[发明专利]基于神经网络的预测方法及装置

说明书

本发明提供了一种基于神经网络的预测方法及装置，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；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；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第二影响因子值，得到第二特征矩阵；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。通过本发明，解决了现有技术中由于不同环境条件下影响因子的有效性不同，人工经验方式常常忽略其他影响因素的影响，导致预测结果准确率较低的技术问题。

技术领域

本发明涉及通信领域，具体而言，涉及一种基于神经网络的预测方法及装置。

背景技术

量化领域认为不同环境条件下，影响因子的有效性不同。例如，同一对象在不同的时间段的受欢迎程度不同，或者同一对象在不同的人群受欢迎程度不同。外界环境因素会导致影响因子的有效性发生变化。

目前，大部分依靠人工经验来确定不同环境条件下的影响因子，但是人工经验的方式通常情况下仅以主要的影响因子作为评判对象的因素，忽略了其他影响因子的影响。而且在多个影响因子的影响程度相差较小的情况下，会出现难以选择，也就是日常场景中出现的“选择恐惧”的情况。

例如，股票的牛市与熊市下发挥作用的因子不同，而市场的状态无法准确定义，大部分依靠人工经验仅从股票价格考虑，未考虑市场的影响，导致选择的股票并不是最适合当前市场的。又例如，对于多个同类物品(例如，多件风格不同的服装或多个口味不同的食物)在不同的环境下影响因子是不同的。而通过人工经验的方式在多种物品中选择时，仅考虑了主要的影响因素，而忽略了其他影响因素，导致所选择的物品并不是真正需要的。

针对相关技术中，由于不同环境条件下影响因子的有效性不同，人工经验方式常常忽略其他影响因素的影响，导致预测结果准确率较低的技术问题，目前尚未存在有效的解决方案。

发明内容

本发明实施例提供了一种基于神经网络的预测方法及装置，以至少解决相关技术中由于不同环境条件下影响因子的有效性不同，人工经验方式常常忽略其他影响因素的影响，导致预测结果准确率较低的技术问题。

根据本发明的一个实施例，提供了一种基于神经网络的预测方法，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。

可选地，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。

可选地，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，所述方法包括：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。