-
公开(公告)号：CN116070773A
公开(公告)日：2023-05-05
申请号：CN202310147923.9
申请日：2023-02-08
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06F16/901 , G06N3/044 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本说明书实施例提供一种预测时序指标的方法的装置。根据该方法，首先基于n个业务对象各自在目标时段t的业务特征，获得对应的n个第一表征；其中，n个业务对象基于其范围归属关系而形成树结构中的节点。接着，对于n个第一表征进行卷积操作，得到n个第二表征；其中，n个业务对象中任意的目标业务对象对应的第二表征，通过对目标卷积窗口中的第一表征进行卷积运算而得到，所述目标卷积窗口包括，树结构中从根节点到目标业务对象的路径所覆盖的若干业务对象。基于此，可以根据n个第二表征，确定n个业务对象的n个对象表征；并根据n个对象表征，预测n个业务对象各自在目标时段t的业务指标值。
-
公开(公告)号：CN118839128A
公开(公告)日：2024-10-25
申请号：CN202410942658.8
申请日：2024-07-12
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/20 , G06F18/213 , G06F18/25 , G06Q10/04 , G06Q30/0202 , G06Q40/06 , G06F123/02
Abstract: 本说明书提供一种时间序列预测方法及系统，能够在宏观时间序列的基础上结合用户级别的微观用户特征进行时间序列预测。本说明书提供的时间序列预测方法及系统充分结合了宏观和微观多个层面的数据信息，能够提升预测的准确性。
-
公开(公告)号：CN113283589A
公开(公告)日：2021-08-20
申请号：CN202110631255.8
申请日：2021-06-07
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供了一种事件预测系统的更新方法，包括：将基于事件样本序列获取的样本输入事件预测系统中进行事件处理，该事件处理包括：通过序列编码网络，确定截至该样本中发生时刻的子序列的序列编码向量，该子序列中各样本均对应第一用户；通过图传播网络，根据该序列编码向量，更新用户关系网络图中与第一用户节点相关的节点表征向量；通过强度拟合网络，根据更新后的节点表征向量，拟合与第一用户对应的事件发生强度函数；通过强度映射网络，将该事件发生强度函数映射至事件类型空间，得到第一用户在多个事件类型下的多个强度函数；之后，基于事件处理得到的多个强度函数和对应第一用户的标签样本，更新上述事件预测系统中的网络参数。
-
公开(公告)号：CN115186229A
公开(公告)日：2022-10-14
申请号：CN202210630578.X
申请日：2022-06-06
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供了一种建立时序预测模型的方法、时间序列预测方法和装置。根据该实施例的方法，首先获取连续n个时间序列，每个时间序列中包含多个时间点的指标值，所述n为大于1的正整数；然后对所述n个时间序列分别进行凸包提取，得到n个凸包时间序列；最后将所述n个凸包时间序列输入预先训练得到的时序预测模型，得到所述时序预测模型对所述n个等时长的时间序列之后τ个时间序列的统计指标数据，所述τ为大于或等于1的正整数，各时间序列的长度相等。
-
公开(公告)号：CN118070008A
公开(公告)日：2024-05-24
申请号：CN202410176631.2
申请日：2024-02-07
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/20 , G06F18/213 , G06F18/23 , G06F18/25 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06F123/02
Abstract: 本说明书实施例提供一种多阶层时间序列预测方法及装置，在进行多阶层时序预测过程中，考虑到时序阶层之间的关联关系，对于历史多阶层时间序列中的各个时间节点，一方面提取更粗时间粒度的变换特征，另一方面提取更细时间粒度的子节点分布特征。进一步地，基于变换特征和子节点分布特征，对各个时间节点分别确定相应的各个编码张量，然后对各个时间节点在若干多阶层时间序列中对应的各个编码张量进行融合，得到相应的各个表征张量，基于各个表征张量预测业务主体在后续若干预定时间段内的业务量构成的多阶层时序，多阶层时序是对预测结果进行满足一致性约束调和的多阶层时间序列。如此，可以提高预测结果的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117875449A
公开(公告)日：2024-04-12
申请号：CN202410048420.0
申请日：2024-01-11
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00 , G06F40/20 , G06F40/126 , G06F16/35
Abstract: 本说明书的实施例提供了一种基于持续预训练的语言模型训练方法和装置。在该基于持续预训练的语言模型训练方法中，利用当前软提示生成模型得到与当前领域的各个当前训练样本对应的软提示特征；进而利用当前语言模型根据各个文本数据和对应的软提示特征得到各个文本数据对应于当前领域的隐特征；再基于所得到的各个文本数据对应于当前领域的隐特征与相应基于所述初始当前语言模型而得到的对应于上一领域的隐特征之间的差异，确定跨域损失值；在不满足当前领域的训练结束条件时根据跨域损失值调整当模型参数；在满足当前领域的训练结束条件时继续利用下一领域的训练样本集重复执行上述模型训练过程，直至满足持续预训练的训练结束条件。
-
公开(公告)号：CN115048992A
公开(公告)日：2022-09-13
申请号：CN202210630555.9
申请日：2022-06-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06K9/62
Abstract: 本说明书实施例提供了一种建立时间序列预测模型的方法、时间序列预测方法和装置。根据该实施例的方法，首先从历史时间序列获取训练数据，所述训练数据包括连续n个时间点的指标值，所述n为大于1的正整数；然后利用所述训练数据训练状态空间模型，得到时间序列预测模型；其中，依时间顺序将各时间点分别作为第ts个时间点执行：将第ts个时间点的指标值输入所述状态空间模型，由所述状态空间模型依据所述第ts个时间点及其之前各时间点的指标值预测所述第ts个时间点之后τ个时间点的指标值，所述τ为预设的正整数；训练目标包括最小化预测的指标值与训练数据中对应指标值的差异；其中，在所述预测中将待预测时间点之前各时间点的隐状态表示进行注意力机制的处理来得到所述待预测时间点的隐状态表示。
-
公开(公告)号：CN113283589B
公开(公告)日：2022-07-19
申请号：CN202110631255.8
申请日：2021-06-07
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供了一种事件预测系统的更新方法，包括：将基于事件样本序列获取的样本输入事件预测系统中进行事件处理，该事件处理包括：通过序列编码网络，确定截至该样本中发生时刻的子序列的序列编码向量，该子序列中各样本均对应第一用户；通过图传播网络，根据该序列编码向量，更新用户关系网络图中与第一用户节点相关的节点表征向量；通过强度拟合网络，根据更新后的节点表征向量，拟合与第一用户对应的事件发生强度函数；通过强度映射网络，将该事件发生强度函数映射至事件类型空间，得到第一用户在多个事件类型下的多个强度函数；之后，基于事件处理得到的多个强度函数和对应第一用户的标签样本，更新上述事件预测系统中的网络参数。
-
公开(公告)号：CN114970359B
公开(公告)日：2024-05-31
申请号：CN202210629028.6
申请日：2022-06-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F30/27 , G06F119/02
Abstract: 本说明书实施例提供了一种建立时间序列预测模型的方法、时间序列预测方法和装置。根据该实施例的方法，首先将第i个时间序列输入时间序列预测模型，所述时间序列包括连续n个时间点的指标值，所述时间序列中包含指标极值信息，所述n为大于1的正整数；然后获取所述时间序列预测模型依据所述第i个时间序列及其之前的历史时间序列预测得到的所述第i个时间序列之后τ个时间点的指标值，所述τ为预设的正整数；其中，所述时间序列预测模型基于记忆网络预先训练得到。
-
公开(公告)号：CN118094130A
公开(公告)日：2024-05-28
申请号：CN202311501857.7
申请日：2023-11-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/20 , G06F18/22 , G06N20/00 , G06Q10/04 , G06F123/02
Abstract: 本说明书实施例提供一种事件预测的方法及装置，在进行事件预测过程中，可以先利用点过程模型处理当前历史事件序列，以预测下一个事件在预定事件属性上的至少一个属性项作为候选项，然后，针对各个候选项，分别从历史事件序列中选择相应的历史事件作为证据事件，为其进行可信度打分，得到各个可信分数，然后根据各个候选项分别对应的各个可信分数的大小，确定下一个事件在事件属性上对应的属性项。该技术方案可以利用更加丰富的信息，提高事件预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.034 seconds)
