數(shù)據(jù)趨勢預測模型的訓練方法、數(shù)據(jù)趨勢的預測方法技術

本申請實施例提供一種數(shù)據(jù)趨勢預測模型的訓練方法、數(shù)據(jù)趨勢的預測方法、裝置、電子設備以及存儲介質(zhì)，包括：采集多個樣本圖像，以預設時間間隔對每一樣本圖像進行切割，并對切割后的每一樣本圖像進行特征提取，得到切割后的每一樣本圖像的圖像特征，根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型確定切割后的每一樣本圖像特征對應的權重，并基于各權重對卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，得到數(shù)據(jù)趨勢預測模型，通過基于切割后的每一樣本圖像的圖像特征，對卷積神經(jīng)網(wǎng)絡模型進行訓練，生成用于對待分析對象的趨勢類型進行預測的技術手段，避免了相關技術準確性偏低的問題，提高了對待分析對象的趨勢類型的預測的準確性和可靠性，且提高了預測的效率的技術效果。

【技術實現(xiàn)步驟摘要】
數(shù)據(jù)趨勢預測模型的訓練方法、數(shù)據(jù)趨勢的預測方法
本申請實施例涉及大數(shù)據(jù)和深度學習
，尤其涉及一種數(shù)據(jù)趨勢預測模型的訓練方法、數(shù)據(jù)趨勢的預測方法、裝置、電子設備以及存儲介質(zhì)。
技術介紹
隨著互聯(lián)網(wǎng)技術的發(fā)展，信息量不斷增加，數(shù)據(jù)分析技術也有了新的發(fā)展和突破。在現(xiàn)有技術中，可以由人工基于統(tǒng)計學的方式，如由數(shù)據(jù)分析員基于統(tǒng)計學的方式，對待分析對象的歷史數(shù)據(jù)(如金融領域中的股票漲跌的歷史數(shù)據(jù)，又如專利申請量的漲幅歷史數(shù)據(jù)，等等)進行預測，得到未來某時間段內(nèi)的預測結果(如股票或漲或跌，專利申請量漲幅，等等)。在實現(xiàn)本申請過程中，專利技術人發(fā)現(xiàn)現(xiàn)有技術中至少存在如下問題：預測結果容易受主觀因素的影響，導致預測結果的準確性偏低的技術問題。
技術實現(xiàn)思路
本申請實施例提供一種數(shù)據(jù)趨勢預測模型的訓練方法、數(shù)據(jù)趨勢的預測方法、裝置、電子設備以及存儲介質(zhì)，用以解決預測結果的準確性偏低的問題。第一方面，本申請實施例提供一種數(shù)據(jù)趨勢預測模型的訓練方法，所述方法包括：采集多個樣本圖像，其中，每一樣本圖像表征，待分析對象在預設時間段內(nèi)的數(shù)據(jù)趨勢；以預設時間間隔對所述每一樣本圖像進行切割，并對切割后的每一樣本圖像進行特征提取，得到切割后的每一樣本圖像的圖像特征；根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型確定切割后的每一樣本圖像特征對應的權重，并基于各權重對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，得到數(shù)據(jù)趨勢預測模型；其中，切割后的每一樣本圖像特征對應的權重，表征與切割后的每一樣本圖像特征對應的樣本圖像的趨勢類型，所述數(shù)據(jù)趨勢預測模型用于，對所述待分析對象的趨勢類型進行預測。在本實施例中，通過對每一樣本圖像進行切割，并對切割后的每一樣本圖像的特征進行提取，且基于切割后的每一樣本圖像的圖像特征，對卷積神經(jīng)網(wǎng)絡模型進行訓練，生成用于對待分析對象的趨勢類型進行預測的技術方案，避免了相關技術中由人工基于統(tǒng)計學的方式進行預測，造成的準確性偏低的問題，提高了對待分析對象的趨勢類型的預測的準確性和可靠性的技術效果，且提高了預測的效率，節(jié)約了人工成本的技術效果。在一些實施例中，以預設時間間隔對所述每一樣本圖像進行切割，包括：基于預設的所述待分析對象的類別屬性，對所述多個樣本圖像進行分類，得到歸屬于各類別的樣本圖像，并以所述時間間隔對每一類別下的樣本圖像進行切割。在本實施例中，在對每一樣本圖像進行切割時，以類別屬性為基礎執(zhí)行，從而實現(xiàn)提高后續(xù)訓練過程的效率，節(jié)約訓練資源的技術效果，且可以提高后續(xù)基于數(shù)據(jù)趨勢預測模型進行預測的準確性和可靠性的技術效果。在一些實施例中，若所述待分析對象為數(shù)據(jù)交易對象，則所述待分析對象的類別屬性，表征所述數(shù)據(jù)交易對象的體量區(qū)間；基于預設的所述待分析對象的類別屬性，對所述多個樣本圖像進行分類，包括：確定每一樣本圖像的體量信息，并確定每一樣本圖像的體量信息所屬的體量區(qū)間；基于每一樣本圖像的體量信息所屬的體量區(qū)間，確定每一樣本圖像的類別。在一些實施例中，若所述待分析對象為數(shù)據(jù)交易對象，則所述樣本圖像為，所述數(shù)據(jù)交易對象在所述時間段內(nèi)的K線圖，且切割后的每一樣本圖像均包括所述時間段內(nèi)的成交量信息、日均線、平滑異同移動平均線、以及KDJ指標信息。在一些實施例中，若所述待分析對象為數(shù)據(jù)交易對象，則切割后的每一樣本圖像均具有趨勢類型標簽，切割后的每一樣本圖像的趨勢類型標簽表征，切割后的每一樣本圖像的漲幅信息或者跌幅信息；根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型確定每一圖像特征對應的權重，包括：基于所述卷積神經(jīng)網(wǎng)絡模型確定切割后的每一樣本圖像的趨勢類型標簽；根據(jù)切割后的每一樣本圖像的趨勢類型標簽，為切割后的每一樣本圖像特征分配權重。在本實施例中，通過基于切割后的每一樣本圖像的趨勢類別標簽進行權重的分配，可以使得分配的每一權重與切割后的每一樣本圖像趨勢類別高度貼合，從而實現(xiàn)數(shù)據(jù)趨勢預測模型的準確性和可靠性的技術效果。在一些實施例中，基于各權重對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，得到數(shù)據(jù)趨勢預測模型，包括：基于所述各權重、以及所述卷積神經(jīng)網(wǎng)絡模型的卷積層的卷積核參數(shù)，得到所述多個樣本圖像各自對應的趨勢類型結果；基于所述每一樣本圖像的趨勢類型結果和趨勢類型標簽，對所述卷積核參數(shù)進行調(diào)整。在一些實施例中，基于所述每一樣本圖像的趨勢類型結果和趨勢類型標簽，對所述卷積核參數(shù)進行調(diào)整包括：確定所述每一樣本圖像的趨勢類型結果和趨勢類型標簽之間的差異信息；基于所述差異信息確定，用于調(diào)整所述卷積核參數(shù)的調(diào)整幅度；基于所述調(diào)整幅度對所述卷積核參數(shù)進行調(diào)整。第二方面，本申請實施例提供了一種數(shù)據(jù)趨勢的預測方法，所述方法包括：獲取待預測圖像，其中，所述待預測圖像表征，待分析對象在待預測時間段內(nèi)的數(shù)據(jù)趨勢；基于預先訓練的數(shù)據(jù)趨勢預測模型對所述待預測圖像進行預測，生成所述待預測圖像的趨勢類型；其中，所述數(shù)據(jù)趨勢預測模型是基于切割后的每一樣本圖像的圖像特征，并基于所述每一樣本圖像的圖像特征對卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整得到的。在本實施例中，通過數(shù)據(jù)趨勢預測模型對待預測圖像的趨勢類型進行預測，可以實現(xiàn)對趨勢類型的預測的智能化，提高了預測效率，節(jié)約了人工成本，且提高了預測的準確性和可靠性的技術效果。在一些實施例中，在獲取待預測圖像之后，所述方法還包括：確定所述待預測圖像的像素信息；基于所述待預測圖像的像素信息，確定所述待預測圖像的圖像特征。在一些實施例中，若所述待預測圖像為數(shù)據(jù)交易對應的圖像，則確定所述待預測圖像的像素信息，包括：提取所述待預測圖像中的K線圖；提取所述待預測圖像中的K線圖的像素信息，并將所述K線圖的像素信息確定為所述待預測圖像的像素信息。在一些實施例中，基于預先訓練的數(shù)據(jù)趨勢預測模型對所述待預測圖像進行預測，生成所述待預測圖像的趨勢類型，包括：提取所述待預測圖像的圖像特征；根據(jù)所述待預測圖像的圖像特征、數(shù)據(jù)趨勢預測模型的卷積層的卷積核參數(shù)，預測得到所述待預測圖像的趨勢類型。第三方面，本申請實施例提供了一種數(shù)據(jù)趨勢預測模型的訓練裝置，所述裝置包括：采集模塊，用于采集多個樣本圖像，其中，每一樣本圖像表征，待分析對象在預設時間段內(nèi)的數(shù)據(jù)趨勢；切割模塊，用于以預設時間間隔對所述每一樣本圖像進行切割；特征提取模塊，用于對切割后的每一樣本圖像進行特征提取，得到切割后的每一樣本圖像的圖像特征；訓練模塊，用于根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型確定切割后的每一樣本圖像特征對應的權重，并基于各權重對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，得到數(shù)據(jù)趨勢預測模型；其中，切割后的每一樣本圖像特征對應的權重，表征與切割后的每一樣本圖像特征對應的樣本圖像的趨勢類型，所述數(shù)據(jù)趨勢預測模型用于，對所述待分析對象的趨勢類型進行預測。在一些實施例中，所述切割模塊用于，基于預設的所述待分析對象的類別屬性，對所述多個樣本圖像本文檔來自技高網(wǎng)...

【技術保護點】
1.一種數(shù)據(jù)趨勢預測模型的訓練方法，所述方法包括：/n采集多個樣本圖像，其中，每一樣本圖像表征，待分析對象在預設時間段內(nèi)的數(shù)據(jù)趨勢；/n以預設時間間隔對所述每一樣本圖像進行切割，并對切割后的每一樣本圖像進行特征提取，得到切割后的每一樣本圖像的圖像特征；/n根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型確定切割后的每一樣本圖像特征對應的權重，并基于各權重對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，得到數(shù)據(jù)趨勢預測模型；其中，切割后的每一樣本圖像特征對應的權重，表征與切割后的每一樣本圖像特征對應的樣本圖像的趨勢類型，所述數(shù)據(jù)趨勢預測模型用于，對所述待分析對象的趨勢類型進行預測。/n

【技術特征摘要】
1.一種數(shù)據(jù)趨勢預測模型的訓練方法，所述方法包括：
采集多個樣本圖像，其中，每一樣本圖像表征，待分析對象在預設時間段內(nèi)的數(shù)據(jù)趨勢；
以預設時間間隔對所述每一樣本圖像進行切割，并對切割后的每一樣本圖像進行特征提取，得到切割后的每一樣本圖像的圖像特征；
根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型確定切割后的每一樣本圖像特征對應的權重，并基于各權重對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，得到數(shù)據(jù)趨勢預測模型；其中，切割后的每一樣本圖像特征對應的權重，表征與切割后的每一樣本圖像特征對應的樣本圖像的趨勢類型，所述數(shù)據(jù)趨勢預測模型用于，對所述待分析對象的趨勢類型進行預測。


2.根據(jù)權利要求1所述的方法，其中，以預設時間間隔對所述每一樣本圖像進行切割，包括：
基于預設的所述待分析對象的類別屬性，對所述多個樣本圖像進行分類，得到歸屬于各類別的樣本圖像，并以所述時間間隔對每一類別下的樣本圖像進行切割。


3.根據(jù)權利要求2所述的方法，其中，若所述待分析對象為數(shù)據(jù)交易對象，則所述待分析對象的類別屬性，表征所述數(shù)據(jù)交易對象的體量區(qū)間；基于預設的所述待分析對象的類別屬性，對所述多個樣本圖像進行分類，包括：
確定每一樣本圖像的體量信息，并確定每一樣本圖像的體量信息所屬的體量區(qū)間；
基于每一樣本圖像的體量信息所屬的體量區(qū)間，確定每一樣本圖像的類別。


4.根據(jù)權利要求1所述的方法，其中，若所述待分析對象為數(shù)據(jù)交易對象，則所述樣本圖像為，所述數(shù)據(jù)交易對象在所述時間段內(nèi)的K線圖，且切割后的每一樣本圖像均包括所述時間段內(nèi)的成交量信息、日均線、平滑異同移動平均線、以及KDJ指標信息。


5.根據(jù)權利要求1至4中任一項所述的方法，其中，若所述待分析對象為數(shù)據(jù)交易對象，則切割后的每一樣本圖像均具有趨勢類型標簽，切割后的每一樣本圖像的趨勢類型標簽表征，切割后的每一樣本圖像的漲幅信息或者跌幅信息；根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型確定每一圖像特征對應的權重，包括：
基于所述卷積神經(jīng)網(wǎng)絡模型確定切割后的每一樣本圖像的趨勢類型標簽；
根據(jù)切割后的每一樣本圖像的趨勢類型標簽，為切割后的每一樣本圖像特征分配權重。


6.根據(jù)權利要求5所述的方法，其中，基于各權重對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，得到數(shù)據(jù)趨勢預測模型，包括：
基于所述各權重、以及所述卷積神經(jīng)網(wǎng)絡模型的卷積層的卷積核參數(shù)，得到所述多個樣本圖像各自對應的趨勢類型結果；
基于所述每一樣本圖像的趨勢類型結果和趨勢類型標簽，對所述卷積核參數(shù)進行調(diào)整。


7.根據(jù)權利要求6所述的方法，其中，基于所述每一樣本圖像的趨勢類型結果和趨勢類型標簽，對所述卷積核參數(shù)進行調(diào)整包括：
確定所述每一樣本圖像的趨勢類型結果和趨勢類型標簽之間的差異信息；
基于所述差異信息確定，用于調(diào)整所述卷積核參數(shù)的調(diào)整幅度；
基于所述調(diào)整幅度對所述卷積核參數(shù)進行調(diào)整。


8.一種數(shù)據(jù)趨勢的預測方法，所述方法包括：
獲取待預測圖像，其中，所述待預測圖像表征，待分析對象在待預測時間段內(nèi)...

【專利技術屬性】
技術研發(fā)人員：周余錢，
申請(專利權)人：京東數(shù)字科技控股股份有限公司，
類型：發(fā)明
國別省市：北京;11