[发明专利]数据趋势预测模型的训练方法、数据趋势的预测方法

权利要求书

1.一种数据趋势预测模型的训练方法，所述方法包括：

采集多个样本图像，其中，每一样本图像表征，待分析对象在预设时间段内的数据趋势；

以预设时间间隔对所述每一样本图像进行切割，并对切割后的每一样本图像进行特征提取，得到切割后的每一样本图像的图像特征；

根据预设的卷积神经网络模型确定切割后的每一样本图像特征对应的权重，并基于各权重对所述卷积神经网络模型的参数进行调整，得到数据趋势预测模型；其中，切割后的每一样本图像特征对应的权重，表征与切割后的每一样本图像特征对应的样本图像的趋势类型，所述数据趋势预测模型用于，对所述待分析对象的趋势类型进行预测。

2.根据权利要求1所述的方法，其中，以预设时间间隔对所述每一样本图像进行切割，包括：

基于预设的所述待分析对象的类别属性，对所述多个样本图像进行分类，得到归属于各类别的样本图像，并以所述时间间隔对每一类别下的样本图像进行切割。

3.根据权利要求2所述的方法，其中，若所述待分析对象为数据交易对象，则所述待分析对象的类别属性，表征所述数据交易对象的体量区间；基于预设的所述待分析对象的类别属性，对所述多个样本图像进行分类，包括：

确定每一样本图像的体量信息，并确定每一样本图像的体量信息所属的体量区间；

基于每一样本图像的体量信息所属的体量区间，确定每一样本图像的类别。

4.根据权利要求1所述的方法，其中，若所述待分析对象为数据交易对象，则所述样本图像为，所述数据交易对象在所述时间段内的K线图，且切割后的每一样本图像均包括所述时间段内的成交量信息、日均线、平滑异同移动平均线、以及KDJ指标信息。

5.根据权利要求1至4中任一项所述的方法，其中，若所述待分析对象为数据交易对象，则切割后的每一样本图像均具有趋势类型标签，切割后的每一样本图像的趋势类型标签表征，切割后的每一样本图像的涨幅信息或者跌幅信息；根据预设的卷积神经网络模型确定每一图像特征对应的权重，包括：

基于所述卷积神经网络模型确定切割后的每一样本图像的趋势类型标签；

根据切割后的每一样本图像的趋势类型标签，为切割后的每一样本图像特征分配权重。

6.根据权利要求5所述的方法，其中，基于各权重对所述卷积神经网络模型的参数进行调整，得到数据趋势预测模型，包括：

基于所述各权重、以及所述卷积神经网络模型的卷积层的卷积核参数，得到所述多个样本图像各自对应的趋势类型结果；

基于所述每一样本图像的趋势类型结果和趋势类型标签，对所述卷积核参数进行调整。

7.根据权利要求6所述的方法，其中，基于所述每一样本图像的趋势类型结果和趋势类型标签，对所述卷积核参数进行调整包括：

确定所述每一样本图像的趋势类型结果和趋势类型标签之间的差异信息；

基于所述差异信息确定，用于调整所述卷积核参数的调整幅度；

基于所述调整幅度对所述卷积核参数进行调整。

8.一种数据趋势的预测方法，所述方法包括：

获取待预测图像，其中，所述待预测图像表征，待分析对象在待预测时间段内的数据趋势；

基于预先训练的数据趋势预测模型对所述待预测图像进行预测，生成所述待预测图像的趋势类型；其中，所述数据趋势预测模型是基于切割后的每一样本图像的图像特征，并基于所述每一样本图像的图像特征对卷积神经网络模型的参数进行调整得到的。

9.根据权利要求8所述的方法，在获取待预测图像之后，所述方法还包括：

确定所述待预测图像的像素信息；

基于所述待预测图像的像素信息，确定所述待预测图像的图像特征。