[發明專利]大數據深度學習動態變量多級時空預測的人工智能方法

在審

• 申請號: 202011629913.1
• 申請日: 2020-12-30
• 公開（公告）號: CN112700883A
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 朱定局
• 申請（專利權）人: 華南師范大學
• 主分類號: G16H50/80
• 分類號: G16H50/80;G06N3/08;G06F16/29
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 吳平

大數據深度學習動態變量多級時空預測的人工智能方法，包括：獲取單時單空變量集合步驟；獲取待選輸入變量集合步驟；初始化待選單時單空模型步驟；單時單空模型訓練步驟；單時單空模型測試步驟；最優單時預測深度學習模型步驟；最優單時預測深度學習模型測試步驟。上述方法、系統和機器人，將每一時空的輸入變量項進行不同的組合，通過深度學習神經網絡模型對時空每一組合的變量集進行訓練和測試，從而找到最優的時空變量組合，無需所有的輸入變量數據都參與訓練和預測，從而可以節省成本，提高時空訓練和時空預測的效率，同時通過時空預測效果遴選出的時空預測深度學習模型能夠獲得最好的時空預測效果。

技術領域

本發明涉及人工智能技術領域，特別是涉及一種基于多級時空大數據深度學習的動態變量時空預測方法。

背景技術

在實現本發明過程中，發明人發現現有技術中至少存在如下問題：不同時空數據是相互影響的，但分辨率又不一樣，而且起主要作用的影響因素也會有差異。不同時空分辨率下(例如，一個村、一個街道、一個市、一個省、一個國)對疫情影響的因素是不同的，不同的時間(例如，疫情初發期、高峰期、低谷期、消亡期)、不同的空間(例如南方、北方、農村、城市)對疫情影響的因素也是不同的，但現有技術中不同疫情時空預測模型的輸入指標變量雷同，

因此，現有技術還有待于改進和發展。

發明內容

基于此，有必要針對現有技術的缺陷或不足，提供基于多級時空大數據深度學習的動態變量時空預測方法，以解決現有技術中不同疫情時空預測模型的輸入指標變量雷同的問題。

第一方面，本發明實施例提供一種人工智能方法，所述方法包括：

獲取單時單空變量集合步驟：獲取每一時間每一空間的輸入變量集合和輸出變量集合；

獲取待選輸入變量集合步驟：獲取所述每一時間所述每一空間的輸入變量集合的每一輸入變量子集，作為所述每一時間所述每一空間的每一待選輸入變量集合；

初始化待選單時單空模型步驟：根據所述每一時間所述每一空間的所述每一待選輸入變量集合和所述輸出變量集合，初始化深度學習神經網絡模型作為所述每一時間所述每一空間的所述每一待選輸入變量集合對應的單時單空預測深度學習模型；

單時單空模型訓練步驟：將所述每一時間所述每一空間的每一待選輸入變量集合對應的數據作為輸入，將所述每一時間所述每一空間的所述輸出變量集合對應的數據作為預期輸出，對所述每一時間所述每一空間的所述每一待選輸入變量集合對應的單時單空預測深度學習模型進行第一訓練；不同的單時單空預測深度學習模型的參數根據預設進行共享或部分共享或不共享；

單時單空模型測試步驟：在測試時，將所述每一時間所述每一空間的每一待選輸入變量集合對應的數據作為輸入，通過所述每一時間所述每一空間的所述每一待選輸入變量集合對應的單時單空預測深度學習模型的計算，得到的輸出作為所述每一時間所述每一空間的所述輸出變量集合對應的預測結果；

最優單時預測深度學習模型步驟：通過測試獲取所述每一時間所述每一空間的所述每一待選輸入變量集合對應的單時單空預測深度學習模型的預測效果，獲取預測效果最好的所述每一時間所述每一空間的所述每一待選輸入變量集合對應的單時單空預測深度學習模型，作為所述每一時間所述每一空間的最優單時單空預測深度學習模型；

最優單時預測深度學習模型步驟：在使用時，將所述每一時間所述每一空間的輸入變量集合對應的數據作為輸入，通過所述每一時間所述每一空間的最優單時單空預測深度學習模型的計算，得到的輸出作為所述每一時間所述每一空間的輸出變量集合對應的預測結果。

優選地，所述方法還包括：