[發明專利]信息預測方法以及裝置

在審

• 申請號: 202210143587.6
• 申請日: 2022-02-16
• 公開（公告）號: CN114519610A
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 趙葉宇;范芳芳;方彥明
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02
• 代理公司: 北京智信禾專利代理有限公司 11637
• 代理人: 吳肖肖

1.一種信息預測方法，包括：

獲取第一歷史時間段的歷史時序信息，其中，所述歷史時序信息包括多個時間序列；

將所述歷史時序信息輸入預先訓練的時序模型，經所述時序模型中多個串聯的時序子模型，得到各時序子模型輸出的目標時間段的預測時序向量，其中，除第一個時序子模型的輸入為所述歷史時序信息以外，其他時序子模型的輸入為上一個時序子模型輸出的所述第一歷史時間段的回測時序向量；

對所述各時序子模型輸出的預測時序向量進行聚合，得到聚合結果，基于所述聚合結果，確定所述目標時間段的預測信息。

2.根據權利要求1所述的方法，所述時序子模型包括：自注意力編碼層、深度神經網絡編碼層和雙向預測編碼層；

所述經所述時序模型中多個串聯的時序子模型，得到各時序子模型輸出的目標時間段的預測時序向量，包括：

針對任一時序子模型的輸入，利用所述自注意力編碼層，對所述輸入進行編碼，得到第一特征向量；

將所述第一特征向量輸入所述深度神經網絡編碼層，經所述深度神經網絡編碼層中的多個全連接層順序編碼，得到第二特征向量；

將所述第二特征向量輸入所述雙向預測編碼層，經所述雙向預測編碼層中的回測層編碼得到所述第一歷史時間段的回測時序向量，經所述雙向預測編碼層中的預測層編碼得到所述目標時間段的預測時序向量。

3.根據權利要求2所述的方法，所述利用所述自注意力編碼層，對所述輸入進行編碼，得到第一特征向量，包括：

針對所述自注意力編碼層的輸入，采用預設的自注意力運算機制，并行獲得多個權重矩陣；

對所述多個權重矩陣進行融合，得到第一特征向量。

4.根據權利要求1-3任一項所述的方法，在所述將所述歷史時序信息輸入預先訓練的時序模型之前，還包括：

獲取訓練樣本，其中，所述訓練樣本包括樣本時序信息，所述樣本時序信息包括多個時間序列；

將所述訓練樣本輸入預設神經網絡，獲得回測時序信息，其中，所述預設神經網絡包括多個串聯的時序子模型，除第一個時序子模型的輸入為所述訓練樣本以外，其他時序子模型的輸入為上一個時序子模型輸出的回測時序向量，所述回測時序信息基于最后一個時序子模型輸出的回測時序向量得到；

根據所述回測時序信息和所述樣本時序信息，計算損失值；

基于所述損失值調整所述預設神經網絡的網絡參數，并返回執行所述獲取訓練樣本的步驟，直至滿足預設訓練停止條件的情況下，獲得完成訓練的時序模型。

5.根據權利要求1-3任一項所述的方法，所述對所述各時序子模型輸出的預測時序向量進行聚合，得到聚合結果，包括：

對所述各時序子模型輸出的預測時序向量進行元素級運算，得到聚合結果；

所述基于所述聚合結果，確定所述目標時間段的預測信息，包括：

根據所述聚合結果，經輸出層獲得所述目標時間段的預測信息。

6.根據權利要求1所述的方法，還包括：

獲取第二歷史時間段的歷史協變量信息；

將所述歷史協變量信息輸入預先訓練的協變量模型，獲得所述目標時間段的預測協變量向量；

所述基于所述聚合結果，確定所述目標時間段的預測信息，包括：

對所述聚合結果和所述預測協變量向量進行元素級運算，得到更新的所述聚合結果；

根據所述聚合結果，經輸出層獲得所述目標時間段的預測信息。

7.根據權利要求6所述的方法，所述協變量模型為多層神經網絡模型。

8.根據權利要求1或6所述的方法，還包括：

獲取日期統計信息；

將所述日期統計信息輸入預先訓練的日期模型，獲得所述目標時間段內的預測日期向量；

所述基于所述聚合結果，確定所述目標時間段的預測信息，包括：

對所述聚合結果和所述預測日期向量進行元素級運算，得到更新的所述聚合結果；

根據所述聚合結果，經輸出層獲得所述目標時間段的預測信息。