[发明专利]产量确定方法、确定装置、计算机可读存储介质和处理器

权利要求书

1.一种产量确定方法，其特征在于，包括：

采用训练数据对全连接神经网络进行训练，得到多个第一权重矩阵，所述第一权重矩阵为连接任意两个相邻网络层的权重矩阵，所述训练数据包括历史天然气产量和对应的历史变量数据，所述历史变量数据为天然气产量对应的变量的历史数据；

根据所述权重矩阵计算得到所述变量的敏感性；

根据所述敏感性确定敏感变量，所述敏感变量为所述敏感性大于或者等于预定值的所述变量；

将所述敏感变量输入WideDeep模型的Deep端，将所述变量输入所述WideDeep模型的Wide端，得到天然气产量，所述Wide端为线性模型，所述Deep端为DNN神经网络。

2.根据权利要求1所述的方法，其特征在于，根据所述权重矩阵计算得到所述变量的敏感性，包括：

利用所述权重矩阵和Garson算法，计算得到所述敏感性。

3.根据权利要求1所述的方法，其特征在于，在根据所述敏感性确定敏感变量之后，在将所述敏感变量输入WideDeep模型的Deep端，将所述变量输入所述WideDeep模型的Wide端，得到天然气产量之前，所述方法还包括：

采用所述训练数据对预备WideDeep模型进行训练，得到所述WideDeep模型。

4.根据权利要求3所述的方法，其特征在于，采用所述训练数据对预备WideDeep模型进行训练，得到所述WideDeep模型，包括：

步骤S1，将所述敏感变量对应的所述历史变量数据输入所述Deep端，将所述历史变量数据输入所述Wide端，得到训练结果，所述训练结果为所述WideDeep模型输出的天然气产量；

步骤S2，根据所述训练结果和对应的所述历史天然气产量计算得到误差；

步骤S3，根据所述误差更新所述预备WideDeep模型的参数；

步骤S4，重复所述步骤S1至所述步骤S3，直至所述误差与上一个所述误差的差值小于预定值或者重复次数等于预定次数，得到所述WideDeep模型。

5.根据权利要求4所述的方法，其特征在于，在采用所述训练数据对预备WideDeep模型进行训练，得到所述WideDeep模型之后，所述方法还包括：

根据所述误差计算均方根百分比误差；

根据所述均方根百分比误差对所述WideDeep模型进行评价。

6.根据权利要求4所述的方法，其特征在于，在采用所述训练数据对预备WideDeep模型进行训练，得到所述WideDeep模型之后，所述方法还包括：

根据所述误差计算决定系数；

根据所述决定系数对所述WideDeep模型进行评价。

7.根据权利要求1所述的方法，其特征在于，在将所述敏感变量输入WideDeep模型的Deep端，将所述变量输入所述WideDeep模型的Wide端，得到天然气产量之前，所述方法还包括：

对所述变量的数据进行预处理。

8.一种产量确定装置，其特征在于，包括：

训练单元，用于采用训练数据对全连接神经网络进行训练，得到多个第一权重矩阵，所述第一权重矩阵为连接任意两个相邻网络层的权重矩阵，所述训练数据包括历史天然气产量和对应的历史变量数据，所述历史变量数据为天然气产量对应的变量的历史数据；

计算单元，用于根据所述权重矩阵计算得到所述变量的敏感性；

第一确定单元，用于根据所述敏感性确定敏感变量，所述敏感变量为所述敏感性大于或者等于预定值的所述变量；

第二确定单元，用于将所述敏感变量输入WideDeep模型的Deep端，将所述变量输入所述WideDeep模型的Wide端，得到天然气产量，所述Wide端为线性模型，所述Deep端为DNN神经网络。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，所述程序执行权利要求1至7中任意一项所述的方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的方法。