[发明专利]一种面向科技学术会议的领域趋势预测方法、装置及存储介质

说明书

本发明提供一种面向科技学术会议的领域趋势预测方法、装置及存储介质，所述方法的步骤包括，获取第一时间段的学术分布特征，基于学术分布特征通过第一网络模型得到学科特征向量；获取第一时间段的附加特征，将附加特征通过第二网络模型得到附加特征向量；将所述附加特征向量与学科特征向量进行拼接，得到融合向量，将所述融合向量进行映射处理，得到初级解码向量；将所述初级解码向量输入第三网络模型，所述第三网络模型用于根据第一时间段的初级解码向量计算第二时间段的预测参数，基于第二时间段的预测参数构建预测图，进行趋势预测，本发明的方案将原有单独的复杂模型修改为多个模型的方式，在趋势预测上取得了更低的误差，提高计算效率。

技术领域

本发明涉及时序预测技术领域，尤其涉及一种面向科技学术会议的领域趋势预测方法、装置及存储介质。

背景技术

科技学术会议领域趋势预测可以抽象成为一个时序预测问题，时序预测是根据历史的时间序列数据之间的规律，预测未来数据的发展趋势，常见的应用有股票预测，气象变化等等。时序预测的方法主要分为线性和非线性两大类。

线性预测方法结构相对简单，一般基于数学算法进行预测，比如自回归积分移动平均预测法，指数平滑法等；此类方法计算复杂度低，对于短期的数据可以取得不错的效果，但面对长距离预测就会有很大的局限性。非线性方法主要是基于机器学习和深度学习，基于机器学习的方法有XGBoost，SVM等。基于深度学习的方法主要是基于循环神经网络的变体LSTM。

趋势预测是时间序列分析问题的一种，目前时间序列问题受到了广泛的关注和研究，时间序列预测分析即利用过去一段时间内的部分特征来预测未来一段时间内的部分特征，可以有单变量预测单变量，多变量预测单变量，多变量预测多变量等不同的建模形式。和传统的回归问题预测模型不同，时间序列预测问题依赖事件发生的先后顺序，若采用单独的预测建模，则会导致模型更加复杂，计算效率较低。

发明内容

鉴于此，本发明的实施例提供了一种面向科技学术会议的领域趋势预测方法、装置及存储介质，以消除或改善现有技术中存在的一个或更多个缺陷。

本发明的第一方面提供了一种面向科技学术会议的领域趋势预测方法，所述方法的步骤包括，

获取第一时间段的学术分布特征，基于所述学术分布特征通过第一网络模型得到学科特征向量；

获取第一时间段的附加特征，所述附加特征包括至少一种，将所述附加特征通过第二网络模型得到附加特征向量；

将所述附加特征向量与学科特征向量进行拼接，得到融合向量，将所述融合向量进行映射处理，得到初级解码向量；

将所述初级解码向量输入第三网络模型，所述第三网络模型用于根据第一时间段的初级解码向量计算第二时间段的预测参数，基于第二时间段的预测参数构建预测图，进行趋势预测。

采用上述方案，本发明提出了一种多特征表征的科技学术会议领域趋势预测算法，将对某一个领域发展可能产生影响的特征按照属性进行区分，分为学科特征和附加特征，再利用相互独立的神经网络对特征进行编码，更好的挖掘潜在的语义信息后将特征进行融合，融合后的结果再通过一个神经网络进行解码，本发明的方案将原有单独的复杂模型修改为多个模型的方式，在趋势预测上取得了更低的误差，预测出的时序数据可以为构建科技学术会议精准画像作为数据支撑，对数据进行聚合，统计，结合可视化技术，提高计算效率。

在本发明的一些实施方式中，所述附加特征的种类包括但不限于企业需求特征和学术机构特征，所述第二网络模型的种类包括但不限于企业需求模型和学术机构模型，

若所述附加特征为企业需求特征和学术机构特征，则在将所述附加特征通过第二网络模型得到附加特征向量的步骤中，

将企业需求特征输入企业需求模型，得到企业附加特征向量；

将学术机构特征输入学术机构模型，得到学术附加特征向量。