[發明專利]預測方法及其模型的訓練方法、裝置、設備及存儲介質

在審

• 申請號: 202111004452.3
• 申請日: 2021-08-30
• 公開（公告）號: CN113724889A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 周朋飛;張捷
• 申請（專利權）人: 上海商湯智能科技有限公司
• 主分類號: G16H50/80
• 分類號: G16H50/80;G06N3/04;G06N3/08
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 何倚雯

1.一種預測方法，其特征在于，所述方法包括：

獲取目標時間節點關于所述目標事件的特征數據；

獲取所述目標時間節點與至少一個參考時間節點之間的特征相關度；

基于所述特征相關度、所述目標時間節點關于所述目標事件的特征數據和所述參考時間節點關于所述目標事件的特征數據，得到所述目標時間節點關于所述目標事件的預測結果。

2.根據權利要求1所述的方法，其特征在于，所述獲取所述目標時間節點與至少一個參考時間節點之間的特征相關度，包括：

基于所述目標時間節點和每個參考時間節點之間的所述特征數據的相似度，確定所述目標時間節點與每個參考時間節點之間的特征相關度。

3.根據權利要求1或2所述的方法，其特征在于，所述基于所述特征相關度、所述目標時間節點關于所述目標事件的特征數據和所述參考時間節點關于所述目標事件的特征數據，得到所述目標時間節點關于所述目標事件的預測結果，包括：

利用所述特征相關度，得到每個參考時間節點的權重；

基于所述權重對所述目標時間節點的所述特征數據和所述參考時間節點的所述特征數據進行融合，得到融合特征數據；

基于所述融合特征數據，得到所述目標時間節點關于所述目標事件的預測結果。

4.根據權利要求3所述的方法，其特征在于，在所述獲取所述目標時間節點與所述參考時間節點之間的特征相關度之后，所述方法還包括：

利用預測模型基于所述特征相關度構建所述目標時間節點與參考時間節點之間的鄰接矩陣，其中，所述鄰接矩陣中所述目標時間節點與所述參考時間節點之間的相鄰關系是基于所述特征相關度確定的；

所述利用所述特征相關度，得到每個參考時間節點的權重，包括：

利用所述預測模型的圖神經網絡對所述鄰接矩陣進行分析，得到每個參考時間節點的權重。

5.根據權利要求1至4任一項所述的方法，其特征在于，在所述基于所述特征相關度、所述目標時間節點關于所述目標事件的特征數據和所述參考時間節點關于所述目標事件的特征數據，得到所述目標時間節點關于所述目標事件的預測結果之后，所述方法還包括：

利用所述預測模型基于所述目標時間節點的特征數據對所述預測結果進行優化。

6.根據權利要求5所述的方法，其特征在于，所述基于所述目標時間節點的特征數據對所述預測結果進行優化是由所述預測模型的殘差網絡執行的；

和/或，在所述基于所述目標時間節點的特征數據對所述預測結果進行優化之前，所述方法還包括：

將所述目標時間節點的特征數據轉換至第二預設維度，以用于后續對所述預測結果進行優化。

7.根據權利要求1至6任一項所述的方法，其特征在于，在所述獲取所述目標時間節點與所述參考時間節點之間的特征相關度之前，所述方法包括：

利用預測模型分別將所述目標時間節點的所述特征數據和參考時間節點的所述特征數據轉換至第一預設維度，其中，所述預設維度高于所述特征數據的原始維度。

8.根據權利要求1至7任一項所述的方法，其特征在于，所述獲取目標時間節點關于所述目標事件的特征數據，包括：

對目標時間節點關于所述目標事件的原始數據進行預處理，得到所述目標時間節點關于所述目標事件的特征數據；其中，所述預處理包括以下至少一個：在所述原始數據為非數值型數據的情況下，將所述原始數據轉換為數值型數據；將所述原始數據的值域轉換為預設范圍。

9.根據權利要求1至8任一項所述的方法，其特征在于，所述目標事件為發生預設疾病。