[发明专利]基于神经网络的预测方法及装置

权利要求书

1.一种基于神经网络的预测方法，其特征在于，包括：

获取在预定时刻的M个目标对象的目标数据，以及在所述预定时刻选取的S个第一对象的数据，其中，S大于或等于M，S和M均为大于或等于1的整数；

对所述M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵，其中，所述第一特征矩阵包括：所述M个目标对象分别在每种第一影响因子中的排列顺序，其中，N大于或等于1；

在所述S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵，其中，D大于或等于1；

将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，其中，所述目标网络模型是使用多组训练数据通过神经网络训练得到的。

2.根据权利要求1所述的方法，其特征在于，在将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型之前，所述方法还包括：

获取在历史时间段内的T个训练对象的训练数据，以及在所述历史时间选取的F个第二对象的数据，其中，F大于或等于T，F和T均为大于或等于1的整数；

对所述T个训练对象的训练数据按照所述N种第一影响因子进行排序，得到第三特征矩阵，其中，所述第三特征矩阵包括：所述T个训练对象分别在每种第一影响因子中的排列顺序；

在所述F个第二对象的数据中提取出分别与所述D种第二影响因子相对应的影响因子值，得到第四特征矩阵；

使用所述第三特征矩阵、所述第四特征矩阵，以及所述T个训练对象在历史时间段内的真实排名顺序对初始模型进行训练，得到所述目标网络模型。

3.根据权利要求1所述的方法，其特征在于，将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，包括：

将所述第一特征矩阵和所述第二特征矩阵输入至所述目标网络模型，得到所述目标网络模型输出的所述M个目标对象的预测排名顺序。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述目标网络模型输出的所述预测结果与预定的已知结果之间的损失函数满足目标收敛条件，所述目标收敛条件用于表示所述损失函数的输出值在预定范围之内。

5.一种基于神经网络的预测装置，其特征在于，包括：

第一获取模块，用于获取在预定时刻的M个目标对象的目标数据，以及在所述预定时刻选取的S个第一对象的数据，其中，S大于或等于M，S和M均为大于或等于1的整数；

第一排序模块，用于对所述M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵，其中，所述第一特征矩阵包括：所述M个目标对象分别在每种第一影响因子中的排列顺序，其中，N大于或等于1；

第一提取模块，用于在所述S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵，其中，D大于或等于1；

输入模块，用于将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，其中，所述目标网络模型是使用多组训练数据通过神经网络训练得到的。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

第二获取模块，用于在将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型之前，获取在历史时间段内的T个训练对象的训练数据，以及在所述历史时间选取的F个第二对象的数据，其中，F大于或等于T，F和T均为大于或等于1的整数；

第二排序模块，用于对所述T个训练对象的训练数据按照所述N种第一影响因子进行排序，得到第三特征矩阵，其中，所述第三特征矩阵包括：所述T个训练对象分别在每种第一影响因子中的排列顺序；

第二提取模块，用于在所述F个第二对象的数据中提取出分别与所述D种第二影响因子相对应的影响因子值，得到第四特征矩阵；

训练模块，用于使用所述第三特征矩阵、所述第四特征矩阵，以及所述T个训练对象在历史时间段内的真实排名顺序对初始模型进行训练，得到所述目标网络模型。