多维度信息的组合预测方法、装置、计算机设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，公开了一种多维度信息的组合预测方法、装置、计算机设备及介质，包括：接收用户端发送的预测请求；提取预测请求中时序信息所对应的时序特征，调用预设的时序模型计算所述时序特征得到时序预测结果；提取所述预测请求中非时序信息所对应的非时序特征，调用预设的非时序模型计算所述非时序特征得到非时序预测结果；通过预设的预测模型计算所述时序预测结果和非时序预测结果得到预测信息。本发明专利技术还涉及区块链技术，信息可存储于区块链节点中。本发明专利技术实现了多维度对预测请求进行预测，提升了预测参考维度的全面性，进而提高了预测的准确度。

【技术实现步骤摘要】
多维度信息的组合预测方法、装置、计算机设备及介质
本专利技术涉及人工智能的智能决策
，尤其涉及一种多维度信息的组合预测方法、装置、计算机设备及介质。
技术介绍
预测模型是指根据数学语言或公式所描述的事物间的数量关系，并根据该关系预测对象未来行为或状态的计算机模型，其在一定程度上揭示了事物间的内在规律性，预测时把它作为计算预测值的直接依据。当前的预测模型通常是采用单一维度的数据对目标对象进行预测，一般为采用时序信息(如：动态信息)在时序维度(可视为动态维度)上对目标对象进行预测，或采用非时序信息(如：静态信息)在非时序维度(可视为静态维度)上对目标对象进行预测。专利技术人意识到，采用单一维度对目标对象进行预测的方法，无法全面的对目标对象进行考量，导致预测准确度较低。
技术实现思路
本专利技术的目的是提供一种多维度信息的组合预测方法、装置、计算机设备及介质，用于解决现有技术存在的无法全面的对目标对象进行考量导致预测准确度较低的问题；本申请可应用于智慧医疗场景中，从而推动智慧城市的建设。为实现上述目的，本专利技术提供一种多维度信息的组合预测方法，包括：接收用户端发送的预测请求；提取预测请求中时序信息所对应的时序特征，调用预设的时序模型计算所述时序特征得到时序预测结果；提取所述预测请求中非时序信息所对应的非时序特征，调用预设的非时序模型计算所述非时序特征得到非时序预测结果；通过预设的预测模型计算所述时序预测结果和非时序预测结果得到预测信息。上述方案中，接收用户端发送的预测请求之后，包括：提取预测请求中的对象信息，从预设的模型集合中获取与所述对象信息对应时序模型和非时序模型。上述方案中，提取预测请求中时序信息所对应的时序特征之前，包括：对所述预测请求中的时序信息进行时序特征化处理得到时序特征；提取所述预测请求中非时序信息所对应的非时序特征之前，包括：对所述预测请求中的非时序信息进行非时序特征化处理得到非时序特征。上述方案中，所述时序特征化处理包括以下步骤：根据预设的拆分规则拆分所述时序信息得到至少一个时序子信息；判断得到的时序子信息的数量是否达到预设的时序阈值；若是，则汇总所述时序子信息获得子信息集合；若否，则创制补零子信息并将其与所述时序子信息汇总得到子信息集合，使所述子信息集合中补零子信息及时序子信息的数量达到所述时序阈值；提取所述子信息集合中的时序子信息，并通过预置的时序向量表识别所述时序子信息中各数据项所对应的向量值，根据所述数据项在所述时序子信息中的位置排列各所述数据项对应的向量值，得到所述时序子信息对应的时序子特征；其中，所述数据项是所述时序子信息中的不可分割的最小单位；根据所述时序子信息在所述时序信息中的位置，排列各所述时序子特征得到所述时序信息对应的时序特征。上述方案中，所述非时序特征化处理包括以下步骤：通过预置的非时序向量表识别所述非时序信息中各数据项对应的向量值，其中，所述数据项是所述非时序子信息中的不可分割的最小单位；根据所述数据项在所述非时序信息中的位置，排列各所述数据项对应的向量值并汇总得到非时序特征。上述方案中，采用LSTM模型作为时序模型，所述时序模型为通过预置的时序样本对初始LSTM模型进行训练所获得；采用由多个全连接层组成的深度神经网络作为所述非时序模型，所述非时序模型为通过预置的非时序样本对所述深度神经网络进行训练所获得；上述方案中，所述预测模型的目标函数为几何平均值函数，如下：其中，M为预测信息，Scroe1为时序预测结果，Scroe2为非时序预测结果；通过预设的预测模型计算所述时序预测结果和非时序预测结果得到预测信息之后，包括：将所述预测信息上传至区块链中。为实现上述目的，本专利技术还提供一种多维度信息的组合预测装置，包括：输入模块，用于接收用户端发送的预测请求；时序预测模块，用于提取预测请求中时序信息所对应的时序特征，调用预设的时序模型计算所述时序特征得到时序预测结果；非时序预测模块，用于提取所述预测请求中非时序信息所对应的非时序特征，调用预设的非时序模型计算所述非时序特征得到非时序预测结果；综合预测模块，用于通过预设的预测模型计算所述时序预测结果和非时序预测结果得到预测信息。为实现上述目的，本专利技术还提供一种计算机设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机设备的处理器执行所述计算机程序时实现上述多维度信息的组合预测方法的步骤。为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述可读存储介质存储的所述计算机程序被处理器执行时实现上述多维度信息的组合预测方法的步骤。本专利技术提供的多维度信息的组合预测方法、装置、计算机设备及介质，通过时序模型计算时序信息对应的时序特征，以在时序信息的维度上准确快速的得到时序信息对应的对象的时序预测结果，通过非时序模型计算非时序信息对应的非时序特征，以在非时序信息的维度上准确快速的得到非时序信息对应的对象的非时序预测结果，通过预测模型对所述时序预测结果和非时序预测结果，得到同时考量了时序信息和非时序信息的预测信息，实现了多维度对预测请求进行预测，提升了预测参考维度的全面性，进而提高了预测的准确度。附图说明图1为本专利技术多维度信息的组合预测方法实施例一的流程图；图2为本专利技术多维度信息的组合预测方法实施例二中多维度信息的组合预测方法的环境应用示意图；图3是本专利技术多维度信息的组合预测方法实施例二中多维度信息的组合预测方法的具体方法流程图；图4是本专利技术多维度信息的组合预测方法实施例二中时序特征化处理的流程图；图5是本专利技术多维度信息的组合预测方法实施例二中非时序特征化处理的流程图；图6为本专利技术多维度信息的组合预测装置实施例三的程序模块示意图；图7为本专利技术计算机设备实施例四中计算机设备的硬件结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。现提供以下实施例：实施例一：请参阅图1，本实施例的一种多维度信息的组合预测方法，包括：S101：接收用户端发送的预测请求；S104：提取预测请求中时序信息所对应的时序特征，调用预设的时序模型计算所述时序特征得到时序预测结果；S106：提取所述预测请求中非时序信息所对应的非时序特征，调用预设的非时序模型计算所述非时序特征得到非时序预测结果；S107：通过预设的预测模型计算所述时序预测结果本文档来自技高网...

【技术保护点】
1.一种多维度信息的组合预测方法，其特征在于，包括：/n接收用户端发送的预测请求；/n提取预测请求中时序信息所对应的时序特征，调用预设的时序模型计算所述时序特征得到时序预测结果；/n提取所述预测请求中非时序信息所对应的非时序特征，调用预设的非时序模型计算所述非时序特征得到非时序预测结果；/n通过预设的预测模型计算所述时序预测结果和非时序预测结果得到预测信息。/n

【技术特征摘要】
1.一种多维度信息的组合预测方法，其特征在于，包括：
接收用户端发送的预测请求；
提取预测请求中时序信息所对应的时序特征，调用预设的时序模型计算所述时序特征得到时序预测结果；
提取所述预测请求中非时序信息所对应的非时序特征，调用预设的非时序模型计算所述非时序特征得到非时序预测结果；
通过预设的预测模型计算所述时序预测结果和非时序预测结果得到预测信息。


2.根据权利要求1所述的多维度信息的组合预测方法，其特征在于，接收用户端发送的预测请求之后，包括：
提取预测请求中的对象信息，从预设的模型集合中获取与所述对象信息对应时序模型和非时序模型。


3.根据权利要求1所述的多维度信息的组合预测方法，其特征在于，提取预测请求中时序信息所对应的时序特征之前，包括：
对所述预测请求中的时序信息进行时序特征化处理得到时序特征；
提取所述预测请求中非时序信息所对应的非时序特征之前，包括：
对所述预测请求中的非时序信息进行非时序特征化处理得到非时序特征。


4.根据权利要求3所述的多维度信息的组合预测方法，其特征在于，所述时序特征化处理包括以下步骤：
根据预设的拆分规则拆分所述时序信息得到至少一个时序子信息；
判断得到的时序子信息的数量是否达到预设的时序阈值；
若是，则汇总所述时序子信息获得子信息集合；
若否，则创制补零子信息并将其与所述时序子信息汇总得到子信息集合，使所述子信息集合中补零子信息及时序子信息的数量达到所述时序阈值；
提取所述子信息集合中的时序子信息，并通过预置的时序向量表识别所述时序子信息中各数据项所对应的向量值，根据所述数据项在所述时序子信息中的位置排列各所述数据项对应的向量值，得到所述时序子信息对应的时序子特征；其中，所述数据项是所述时序子信息中的不可分割的最小单位；
根据所述时序子信息在所述时序信息中的位置，排列各所述时序子特征得到所述时序信息对应的时序特征。


5.根据权利要求3所述的多维度信息的组合预测方法，其特征在于，所述非时序特征化处...

【专利技术属性】
技术研发人员：刘卓，孙行智，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44