[发明专利]深度学习模型及其预测流量数据的方法

说明书

本说明书实施例中提供了一种深度学习模型及其预测流量数据的方法。该深度学习模型可以包括输入层、编码器、解码器和预测层。可通过输入层获取按照时间顺序排列的N个时间段对应的N个原始特征集，前N‑1个时间段对应的N‑1个流量数据；单个原始特征集中包括影响流量数据的M项属性特征。接着通过包含编码注意力层和递归编码层的编码器，在编码器的输入阶段增加注意力机制，自适应的修正N个原始特征集以得到N个修正特征集，并对N个修正特征集进行递归处理以得到N个状态向量。接着由解码器对前N‑1个状态向量以及N‑1个流量数据进行递归处理，得到目标解码向量。最后通过预测层处理目标解码向量以及第N个状态向量，获得第N个时间段对应的流量数据。

技术领域

本说明书一个或多个实施例涉及人工智能领域，尤其涉及深度学习模型及其预测流量数据的方法。

背景技术

随着深度学习技术的日渐成熟及其在各个领域的强大表现，部分业务场景中采用经训练得到的深度学习模型，实现对流量数据的预测。例如，为了实现向用户提供高质量的服务，可能需要预测未来的某个时间段内，用户通过客户端程序访问目标服务器的频次，以便提供该服务的运营商及时采取相应的应对措施，客户端程序访问目标服务器的频次即为流量数据。

通过深度学习模型预测流量数据的核心思想是，使用具有长期记忆性的神经网络，对影响流量数据的若干属性特征进行特征提取，然后利用提取的属性特征预测流量数据。其中，深度学习模型能否较好的捕捉到较长时间内的多个属性数据间的时间相关性，对于流量预测的精度有着重要的影响。

希望有一种新的技术方案，以期能够更为准确的预测流量数据。

发明内容

本说明书一个或多个实施例中提供了一种利用深度学习模型预测流量数据的方法及，可以更为准确的预测流量数据。

第一方面，提供了利用深度学习模型预测流量数据的方法，所述深度学习模型包括输入层、编码器、解码器以及预测层，所述方法包括：通过所述输入层，获取按照时间顺序排列的N个时间段所对应的N个原始特征集，以及所述N个时间段中前N-1个时间段所对应的N-1个流量数据；其中，单个原始特征集中包括影响流量数据的M项属性特征，N为大于2的整数，M为大于1的整数。接着将所述N个原始特征集依次输入所述编码器，所述编码器包括编码注意力层和递归编码层；其中，对于所述N个原始特征集中任意的第i个原始特征集，所述编码注意力层根据所述递归编码层针对第i-1个输入得到的第i-1个状态向量，以及第i个原始特征集中的M项属性特征，确定该M项属性特征各自对应的编码注意力权重；基于该M项属性特征各自对应的编码注意力权重，将第i个原始特征集处理为第i个修正特征集；其中i为大于0且不大于N的整数；所述递归编码层根据所述第i个修正特征集和所述第i-1个状态向量，递归得到针对第i个输入的第i个状态向量。接着将从第1到第N-1的N-1个状态向量以及所述N-1个流量数据输入所述解码器，处理得到目标解码向量。之后通过所述预测层处理所述目标解码向量以及第N个状态向量，获得第N个时间段对应的流量数据。

在一种可能的实施方式中，流量数据用于指示以下各项信息中的任意一项：访问智能客服机器人的客户端程序的数量、智能客服机器人接受客户端程序访问的频次、通过人工客服协助解决客户端程序向智能客服机器人提供的问题的频次。

在一种可能的实施方式中，影响流量数据的M项属性特征包括以下各项属性特征中的多项：用于指示一年中的第几个月的属性特征、用于指示一个月中的第几天的属性特征、用于指示一星期中的第几天的属性特征、用于指示是否为工作日的属性特征、用于指示是否为账单日的属性特征，以及用于指示是否为还款日的属性特征。

在一种可能的实施方式中，当i等于1时，第i-1个状态向量为预设的初始化向量。