CN115860802A - 产品价值预测方法、装置、计算机设备和存储介质 - Google Patents
产品价值预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115860802A CN115860802A CN202211701339.5A CN202211701339A CN115860802A CN 115860802 A CN115860802 A CN 115860802A CN 202211701339 A CN202211701339 A CN 202211701339A CN 115860802 A CN115860802 A CN 115860802A
- Authority
- CN
- China
- Prior art keywords
- product value
- value time
- product
- subsequence
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种产品价值预测方法、装置、计算机设备、存储介质和计算机程序产品，涉及大数据技术领域。所述方法包括：对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；通过循环神经网络，获取各个产品价值时间子序列在多个预设特征指标下的目标特征信息；通过第一层注意力机制网络，对各个产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个产品价值时间子序列的子序列特征信息；通过第二层注意力机制网络，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值。采用本方法，能够提高价值预测的准确度。
Description
技术领域
本申请涉及大数据技术领域，特别是涉及一种产品价值预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着大数据技术的发展，大数据分析被广泛应用于产品价值的预测中。
目前，通常是通过循环神经网络对产品价值进行预测；但由于传统的循环神经网络难以捕获输入数据之间中的时间关系，且无法识别出伴随着输入数据的噪声信息。然而在产品价值数据中，前后价值数据之间往往具有很强的依赖性，同时产品价值本身具有波动性，会携带较大的噪声信息。因此，基于传统技术的产品价值预测方法的预测准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高预测准确度的产品价值预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种产品价值预测方法。所述方法包括：
对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；
通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；
通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；
通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
在其中一个实施例中，所述通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息，包括：
通过所述预先训练的价值预测模型中的第一层注意力机制网络，确认各个所述预设特征指标的权重；
针对各个所述产品价值时间子序列，通过各个所述预设特征指标的权重，对所述产品价值时间子序列在多个预设特征下的目标特征信息进行融合处理，得到所述产品价值时间子序列的子序列特征信息。
在其中一个实施例中，所述通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值，包括：
通过所述预先训练的价值预测模型中的第二层注意力机制网络，确认各个所述产品价值时间子序列的权重；
通过各个所述产品价值时间子序列的权重，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
在其中一个实施例中，所述预先训练的价值预测模型通过下述方式训练得到：
获取样本产品的样本产品价值时间序列和所述样本产品在所述样本产品价值时间序列之后的实际价值；
对所述样本产品价值时间序列进行滑窗处理，得到多个样本产品价值时间子序列；
通过待训练的价值预测模型中的循环神经网络，获取各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息；
通过所述待训练的价值预测模型中的第一层注意力机制网络，对各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述样本产品价值时间子序列的子序列特征信息；
通过所述待训练的价值预测模型中的第二层注意力机制网络，对各个所述样本产品价值时间子序列的子序列特征信息进行融合处理，得到所述样本产品在所述样本产品价值时间序列之后的预测价值；
根据所述样本产品在所述样本产品价值时间序列之后的预测价值，和所述样本产品在所述样本产品价值时间序列之后的实际价值之间的差异，对所述待训练的价值预测模型进行训练，得到训练完成的价值预测模型，作为所述预先训练的价值预测模型。
在其中一个实施例中，所述通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息，包括：
获取各个所述产品价值时间子序列在多个预设特征指标下的映射后特征信息；
针对各个所述产品价值时间子序列，将所述产品价值时间子序列在多个预设特征指标下的映射后特征信息，输入至所述预先训练的价值预测模型中的循环神经网络中，得到与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息；
将与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息，确认为所述产品价值时间子序列在多个预设特征指标下的目标特征信息。
在其中一个实施例中，所述获取各个所述产品价值时间子序列在多个预设特征指标下的映射后特征信息，包括：
获取各个所述产品价值时间子序列在多个预设特征指标下的初始特征信息，以及确认各个所述预设特征指标的映射关系；
针对各个所述产品价值时间子序列，根据各个所述预设特征指标的映射关系，对所述产品价值时间子序列在多个预设特征指标下的初始特征信息进行映射处理，得到所述产品价值时间子序列在多个预设特征指标下的映射后特征信息。
在其中一个实施例中，所述多个预设特征指标至少包括聚合近似指标、斜率拟合指标和梯度指标；
所述获取各个所述产品价值时间子序列在多个预设特征指标下的初始特征信息，包括：
针对各个所述产品价值时间子序列，对所述产品价值时间子序列进行划分，得到多个时间长度相等的产品价值时间二级子序列；
确认各个所述产品价值时间二级子序列的平均值；
对各个所述产品价值时间二级子序列的平均值进行融合处理，得到所述产品价值时间子序列在所述聚合近似指标下的聚合近似信息，作为所述产品价值时间子序列在所述聚合近似指标下的初始特征信息。
在其中一个实施例中，所述获取各个所述产品价值时间子序列在多个预设特征指标下的初始特征信息，还包括：
针对各个所述产品价值时间子序列，对所述产品价值时间子序列进行划分，得到多个产品价值时间三级子序列；
确认各个所述产品价值时间三级子序列的梯度信息；所述梯度信息包括在水平方向的水平梯度信息和在垂直方向的垂直梯度信息；
根据各个所述产品价值时间三级子序列的梯度信息，得到所述产品价值时间子序列在所述梯度指标下的梯度直方信息，作为所述产品价值时间子序列在所述梯度指标下的初始特征信息。
在其中一个实施例中，在通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值之后，还包括：
获取所述待预测产品在所述产品价值时间序列之后的实际价值；
根据所述待预测产品在所述产品价值时间序列之后的预测价值，和所述待预测产品在所述产品价值时间序列之后的实际价值，确认所述预先训练的价值预测模型的损失值；
在所述损失值大于预设阈值的情况下，根据所述损失值，修正所述预先训练的价值预测模型的参数。
第二方面，本申请还提供了一种产品价值预测装置。所述装置包括：
序列滑窗处理模块，用于对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；
指标信息确认模块，用于通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；
序列信息确认模块，用于通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；
产品价值预测模块，用于通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；
通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；
通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；
通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；
通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；
通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；
通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；
通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；
通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；
通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
上述产品价值预测方法、装置、计算机设备、存储介质和计算机程序产品，首先对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；然后通过预先训练的价值预测模型中的循环神经网络，获取各个产品价值时间子序列在多个预设特征指标下的目标特征信息；接着通过预先训练的价值预测模型中的第一层注意力机制网络，对各个产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个产品价值时间子序列的子序列特征信息；最后通过预先训练的价值预测模型中的第二层注意力机制网络，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值。这样，基于滑窗处理得到的多个产品价值时间子序列在不同预设特征指标下的目标特征信息，以及预先训练的价值预测模型中的第一层注意力机制网络，能够得到产品价值时间子序列的子序列特征信息；然后基于多个产品价值时间子序列的子序列特征信息，以及预先训练的价值预测模型中的第二层注意力机制网络，进一步得到待预测产品在产品价值时间序列之后的预测价值。基于以上过程的产品价值预测，一方面，基于产品价值时间序列进行预测，保留了前后价值数据之间的依赖性和相关性；另一方面，综合考虑产品价值时间序列在多预设特征指标尺度下的各个特征，消除产品价值数据中的波动性和噪声；从而提高了产品价值预测的准确度。
附图说明
图1为一个实施例中产品价值预测方法的流程示意图；
图2为一个实施例中预先训练的价值预测模型的训练步骤的流程示意图；
图3为另一个实施例中产品价值预测方法的流程示意图；
图4为一个实施例中一种基于多尺度融合的层级注意力产品价值预测方法的示意图；
图5为一个实施例中产品价值预测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一示例性实施例中，如图1所示，提供了一种产品价值预测方法，本实施例以该方法应用于服务器进行举例说明；可以理解的是，该方法也可以应用于终端，还可以应用于包括服务器和终端的***，并通过服务器和终端之间的交互实现；其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现；终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。本实施例中，该方法包括以下步骤：
步骤S102，对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列。
其中，待预测产品包括虚拟产品和实体产品中的至少一种；其中，虚拟产品可以包括但不限于是金融产品，如股票、基金等；实体产品可以是任意可被拥有的具有实际形态的产品，如邮票、纪念币等。产品价值是指待预测产品的价格，产品价值时间序列即为待预测产品在某一段时间内的价格数据，按照一定的时间先后顺序组成的序列。
具体地，服务器首先获取待预测产品在一段时间内的价值数据，然后按照时间顺序排列价值数据，得到待预测产品的产品价值时间序列；接着对产品价值时间序列进行滑窗处理，得到多个窗口下子序列，作为产品价值时间子序列。
举例说明，假设待预测产品的产品价值时间序列为X，服务器通过对产品价值时间序列进行滑窗处理，将产品价值时间序列X划分为多个产品价值时间子序列Xn，即X＝{X1，X2，X3，…Xn}。
步骤S104，通过预先训练的价值预测模型中的循环神经网络，获取各个产品价值时间子序列在多个预设特征指标下的目标特征信息。
其中，预先训练的价值预测模型是基于样本产品的产品价值时间序列训练得到的深度学习模型；预先训练的价值预测模型中的循环神经网络采用LSTM网络(long short-termmemory，长短期记忆网络)。预设特征指标是指用于分析、预测产品价值的特征指标。
具体地，服务器将各个产品价值时间子序列分别输入至预先训练的价值预测模型中，通过预先训练的价值预测模型中的循环神经网络，获取各个产品价值时间子序列关于不同维度的预设特征指标的隐藏状态信息，作为各个产品价值时间子序列在多个预设特征指标下的目标特征信息。
假设服务器为产品的价值预测选取了三个预设特征指标，以服务器获取第一产品价值时间子序列X1在三个预设特征指标下的目标特征信息的过程为例进行说明，服务器通过预先训练的价值预测模型中的LSTM网络，分别确认第一产品价值时间子序列X1对应于三个预设特征指标的三个隐藏状态信息
然后将三个隐藏状态信息作为第一产品价值时间子序列X1在多个预设特征指标下的目标特征信息。其余产品价值时间子序列的目标特征信息的获取过程同上。
步骤S106，通过预先训练的价值预测模型中的第一层注意力机制网络，对各个产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个产品价值时间子序列的子序列特征信息。
其中，第一层注意力机制网络，用于确认各个预设特征指标对应的注意力。子序列特征信息用于表征综合考虑了多个预设特征指标的产品价值时间子序列。
具体地，服务器将各个产品价值时间子序列在多个预设特征指标下的目标特征信息，分别输入至预先训练的价值预测模型中的第一层注意力机制网络中，通过第一层注意力机制网络，确认各个预设特征指标对应的注意力；然后针对各个产品价值时间子序列，根据各个预设特征指标对应的注意力，融合各个预设特征指标下的目标特征信息，得到产品价值时间子序列的子序列特征信息。
以第一产品价值时间子序列X1的子序列特征信息确认过程为例进行说明，服务器通过第一层注意力机制网络，分别确认三个预设特征指标对应的注意力{α1，α2，α3}，然后根据三个预设特征指标对应的注意力，融合处理第一产品价值时间子序列X1在三个预设特征指标下的三个目标特征信息
得到第一产品价值时间子序列X1的子序列特征信息S1。其余产品价值时间子序列的子序列特征信息的确认过程同上
步骤S108，通过预先训练的价值预测模型中的第二层注意力机制网络，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值。
其中，第二层注意力机制网络用于确认各个产品价值时间子序列对应的注意力。
具体地，服务器将各个产品时间价值子序列的子序列特征信息，分别输入至预先训练的价值预测模型中的第二层注意力机制网络中，通过第二层注意力机制网络，确认各个产品时间价值子序列对应的注意力；然后根据各个产品时间价值子序列对应的注意力，融合各个产品时间价值子序列的子序列特征信息，得到待预测产品在产品价值时间序列之后的预测价值。
举例说明，服务器通过步骤S106，获得多个产品价值时间子序列{X1，X2，X3，…Xn}对应的子序列特征信息{S1，S2，S3，…Sn}；然后在步骤S108中，根据第二层注意力机制网络，确认各个产品时间价值子序列对应的注意力{β1，β2，β3…βn}，然后根据各个产品时间价值子序列对应的注意力对各个子序列特征信息{S1，S2，S3，…Sn}进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值S。
上述产品价值预测方法中，服务器首先对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；然后服务器通过预先训练的价值预测模型中的循环神经网络，获取各个产品价值时间子序列在多个预设特征指标下的目标特征信息；接着服务器通过预先训练的价值预测模型中的第一层注意力机制网络，对各个产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个产品价值时间子序列的子序列特征信息；最后服务器通过预先训练的价值预测模型中的第二层注意力机制网络，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值。这样，服务器基于滑窗处理得到的多个产品价值时间子序列在不同预设特征指标下的目标特征信息，以及预先训练的价值预测模型中的第一层注意力机制网络，能够得到产品价值时间子序列的子序列特征信息；然后基于多个产品价值时间子序列的子序列特征信息，以及预先训练的价值预测模型中的第二层注意力机制网络，进一步得到待预测产品在产品价值时间序列之后的预测价值。基于以上过程的产品价值预测，一方面，基于产品价值时间序列进行预测，保留了前后价值数据之间的依赖性和相关性；另一方面，综合考虑产品价值时间序列在多预设特征指标尺度下的各个特征，消除产品价值数据中的波动性和噪声；从而提高了产品价值预测的准确度。
在一示例性实施例中，上述步骤S106，通过预先训练的价值预测模型中的第一层注意力机制网络，对各个产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个产品价值时间子序列的子序列特征信息，具体包括以下内容：通过预先训练的价值预测模型中的第一层注意力机制网络，确认各个预设特征指标的权重；针对各个产品价值时间子序列，通过各个预设特征指标的权重，对产品价值时间子序列在多个预设特征下的目标特征信息进行融合处理，得到产品价值时间子序列的子序列特征信息。
其中，各个预设特征指标的权重用于表征各个预设特征指标对于产品时间子序列的子序列特征信息的重要性程度。
具体地，服务器通过预先训练的价值预测模型中的第一层注意力机制网络，分别确认各个预设特征指标对应的注意力，即权重；然后针对各个产品价值时间子序列根据，根据各个预设特征指标对应的权重，加权求和产品价值时间子序列在各个预设特征指标下的目标特征信息，得到产品价值时间子序列的子序列特征信息。
举例说明，服务器通过第一层注意力机制网络，分别确认各个预设特征指标对应的权重αi，然后根据权重αi，加权求和产品价值时间子序列在各个预设特征指标下的目标特征信息hi j，得到第j个产品价值时间子序列的子序列特征信息Sj：
其中，i为预设特征指标的序号，m为预设特征指标的总个数，j为产品价值时间子序列的序号，αi为第i个预设特征指标对应的权重，hi j为第j个产品价值时间子序列在第i个预设特征指标下的目标特征信息。
本实施例中，服务器通过第一层注意力机制网络确认各个预设特征指标对应的权重，然后根据权重对各个预设特征指标下的目标特征信息进行加权融合，得到产品价值时间子序列的子序列特征信息，能够将产品价值时间子序列用多个尺度的预设特征指标综合表示出来，从而从多个维度消除了产品价值时间子序列中的噪声和波动性，进而在预测过程中避免了噪声和波动性对预测准确性的干扰，提高了产品价值预测的准确度。
在一示例性实施例中，上述步骤S108，通过预先训练的价值预测模型中的第二层注意力机制网络，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值，具体包括以下内容：通过预先训练的价值预测模型中的第二层注意力机制网络，确认各个产品价值时间子序列的权重；通过各个产品价值时间子序列的权重，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值。
其中，各个产品价值时间子序列的权重用于表征各个产品价值时间子序列对于产品价值预测结果的重要性程度。
具体地，由于产品价值时间子序列之间具有时间关系，而不同时间的产品价值时间子序列对于产品价值的预测结果都有不同程度的影响，因此需要确认各个产品价值时间子序列对应的权重。服务器通过预先训练的价值预测模型中的第二层注意力机制网络，分别确认各个产品价值时间子序列对应的注意力，即权重；然后根据各个产品价值时间子序列对应的权重，加权求和产品价值时间子序列，得到待预测产品在产品价值时间序列之后的预测价值，即产品价值的预测结果。
举例说明，服务器通过第二层注意力机制网络，分别确认各个产品价值时间子序列对应的权重βj，然后根据权重βj，加权求和各个产品价值时间子序列Sj，得到待预测产品在产品价值时间序列之后的预测价值S：
其中，j为产品价值时间子序列的序号，n为产品价值时间子序列的总个数，βj为第j个产品价值时间子序列对应的权重，Sj为第j个产品价值时间子序列的子序列特征信息。
本实施例中，服务器通过第二层注意力机制网络确认各个产品价值时间子序列对应的权重，然后根据权重对各个产品价值时间子序列的子序列特征信息进行加权融合，得到待预测产品在产品价值时间序列之后的预测价值，能够将多个产品价值时间子序列的子序列信息，转换为待预测产品在产品价值时间序列之后的预测价值，从而实现了对于待预测产品的价值预测，并在预测过程中，既充分考虑的价值数据的前后时间关系，又充分消除了价值数据中的噪声与波动，进一步提高了价值预测的准确度。
在一示例性实施例中，如图2所示，上述步骤S104中的预先训练的价值预测模型，通过下述方式训练得到：
步骤S202，获取样本产品的样本产品价值时间序列和样本产品在样本产品价值时间序列之后的实际价值。
步骤S204，对样本产品价值时间序列进行滑窗处理，得到多个样本产品价值时间子序列。
步骤S206，通过待训练的价值预测模型中的循环神经网络，获取各个样本产品价值时间子序列在多个预设特征指标下的目标特征信息。
步骤S208，通过待训练的价值预测模型中的第一层注意力机制网络，对各个样本产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个样本产品价值时间子序列的子序列特征信息。
步骤S210，通过待训练的价值预测模型中的第二层注意力机制网络，对各个样本产品价值时间子序列的子序列特征信息进行融合处理，得到样本产品在样本产品价值时间序列之后的预测价值。
步骤S212，根据样本产品在样本产品价值时间序列之后的预测价值，和样本产品在样本产品价值时间序列之后的实际价值之间的差异，对待训练的价值预测模型进行训练，得到训练完成的价值预测模型，作为预先训练的价值预测模型。
其中，样本产品是指与待预测产品在一段时间内价值变化趋势相似或相近的产品。
具体地，服务器首先获取样本产品的样本产品价值时间序列和样本产品在样本产品价值时间序列之后的实际价值；接着对样本产品价值时间序列进行滑窗处理，得到多个样本产品价值时间子序列，然后根据样本产品的样本产品价值时间子序列来训练价值预测模型，具体训练过程如下：通过待训练的价值预测模型中的循环神经网络，获取各个样本产品价值时间子序列在多个预设特征指标下的目标特征信息；然后通过待训练的价值预测模型中的第一层注意力机制网络，初始化各个预设特征指标对应的初始权重，并针对各个样本产品价值时间子序列，根据各个预设特征指标对应的初始权重，加权求和样本产品价值时间子序列在各个预设特征指标下的目标特征信息，得到样本产品价值时间子序列的子序列特征信息；接着通过待训练的价值预测模型中的第二层注意力机制网络，初始化各个样本产品价值时间子序列的初始权重，并根据各个样本产品价值时间子序列的初始权重，加权求和各个样本产品价值时间子序列的子序列特征信息，得到样本产品在样本产品价值时间序列之后的预测价值；再接着对比样本产品在样本产品价值时间序列之后的预测价值，和样本产品在样本产品价值时间序列之后的实际价值之间的差异，并根据差异确认待训练的价值预测模型的损失值；最后在损失值大于预设阈值的情况下，调整模型中的参数，如各个预设特征指标对应的初始权重和各个样本产品价值时间子序列的初始权重，然后服务器重复上述过程，直到损失值小于预设阈值为止，则模型训练完成。
本实施例中，服务器通过样本产品的样本产品价值时间序列，对待训练的价值预测模型中的循环神经网络、第一层注意力机制网络以及第二层注意力机制网络三层网络进行训练，通过样本产品在样本产品价值时间序列之后的实际价值和预测价值之间的损失值来判断模型是否已经完成训练，能够训练得到满足精度要求的价值预测模型，从而为后续的产品价值预测过程提供高精度的预测模型，进而提高了价值预测的准确度。
在一示例性实施例中，上述步骤S104，通过预先训练的价值预测模型中的循环神经网络，获取各个产品价值时间子序列在多个预设特征指标下的目标特征信息，具体包括以下内容：获取各个产品价值时间子序列在多个预设特征指标下的映射后特征信息；针对各个产品价值时间子序列，将产品价值时间子序列在多个预设特征指标下的映射后特征信息，输入至预先训练的价值预测模型中的循环神经网络中，得到与产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息；将与产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息，确认为产品价值时间子序列在多个预设特征指标下的目标特征信息。
其中，隐藏状态信息为循环神经网络的输出结果，其包含的信息与映射后特征信息最相关，是隐藏状态信息所对应的当前产品价值时间子序列，以及当前产品价值时间子序列之前的历史产品价值时间子序列共同作用后的特征向量，例如，第三产品价值时间子序列的隐藏状态信息，为第一产品价值时间子序列、第二产品价值时间子序列以及第三产品价值时间子序列共同作用后的特征向量。
具体地，服务器首先获取各个产品价值时间子序列在各个预设特征指标下的映射后特征信息，然后针对各个产品价值时间子序列，将产品价值时间子序列在各个预设特征指标下的映射后特征信息分别作为输入，输入至预先训练的价值预测模型中的循环神经网络中，得到产品价值时间子序列的映射后特征信息，与产品价值时间子序列之前的历史产品价值时间子序列的映射后特征信息共同作用后的隐藏状态信息，作为产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息，从而得到产品价值时间子序列在多个预设特征指标下的目标特征信息。
以第一产品价值时间子序列在三个预设特征指标下的目标特征信息确认过程为例进行说明，服务器首先获取第一产品价值时间子序列在各个预设特征指标下的映射后特征信息
其中，/>
代表第一产品价值时间子序列在聚合近似指标下的映射后特征信息，/>
代表第一产品价值时间子序列在斜率拟合指标下的映射后特征信息，/>
代表第一产品价值时间子序列在梯度指标下的映射后特征信息；然后服务器将{XPAA,XSlope，XHOG-1D}输入至预先训练的价值预测模型中的循环神经网络中，得到三个映射后特征信息对应的隐藏状态信息/>
其中，/>
然后将隐藏状态信息/>
作为第一产品价值时间子序列在三个预设特征指标下的目标特征信息。
需要说明的是，本申请实施例中只列举出了三个预设特征指标及其具体含义，在实际价值预测中，可以选取不限数量、不限种类的预设特征指标对产品价值时间子序列进行多维度的指标表征。
本实施例中，服务器通过预先训练的价值预测模型中的循环神经网络，将某个具体的产品价值时间子序列的映射后特征信息，转换为当前产品价值时间子序列的映射后特征信息，与当前产品价值时间子序列之前的历史产品价值时间子序列的映射后特征信息共同作用后的隐藏状态信息，从而作为当前产品价值时间子序列的目标特征信息，能够充分考虑前后产品价值时间子序列之间的关系，在考虑数据前后关联的前提下，对产品价值进行预测，从而提高了价值预测的准确度。
在一示例性实施例中，上述步骤，获取各个产品价值时间子序列在多个预设特征指标下的映射后特征信息，具体包括以下内容：获取各个产品价值时间子序列在多个预设特征指标下的初始特征信息，以及确认各个预设特征指标的映射关系；针对各个产品价值时间子序列，根据各个预设特征指标的映射关系，对产品价值时间子序列在多个预设特征指标下的初始特征信息进行映射处理，得到产品价值时间子序列在多个预设特征指标下的映射后特征信息。
其中，各个预设特征指标的映射关系是指为各个预设特征指标预设的映射关系，例如对于斜率拟合指标，可预设斜率在[0,0.5]之间的映射后特征信息为1，斜率在[0.5,1]之间的映射后特征信息为1，斜率在[1,1.5]之间的映射后特征信息为2等。对于各个预设特征指标的映射，主要是将不同维度的预设特征指标映射到同一个表达空间中进行表达。
具体地，服务器获取各个产品价值时间子序列在多个预设特征指标下的初始特征信息，并同时确认各个预设特征指标的映射关系；然后服务器针对各个产品价值时间子序列，根据各个预设特征指标的映射关系，依次对产品价值时间子序列在各个预设特征指标下的各个初始特征信息进行映射，得到产品价值时间子序列在各个预设特征指标下对应的映射后特征信息。
以第一产品价值时间子序列的映射后特征信息的确认过程为例进行说明，服务器首先分别对第一产品价值时间子序列进行三种不同维度的处理，以获得第一产品价值时间子序列在聚合近似指标、斜率拟合指标以及梯度指标三个预设特征指标下的初始特征信息
然后分别获取三个预设特征指标聚合近似指标、斜率拟合指标以及梯度指标各自的映射关系；接着按照映射关系，依次分别映射/>
以及/>
得到第一产品价值时间子序列的映射后特征信息/>
本实施例中，服务器根据产品价值时间子序列在各个预设特征指标下的初始特征信息，以及各个预设特征指标对应的映射关系，映射得到产品价值时间子序列在各个预设特征指标下的映射后特征信息，能够将不同维度的初始特征信息映射到统一个表达空间中进行表达，便于后续预先训练的价值预测模型对于数据的处理过程。
在一示例性实施例中，所述多个预设特征指标至少包括聚合近似指标、斜率拟合指标和梯度指标。
上述步骤，获取各个产品价值时间子序列在多个预设特征指标下的初始特征信息，具体包括以下内容：针对各个产品价值时间子序列，对产品价值时间子序列进行划分，得到多个时间长度相等的产品价值时间二级子序列；确认各个产品价值时间二级子序列的平均值；对各个产品价值时间二级子序列的平均值进行融合处理，得到产品价值时间子序列在聚合近似指标下的聚合近似信息，作为产品价值时间子序列在聚合近似指标下的初始特征信息。
具体地，服务器可采取PAA法(piecewise aggregate approximation，分段聚合近似法)来确认产品价值时间子序列在聚合近似指标下的初始特征信息，具体过程如下：服务器对各个产品价值时间子序列再次进行划分，将每个产品价值时间子序列划分为多个时间长度相等的产品价值时间二级子序列；以其中一个产品价值时间子序列为例，依次确认各个产品价值时间二级子序列的平均值，并用平均值表征该产品价值时间二级子序列；接着将各个产品价值时间二级子序列的平均值进行组合，用于表征该产品价值时间子序列在聚合近似指标下的初始特征信息。即通过对产品价值时间子序列进行平均分割，并利用产品价值时间二级子序列的均值向量来逼近原产品价值时间子序列。
本实施例中，服务器通过对时间产品价值子序列的再次划分，能够将长序列数据转换为多个短序列数据，从而能够更好地捕捉数据之间的变化趋势以及相关性，为后续准确地预测产品价值提供了分析基础，进一步提高了产品价值预测的准确度。
在一示例性实施例中，上述步骤，获取各个产品价值时间子序列在多个预设特征指标下的初始特征信息，还具体包括以下内容：针对各个产品价值时间子序列，对产品价值时间子序列进行划分，得到多个产品价值时间三级子序列；确认各个产品价值时间三级子序列的梯度信息；梯度信息包括在水平方向的水平梯度信息和在垂直方向的垂直梯度信息；根据各个产品价值时间三级子序列的梯度信息，得到产品价值时间子序列在梯度指标下的梯度直方信息，作为产品价值时间子序列在梯度指标下的初始特征信息。
具体地，服务器可采取HOG(histogram of oriented gradients，方向梯度直方图)，将产品价值时间子序列在水平方向和垂直方向的梯度聚合成一维的梯度直方图，从而确认产品价值时间子序列在梯度指标下的初始特征信息，具体过程如下：服务器针对各个产品价值时间子序列再次进行划分，将每个产品价值时间子序列划分为多个产品价值时间三级子序列；然后以一个产品价值时间子序列为例，确认各个产品价值时间三级子序列在水平方向上的水平梯度信息和在垂直方向上的垂直方向梯度信息；接着根据水平方向上的水平梯度信息和在垂直方向上的垂直方向梯度信息绘制方向梯度直方图，作为该产品价值时间子序列在梯度指标下的初始特征信息。
本实施例中，服务器通过时间产品价值三级子序列的水平梯度信息和垂直梯度信息，能够从整体上掌握时间产品价值子序列的梯度变化趋势，从而能够更好地捕捉数据之间的变化趋势以及相关性，为后续准确地预测产品价值提供了分析基础，进一步提高了产品价值预测的准确度。
在一示例性实施例中，服务器还可以通过最小二乘拟合方法来捕捉各个产品价值时间子序列在相对较长时期内的斜率变化趋势，从而确认各个产品价值时间子序列在斜率拟合指标下的初始特征信息。
在一示例性实施例中，上述步骤S108，通过预先训练的价值预测模型中的第二层注意力机制网络，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值之后，还具体包括以下内容：获取待预测产品在产品价值时间序列之后的实际价值；根据待预测产品在产品价值时间序列之后的预测价值，和待预测产品在产品价值时间序列之后的实际价值，确认预先训练的价值预测模型的损失值；在损失值大于预设阈值的情况下，根据损失值，修正预先训练的价值预测模型的参数。
其中，预先训练的价值预测模型的损失值，通过待预测产品在产品价值时间序列之后的预测价值，以及待预测产品在产品价值时间序列之后的实际价值之间的交叉熵函数确定；预设阈值为根据价值预测模型的训练精度要求设定的损失值阈值。
具体地，服务器在得到待预测产品在产品价值时间序列之后的预测价值之后，还需要获取待预测产品在产品价值时间序列之后的实际价值；然后根据预测价值和实际价值之间的交叉熵，确认预先训练的价值预测模型的损失值；并在损失值大于预设阈值的情况下，修正预先训练的价值预测模型中的参数，比如第一层注意力机制确认得到的权重，或是第二层注意力机制确认得到的权重，直到根据修正后的预先训练的价值预测模型得到的预测价值与实际价值确认的损失值小于预设阈值为止。
本实施例中，服务器待预测产品的预测价值和实际价值确认预先训练的价值预测模型的损失值，从而对已经训练好的价值预测模型进行再次训练；这样，基于实际的预测结果，对价值预测模型进行修正，动态保证价值预测模型的预测精度，进而保证了价值预测的准确度。
在一示例性实施例中，如图3所示，提供了另一种产品价值预测方法，以该方法应用于服务器为例进行说明，包括以下步骤：
步骤S301，根据样本产品的样本产品价值时间序列，以及样本产品在样本产品价值时间序列之后的实际价值，对待训练的价值预测模型进行训练，得到预先训练的价值预测模型。
步骤S302，对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列。
步骤S303，针对各个产品价值时间子序列，获取产品价值时间子序列在多个预设特征指标下的初始特征信息，以及确认各个预设特征指标的映射关系。
步骤S304，根据各个预设特征指标的映射关系，对产品价值时间子序列在多个预设特征指标下的初始特征信息进行映射处理，得到产品价值时间子序列在多个预设特征指标下的映射后特征信息。
步骤S305，将产品价值时间子序列在多个预设特征指标下的映射后特征信息，输入至预先训练的价值预测模型中的循环神经网络中，得到产品价值时间子序列在多个预设特征指标下的目标特征信息。
步骤S306，通过预先训练的价值预测模型中的第一层注意力机制网络，确认各个预设特征指标的权重。
步骤S307，针对各个产品价值时间子序列，通过各个预设特征指标的权重，对产品价值时间子序列在多个预设特征下的目标特征信息进行融合处理，得到产品价值时间子序列的子序列特征信息。
步骤S308，通过预先训练的价值预测模型中的第二层注意力机制网络，确认各个产品价值时间子序列的权重。
步骤S309，通过各个产品价值时间子序列的权重，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值。
步骤S310，根据待预测产品在产品价值时间序列之后的预测价值，和待预测产品在产品价值时间序列之后的实际价值，确认预先训练的价值预测模型的损失值。
步骤S311，在损失值大于预设阈值的情况下，根据损失值，修正预先训练的价值预测模型的参数。
本实施例中，服务器基于滑窗处理得到的多个产品价值时间子序列在不同预设特征指标下的目标特征信息，以及预先训练的价值预测模型中的第一层注意力机制网络确认的各个预设特征指标的权重，能够得到产品价值时间子序列的子序列特征信息；然后基于多个产品价值时间子序列的子序列特征信息，以及预先训练的价值预测模型中的第二层注意力机制网络确认得到的各个产品价值时间子序列的权重，进一步得到待预测产品在产品价值时间序列之后的预测价值；最后再基于预测价值和实际价值之间的损失值，对预先训练的价值预测模型进行修正。基于以上过程的产品价值预测，一方面，基于产品价值时间序列进行预测，保留了前后价值数据之间的依赖性和相关性；另一方面，综合考虑产品价值时间序列在多预设特征指标尺度下的各个特征，消除产品价值数据中的波动性和噪声；此外，还动态更新了预先训练的价值预测模型中的参数，从而提高了产品价值预测的准确度。
为了更清晰阐明本申请实施例提供的产品价值预测方法，以下以一个具体的实施例对该产品价值预测方法进行具体说明。在一示例性实施例中，本申请还提供了一种如图4所示的基于多尺度融合的层级注意力产品价值预测方法，在本实施例中，结合股票的价格预测场景来对本申请提供的产品价值预测方法进行详细描述，该方法具体包括以下步骤：
步骤1：为了缓解股票价格序列带来的噪声波动，采用滑窗处理，获得多个窗口下的股票价格子序列。
步骤2：针对每一个股票价格子序列，进行三种不同指标的操作，以获得三个影响股票价格波动的指标：聚合近似指标、斜率拟合指标和梯度指标。
其中，聚合近似指标：用以缓解短期内的股价波动。即基于长序列数据，生成短序列数据，使得短序列数据大致和长序列数据的趋势相似。具体做法是给定一个股票价格子序列，将股票价格子序列表示为l等长空间，通过PAA用一个新的向量来逼近原来的股票价格子序列。
斜率拟合指标：用以捕捉序列在相对较长时期内的趋势。即用以描述对时间序列的时移不变性的特征。具体做法是采用最小二乘拟合方法来获得时间序列在一定区间内的斜率。
梯度指标：以统计方式将不同方向的梯度聚合成直方图。
步骤3：在每一个股票价格子序列中对三个指标进行特征拼接，获得股票价格子序列的特征向量，并对股票价格子序列的特征向量进行映射变换，得到股票价格子序列的映射后特征向量。
步骤4：将股票价格子序列的映射后特征向量输入价格预测模型的LSTM网络中，得到股票价格子序列的映射后特征向量的隐藏状态。其中，每个指标对应一个隐藏状态。
步骤5：通过价格预测模型的第一层注意力机制网络，针对各个股票价格子序列的三个隐藏状态进行加权求和，得到股票价格子序列的子序列特征表示。
步骤6：通过价格预测模型的第二层注意力机制网络，针对各个股票价格子序列的子序列特征表示进行加权求和，得到股票价格的预测值。
步骤7：通过股票价格的预测值和真实值的交叉熵损失值，对价格预测模型进行优化。
本实施例中，由于股票价格是基于不同时间跨度的交易活动形成的，因此在股票价格序列上执行多尺度滑动窗口以提取多种局部描述特征，然后将它们连接到LSTM网络中，并基于注意力机制网络对不同尺度、对不同股票价格子序列进行融合，在捕获时间依赖性和多尺度信息的同时，缓解了直接使用股票价格序列进行预测带来的噪声波动，克服了传统技术中的先验经验引入的嘈杂波动的影响，从而提高了股票价格预测的准确度。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的产品价值预测方法的产品价值预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个产品价值预测装置实施例中的具体限定可以参见上文中对于产品价值预测方法的限定，在此不再赘述。
在一示例性实施例中，如图5所示，提供了一种产品价值预测装置，包括：序列滑窗处理模块502、指标信息确认模块504、序列信息确认模块506和产品价值预测模块508，其中：
序列滑窗处理模块502，用于对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列。
指标信息确认模块504，用于通过预先训练的价值预测模型中的循环神经网络，获取各个产品价值时间子序列在多个预设特征指标下的目标特征信息。
序列信息确认模块506，用于通过预先训练的价值预测模型中的第一层注意力机制网络，对各个产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个产品价值时间子序列的子序列特征信息。
产品价值预测模块508，用于通过预先训练的价值预测模型中的第二层注意力机制网络，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值。
在一示例性实施例中，序列信息确认模块506，还用于通过预先训练的价值预测模型中的第一层注意力机制网络，确认各个预设特征指标的权重；针对各个产品价值时间子序列，通过各个预设特征指标的权重，对产品价值时间子序列在多个预设特征下的目标特征信息进行融合处理，得到产品价值时间子序列的子序列特征信息。
在一示例性实施例中，产品价值预测模块508，还用于通过预先训练的价值预测模型中的第二层注意力机制网络，确认各个产品价值时间子序列的权重；通过各个产品价值时间子序列的权重，对各个产品价值时间子序列的子序列特征信息进行融合处理，得到待预测产品在产品价值时间序列之后的预测价值。
在一示例性实施例中，产品价值预测装置还包括预测模型训练模块，用于获取样本产品的样本产品价值时间序列和样本产品在样本产品价值时间序列之后的实际价值；对样本产品价值时间序列进行滑窗处理，得到多个样本产品价值时间子序列；通过待训练的价值预测模型中的循环神经网络，获取各个样本产品价值时间子序列在多个预设特征指标下的目标特征信息；通过待训练的价值预测模型中的第一层注意力机制网络，对各个样本产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个样本产品价值时间子序列的子序列特征信息；通过待训练的价值预测模型中的第二层注意力机制网络，对各个样本产品价值时间子序列的子序列特征信息进行融合处理，得到样本产品在样本产品价值时间序列之后的预测价值；根据样本产品在样本产品价值时间序列之后的预测价值，和样本产品在样本产品价值时间序列之后的实际价值之间的差异，对待训练的价值预测模型进行训练，得到训练完成的价值预测模型，作为预先训练的价值预测模型。
在一示例性实施例中，指标信息确认模块504，还用于获取各个产品价值时间子序列在多个预设特征指标下的映射后特征信息；针对各个产品价值时间子序列，将产品价值时间子序列在多个预设特征指标下的映射后特征信息，输入至预先训练的价值预测模型中的循环神经网络中，得到与产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息；将与产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息，确认为产品价值时间子序列在多个预设特征指标下的目标特征信息。
在一示例性实施例中，指标信息确认模块504，还用于获取各个产品价值时间子序列在多个预设特征指标下的初始特征信息，以及确认各个预设特征指标的映射关系；针对各个产品价值时间子序列，根据各个预设特征指标的映射关系，对产品价值时间子序列在多个预设特征指标下的初始特征信息进行映射处理，得到产品价值时间子序列在多个预设特征指标下的映射后特征信息。
在一示例性实施例中，指标信息确认模块504，还用于针对各个产品价值时间子序列，对产品价值时间子序列进行划分，得到多个时间长度相等的产品价值时间二级子序列；确认各个产品价值时间二级子序列的平均值；对各个产品价值时间二级子序列的平均值进行融合处理，得到产品价值时间子序列在聚合近似指标下的聚合近似信息，作为产品价值时间子序列在聚合近似指标下的初始特征信息。
在一示例性实施例中，指标信息确认模块504，还用于针对各个产品价值时间子序列，对产品价值时间子序列进行划分，得到多个产品价值时间三级子序列；确认各个产品价值时间三级子序列的梯度信息；梯度信息包括在水平方向的水平梯度信息和在垂直方向的垂直梯度信息；根据各个产品价值时间三级子序列的梯度信息，得到产品价值时间子序列在梯度指标下的梯度直方信息，作为产品价值时间子序列在梯度指标下的初始特征信息。
在一示例性实施例中，产品价值预测装置还包括预测模型修正模块，用于获取待预测产品在产品价值时间序列之后的实际价值；根据待预测产品在产品价值时间序列之后的预测价值，和待预测产品在产品价值时间序列之后的实际价值，确认预先训练的价值预测模型的损失值；在损失值大于预设阈值的情况下，根据损失值，修正预先训练的价值预测模型的参数。
上述产品价值预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一示例性实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口通过输入/输出接口连接到***总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储产品价值时间序列数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品价值预测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一示例性实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一示例性实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一示例性实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (13)
1.一种产品价值预测方法，其特征在于，所述方法包括：
对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；
通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；
通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；
通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
2.根据权利要求1所述的方法，其特征在于，所述通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息，包括：
通过所述预先训练的价值预测模型中的第一层注意力机制网络，确认各个所述预设特征指标的权重；
针对各个所述产品价值时间子序列，通过各个所述预设特征指标的权重，对所述产品价值时间子序列在多个预设特征下的目标特征信息进行融合处理，得到所述产品价值时间子序列的子序列特征信息。
3.根据权利要求1所述的方法，其特征在于，所述通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值，包括：
通过所述预先训练的价值预测模型中的第二层注意力机制网络，确认各个所述产品价值时间子序列的权重；
通过各个所述产品价值时间子序列的权重，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
4.根据权利要求1所述的方法，其特征在于，所述预先训练的价值预测模型通过下述方式训练得到：
获取样本产品的样本产品价值时间序列和所述样本产品在所述样本产品价值时间序列之后的实际价值；
对所述样本产品价值时间序列进行滑窗处理，得到多个样本产品价值时间子序列；
通过待训练的价值预测模型中的循环神经网络，获取各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息；
通过所述待训练的价值预测模型中的第一层注意力机制网络，对各个所述样本产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述样本产品价值时间子序列的子序列特征信息；
通过所述待训练的价值预测模型中的第二层注意力机制网络，对各个所述样本产品价值时间子序列的子序列特征信息进行融合处理，得到所述样本产品在所述样本产品价值时间序列之后的预测价值；
根据所述样本产品在所述样本产品价值时间序列之后的预测价值，和所述样本产品在所述样本产品价值时间序列之后的实际价值之间的差异，对所述待训练的价值预测模型进行训练，得到训练完成的价值预测模型，作为所述预先训练的价值预测模型。
5.根据权利要求1所述的方法，其特征在于，所述通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息，包括：
获取各个所述产品价值时间子序列在多个预设特征指标下的映射后特征信息；
针对各个所述产品价值时间子序列，将所述产品价值时间子序列在多个预设特征指标下的映射后特征信息，输入至所述预先训练的价值预测模型中的循环神经网络中，得到与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息；
将与所述产品价值时间子序列在多个预设特征指标下的映射后特征信息对应的隐藏状态信息，确认为所述产品价值时间子序列在多个预设特征指标下的目标特征信息。
6.根据权利要求5所述的方法，其特征在于，所述获取各个所述产品价值时间子序列在多个预设特征指标下的映射后特征信息，包括：
获取各个所述产品价值时间子序列在多个预设特征指标下的初始特征信息，以及确认各个所述预设特征指标的映射关系；
针对各个所述产品价值时间子序列，根据各个所述预设特征指标的映射关系，对所述产品价值时间子序列在多个预设特征指标下的初始特征信息进行映射处理，得到所述产品价值时间子序列在多个预设特征指标下的映射后特征信息。
7.根据权利要求6所述的方法，其特征在于，所述多个预设特征指标至少包括聚合近似指标、斜率拟合指标和梯度指标；
所述获取各个所述产品价值时间子序列在多个预设特征指标下的初始特征信息，包括：
针对各个所述产品价值时间子序列，对所述产品价值时间子序列进行划分，得到多个时间长度相等的产品价值时间二级子序列；
确认各个所述产品价值时间二级子序列的平均值；
对各个所述产品价值时间二级子序列的平均值进行融合处理，得到所述产品价值时间子序列在所述聚合近似指标下的聚合近似信息，作为所述产品价值时间子序列在所述聚合近似指标下的初始特征信息。
8.根据权利要求6所述的方法，其特征在于，所述获取各个所述产品价值时间子序列在多个预设特征指标下的初始特征信息，还包括：
针对各个所述产品价值时间子序列，对所述产品价值时间子序列进行划分，得到多个产品价值时间三级子序列；
确认各个所述产品价值时间三级子序列的梯度信息；所述梯度信息包括在水平方向的水平梯度信息和在垂直方向的垂直梯度信息；
根据各个所述产品价值时间三级子序列的梯度信息，得到所述产品价值时间子序列在所述梯度指标下的梯度直方信息，作为所述产品价值时间子序列在所述梯度指标下的初始特征信息。
9.根据权利要求1-8任意一项所述的方法，其特征在于，在通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值之后，还包括：
获取所述待预测产品在所述产品价值时间序列之后的实际价值；
根据所述待预测产品在所述产品价值时间序列之后的预测价值，和所述待预测产品在所述产品价值时间序列之后的实际价值，确认所述预先训练的价值预测模型的损失值；
在所述损失值大于预设阈值的情况下，根据所述损失值，修正所述预先训练的价值预测模型的参数。
10.一种产品价值预测装置，其特征在于，所述装置包括：
序列滑窗处理模块，用于对待预测产品的产品价值时间序列进行滑窗处理，得到多个产品价值时间子序列；
指标信息确认模块，用于通过预先训练的价值预测模型中的循环神经网络，获取各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息；
序列信息确认模块，用于通过所述预先训练的价值预测模型中的第一层注意力机制网络，对各个所述产品价值时间子序列在多个预设特征指标下的目标特征信息进行融合处理，得到各个所述产品价值时间子序列的子序列特征信息；
产品价值预测模块，用于通过所述预先训练的价值预测模型中的第二层注意力机制网络，对各个所述产品价值时间子序列的子序列特征信息进行融合处理，得到所述待预测产品在所述产品价值时间序列之后的预测价值。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211701339.5A CN115860802A (zh) | 2022-12-29 | 2022-12-29 | 产品价值预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211701339.5A CN115860802A (zh) | 2022-12-29 | 2022-12-29 | 产品价值预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115860802A true CN115860802A (zh) | 2023-03-28 |
Family
ID=85655673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211701339.5A Pending CN115860802A (zh) | 2022-12-29 | 2022-12-29 | 产品价值预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115860802A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739840A (zh) * | 2023-08-14 | 2023-09-12 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
-
2022
- 2022-12-29 CN CN202211701339.5A patent/CN115860802A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739840A (zh) * | 2023-08-14 | 2023-09-12 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
| CN116739840B (zh) * | 2023-08-14 | 2023-11-14 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
| CN111352965B (zh) | 序列挖掘模型的训练方法、序列数据的处理方法及设备 | |
| CN110659744A (zh) | 训练事件预测模型、评估操作事件的方法及装置 | |
| CN111275491A (zh) | 一种数据处理方法及装置 | |
| CN113255908B (zh) | 基于事件序列进行业务预测的方法、神经网络模型和装置 | |
| CN110147502B (zh) | 基于大数据分析的产品推荐方法、装置、介质及服务器 | |
| CN115100185A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN115860802A (zh) | 产品价值预测方法、装置、计算机设备和存储介质 | |
| CN115034225A (zh) | 应用于医学领域的词语处理方法、装置、电子设备和介质 | |
| CN114549174A (zh) | 用户行为预测方法、装置、计算机设备和存储介质 | |
| CN114170000A (zh) | ***用户风险类别识别方法、装置、计算机设备和介质 | |
| CN114821248A (zh) | 面向点云理解的数据主动筛选标注方法和装置 | |
| CN115186890A (zh) | 预警方法、装置、计算机设备和存储介质 | |
| CN116150462A (zh) | 针对目标对象的向量构建方法、装置和计算机设备 | |
| CN117611580B (zh) | 瑕疵检测方法、装置、计算机设备和存储介质 | |
| CN115689648B (zh) | 应用于定向投放的用户信息处理方法及*** | |
| US20220318327A1 (en) | Ranking similar users based on values and personal journeys | |
| CN116977049A (zh) | 资源申请服务的处理方法、装置、计算机设备和存储介质 | |
| CN116703544A (zh) | 资源互动轨迹预测方法、装置、计算机设备和存储介质 | |
| CN117459577A (zh) | 虚拟物品信息推送方法、装置、计算机设备和存储介质 | |
| CN116992955A (zh) | 一种纵向联邦神经网络模型的训练方法 | |
| CN117057439A (zh) | 模型参数更新方法、装置、计算机设备和存储介质 | |
| CN116910604A (zh) | 用户分类方法、装置、计算机设备、存储介质和程序产品 | |
| CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
| CN116702980A (zh) | 对象流失预测模型训练方法、对象流失预测方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |