[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

说明书

本申请提供了一种产量确定方法、确定装置、计算机可读存储介质和处理器，该确定方法包括：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，第一权重矩阵为连接任意两个相邻网络层的权重矩阵；根据权重矩阵计算得到变量的敏感性；根据敏感性确定敏感变量，敏感变量为敏感性大于或者等于预定值的变量；将敏感变量输入WideDeep模型的Deep端，将变量输入WideDeep模型的Wide端，得到天然气产量，Wide端为线性模型，Deep端为DNN神经网络。该确定方法提升了WideDeep模型的性能，提高了确定方法的精度。

技术领域

本申请涉及天然气产量预测技术领域，具体而言，涉及一种产量确定方法、确定装置、计算机可读存储介质和处理器。

背景技术

伴随着大数据、机器学习、人工智能等技术的发展，利用机器学习或深度学习的相关算法去分析油气数据已成为研究热点。产量预测是油气数据分析的重要内容，已经有许多学者在该方面进行了研究。油气田数据有来源各异、数据量大且类型多、冗余和缺失数据多等特点，传统机器学习算法如线性回归、支持向量机、随机森林等由于模型复杂度较低，对于此类数据的信息表达有所欠缺。

近年来，深度学习方法在该问题上获得了广泛应用。全连接神经网络FCNN及其改进方法已广泛应用于油气产量的预测。该类方法使用全连接神经网络FCNN去挖掘数据之间的关系，又在训练网络的各个阶段引入其它算法进一步优化模型。其中引入的算法主要有遗传算法、蚁群优化算法、自适应阈值去噪算法、贝叶斯优化算法等。与基于统计的传统油藏工程和机器学习方法相比，该类方法应用范围更广且预测效果更好。使用长短时记忆神经网络(LSTM)进行油气产量预测也是研究热点，该类方法弥补了全连接神经网络FCNN无法描述时间序列数据的缺点。但由于引入了大量参数，使得计算成本大大增加。对于非时间序列的数据全连接神经网络FCNN更具优势，但处理长尾数据的能力较弱，容易造成过度泛化，并且记忆能力较弱。

WideDeep模型以对线性模型（Wide端）和DNN模型（Deep端，也是一个全连接神经网络）进行联合训练的方式来平衡模型的记忆能力和泛化能力，弥补了全连接神经网络FCNN的不足，但该模型在并行连接Wide端和Deep端时，既增加了模型参数，也带来了两个部分的输入变量该如何确定的问题。

在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。

发明内容

本申请的主要目的在于提供一种产量确定方法、确定装置、计算机可读存储介质和处理器，以解决现有技术中天然气产量确定方法的精度低的问题。

根据本发明实施例的一个方面，提供了一种天然气产量确定方法，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。

可选地，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。

可选地，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。