[发明专利]基于联邦学习的钢材价格预测方法、装置、设备及介质

说明书

本发明涉及一种基于联邦学习的钢材价格预测方法、装置、设备及介质，所述方法具体为：利用一基于联邦学习构建的价格仿真预测模型预测获得待估钢材的价格，所述价格仿真预测模型的输入为待估钢材的特征向量，其特征在于，所述价格仿真预测模型基于多层联邦学习网络构建获得。与现有技术相比，本发明具有效率高、可获得更精准预测结果等优点，解决现有技术中数据获取困难的问题。

技术领域

本发明涉及钢铁工业领域和人工智能技术领域，特别是涉及一种基于联邦学习的钢材价格预测方法、装置、设备及介质。

背景技术

近年来，随着计算机技术的发展，越来越多的技术应用在钢材行业，传统钢材行业正在向信息化的方向转变。在钢厂的大规模工业生产中，会根据客户需求的品类规格生产以外，还会额外生产出大量的同类产品。对于钢材产品定价的问题，现阶段以人工经验为主。

基于人工的钢材产品定价，取决于定价者的主观经验和价值判断，人工判断往往标准过于模糊，容易受个人的情绪波动和当前状态的影响。一方面，对于同一品类钢材产品，钢材市场的实时价格波动会影响到钢材价格制定；另一方面，不同的定价者也会在同一时间对同一品类的钢材产品标定的不同的价格，基于人工的钢材产品定价是非标准的流程。因此，基于机器学习的钢材产品价格确定算法的提出是迫在眉睫的。基于机器学习的钢材产品价格确定方法具有标准明确，定价稳定一致，效率高，准确率高的特点，近年来，本领域技术人员对此进行了相关研究。

与其他行业相比，钢铁行业主要资源及价格由大型钢厂和贸易商掌控，库存、资金状况、供需、交易特性等完整信息获取难度较大，存在一定竞争壁垒和区域性壁垒，且其不同区域内的竞争格局也各不相同，市场结构对于钢铁产品的价格具有一定的影响。单一钢厂或者贸易商所产生的数据限制了机器学习模型训练的效率和产出的结果。将钢材供应链的数据整合到一起有利于更好的训练模型。但是因为数据安全问题，供应链相关的数据都是核心机密数据，各方都不愿意共享核心数据，数据获取难度大，这就给最终钢铁产品的定价准确性产生影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种效率高、可获得更精准预测结果的基于联邦学习的钢材价格预测方法、装置、设备及介质，解决现有技术中数据收集困难、计算效率低等技术问题。

本发明的目的可以通过以下技术方案来实现：

一种基于联邦学习的钢材价格预测方法，该方法具体为：利用一基于联邦学习构建的价格仿真预测模型预测获得待估钢材的价格，所述价格仿真预测模型的输入为待估钢材的特征向量，其特征在于，所述价格仿真预测模型基于多层联邦学习网络构建获得。

进一步地，根据地理位置将待预测区域划分为多个子区域，所述多层联邦学习网络为两层联邦学习网络，其中，底层联邦学习网络为多个区域联邦学习网络，各所述区域联邦学习网络对应于一个所述子区域，所述顶层联邦学习网络为整体联邦学习网络，所述区域联邦学习网络和整体联邦学习网络间存在重叠。

进一步地，基于多层联邦学习网络构建所述价格仿真预测模型的步骤具体包括：

利用各所述区域联邦学习网络分别训练构建一区域价格预测模型，所述整体联邦学习网络基于各所述区域价格预测模型的预测输出数据，训练获得一整体价格预测模型，作为所述价格仿真预测模型。

进一步地，所述区域联邦学习网络训练构建区域价格预测模型的过程包括：

101)获得区域价格预测模型的初始模型参数；

102)利用至少两个一层终端对初始模型参数下的区域价格预测模型进行训练，输出损失函数的值，各所述一层终端的训练数据不同；

103)二层终端接收各所述一层终端输出的损失函数的值，根据损失函数的值对区域价格预测模型进行反向传播，计算梯度信息反馈至各一层终端，一层终端和二层终端根据所述梯度信息更新模型参数；