未来一段时间内的时效性；

根据所述时效性预测结果信息，设置所述N3IWFs/TNGFs的详细信息的时效。

2.根据权利要求1所述的N3IWFs/TNGFs的详细信息时效性设置方法，其特征在于，所述N3IWFs/TNGFs的详细信息时效性设置方法还包括：

获取训练好的所述时间序列预测模型。

3.根据权利要求2所述的N3IWFs/TNGFs的详细信息时效性设置方法，其特征在于，所述获取训练好的所述时间序列预测模型，包括：

建立LSTM模型作为所述时间序列预测模型；

获取所述N3IWFs/TNGFs的详细信息的若干个历史时效时间序列，以及各所述历史时效时间序列各自对应的地址信息；所述历史时效时间序列表示相应的所述地址信息所标记的用户终端，在若干个历史时刻下对应所述N3IWFs/TNGFs的详细信息的有效性；

划分训练数据和测试数据；所述训练数据包括一部分所述历史时效时间序列以及相应的所述地址信息，所述测试数据包括另一部分所述历史时效时间序列以及相应的所述地址信息；

使用所述训练数据对所述LSTM模型进行训练；

使用所述测试数据对所述LSTM模型进行测试调参。

4.根据权利要求3所述的N3IWFs/TNGFs的详细信息时效性设置方法，其特征在于，所述使用所述训练数据对所述LSTM模型进行训练，包括：

将所述训练数据中的每个所述地址信息，以及相应的所述历史时效时间序列的在前部分作为所述LSTM模型的输入信息，以及所述历史时效时间序列的在后部分作为所述LSTM模型的预期输出信息；

根据所述LSTM模型对所述输入信息进行处理得到的实际输出信息，与相应的所述预期输出信息之间的损失值，调整所述LSTM模型的网络参数。

5.根据权利要求1所述的N3IWFs/TNGFs的详细信息时效性设置方法，其特征在于，所述根据所述时效性预测结果信息，设置所述N3IWFs/TNGFs的详细信息的时效，包括：

确定所述时效性预测结果信息所对应的未来一段时间内的若干个未来时刻；

根据所述时效性预测结果信息，确定所述N3IWFs/TNGFs的详细信息在各所述未来时刻的有效性的量化表示值；

设置各所述未来时刻各自所对应的时长权重；

根据各所述量化表示值和各所述时长权重，确定所述N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长。

6.根据权利要求5所述的N3IWFs/TNGFs的详细信息时效性设置方法，其特征在于，所述设置各所述未来时刻各自所对应的时长权重，包括：

对最接近当前时刻的所述未来时刻设置初始时长权重；

对其他所述未来时刻设置时长权重；其中，任一所述未来时刻对应的时长权重，与该未来时刻与当前时刻的时长负相关，且均小于所述初始时长权重。

7.根据权利要求6所述的N3IWFs/TNGFs的详细信息时效性设置方法，其特征在于，所述对最接近当前时刻的所述未来时刻设置初始时长权重，包括：

获取所述N3IWFs/TNGFs的详细信息在当前时刻之前的有效时长；

确定各所述未来时刻的总数；

根据各所述未来时刻的总数，对所述N3IWFs/TNGFs的详细信息在当前时刻之前的有效时长求平均值；

以所述平均值作为所述初始时长权重。