多维度信息的组合预测方法、装置、计算机设备及介质与流程

本发明涉及人工智能的智能决策
技术领域：
，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。
背景技术：
：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。发明人意识到，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。技术实现要素：本发明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，本发明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，本发明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，本发明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，本发明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。本发明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为本发明多维度信息的组合预测方法实施例一的流程图；图2为本发明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是本发明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是本发明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是本发明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为本发明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为本发明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发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。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和非时序预测结果得到预测信息。于本实施例中，所述预测请求具有对象信息、时序信息和非时序信息。所述对象信息是预测请求对应的对象的类型；示例性地，所述类型可为所述对象(如：患者)所得的病症名称，如：糖尿病、心脏病、心肌梗塞等。所述时序信息是预测请求对应的对象随时间推移而累加的状态数据，所述状态数据反映了所述对象的行为和形态，示例性地，患者(即所述对象)在多次就诊所得到的状态数据，其中，行为可为患者得到的处方用药，形态可为患者的症状及关键检验检查值。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。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。实施例二：本实施例为上述实施例一的一种具体应用场景，通过本实施例，能够更加清楚、具体地阐述本发明所提供的方法。下面，以在运行有多维度信息的组合预测方法的服务器中，对时序特征进行计算得到时序预测结果，及对非时序特征进行计算得到非时序预测结果，再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例，来对本实施例提供的方法进行具体说明。需要说明的是，本实施例只是示例性的，并不限制本发明实施例所保护的范围。图2示意性示出了根据本申请实施例二的多维度信息的组合预测方法的环境应用示意图。在示例性的实施例中，多维度信息的组合预测方法所在的认证服务器2通过网络3分别连接用户端4，所述服务器2可以通过一个或多个网络3提供服务，网络3可以包括各种网络设备，例如路由器，交换机，多路复用器，集线器，调制解调器，网桥，中继器，防火墙，代理设备和/或等等。网络3可以包括物理链路，例如同轴电缆链路，双绞线电缆链路，光纤链路，它们的组合和/或类似物。网络3可以包括无线链路，例如蜂窝链路，卫星链路，wi-fi链路和/或类似物；所述用户端4可为智能手机、平板电脑、笔记本电脑、台式电脑等计算机设备。图3是本发明一个实施例提供的一种多维度信息的组合预测方法的具体方法流程图，该方法具体包括步骤s201至s207。s201：接收用户端发送的预测请求；其中，所述预测请求具有对象信息、时序信息和非时序信息。所述对象信息是预测请求对应的对象的类型；示例性地，所述类型可为所述对象(如：患者)所得的病症名称，如：糖尿病、心脏病、心肌梗塞等。所述时序信息是预测请求对应的对象随时间推移而累加的状态数据，所述状态数据反映了所述对象的行为和形态，示例性地，患者(即所述对象)在多次就诊所得到的状态数据，其中，行为可为患者得到的处方用药，形态可为患者的症状及关键检验检查值。例如，假设患者因其病痛进行了五次就诊，得到了五次医师对患者进行诊断而给出的时序信息，如下表所示：所述非时序信息是预测请求中反映预测请求对应的对象的属性数据；示例性地，所述属性数据可为所述对象(如：患者)的个人基本情况，如：身份信息、社会信息、生活习惯等，其中，所述身份信息可包括：性别、年龄、民族；所述社会信息可包括：受教育程度、职业；生活习惯可包括：吸烟状况。例如：得到张三(即所述对象)的属性数据，如下表所示：性别年龄民族受教育程度职业婚姻情况吸烟状况男28汉本科工程师未婚不吸烟s202：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。为保证能够对不同类型的预测请求进行有针对性的计算和预测，以提高该预测请求对应的对象的预测准确度，本步骤通过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的时序模型和非时序模型，其中，所述时序模型用于从所述时序信息的维度对所述对象的行为或状态(例如：依从性、痊愈可能性等)进行预测得到时序预测信息，所述非时序模型用于从非时序信息的维度对所述对象的行为或状态(例如：依从性、痊愈可能性等)进行预测得到非时序预测信息。示例性地，如果提取到的对象信息为糖尿病，那么就从模型集合中，将预通过该对象信息所对应的训练样本(如：对象信息为糖尿病的训练样本)训练的时序模型和非时序模型，用于预测该预测请求。s203：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。为便于通过神经网络模型对时序信息进行计算得到所需的时序预测结果，本步骤通过对时序信息进行时序特征化处理得到以向量形式展现的时序特征，以便于神经网络模型通过该时序特征获知时序信息的内容，并根据该内容进行预测得到时序预测结果。在一个优选的实施例中，请参阅图4，所述时序特征化处理包括以下步骤：s31：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。本步骤中，所述拆分规则是由使用者预置的拆分信息的方法，于本实施例中，所述拆分规则是将同一就诊次序对应的信息作为一个独立的时序子信息，以对所述时序信息进行拆分，基于上述举例，将得到如下的时序子信息：第一时序子信息，如下：就诊次序处方用药患者症状关键检验检查值第一次a药头痛、恶心心率：m1血压：n1第二时序子信息，如下：就诊次序处方用药患者症状关键检验检查值第二次a药、b药头痛心率：m2血压：n2第三时序子信息，如下：就诊次序处方用药患者症状关键检验检查值第三次b药轻微头痛，恶心心率：m3血压：n3第四时序子信息，如下：就诊次序处方用药患者症状关键检验检查值第四次c药轻微头痛心率：m4血压：n4s32：判断得到的时序子信息的数量是否达到预设的时序阈值；本步骤中，所述时序阈值可由使用者自行设置，例如：5。s33：若是，则汇总所述时序子信息获得子信息集合。s34：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。为保证得到的时序特征能够被预置的时序模型计算并最终输出更为准确的时序预测结果，本步骤通过对时序子信息未达到时序阈值的情况提供补零子信息，以保证时序模型能够正常运行，进而保证输出的时序预测结果的准确性。示例性地，基于上述举例，得到的时序子信息的数量为4，而时序阈值为5，因此需要创制一个补零子信息，如下：就诊次序处方用药患者症状关键检验检查值0000s35：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。本步骤中，所述时序向量表是由使用者根据需要制定的，具有时序子信息中各数据项与向量值的映射关系的数据信息表。示例性地，基于上述方案以第一时序信息举例：就诊次序处方用药患者症状关键检验检查值第一次a药头痛、恶心心率：m1血压：n1若在时序向量表中，第一次对应的向量值为0.1，a药对应的向量值为0.2，头痛和恶心所构成的组合的向量值为0.3，心率：m1及血压：n1对应的向量值为0.1，那么得到的时序字向量为：{0.1,0.2,0.3,0.1}示例性地，基于上述方案以第二时序信息举例：就诊次序处方用药患者症状关键检验检查值第二次a药、b药头痛心率：m2血压：n2第二次对应的向量值为0.2，a药和b药对应的向量值为0.25，头痛所构成的组合的向量值为0.2，心率：m2及血压：n2对应的向量值为0.15，那么得到的时序字向量为：{0.2,0.25,0.2,0.15}s36：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。示例性地，基于上述举例得到第一-第四的时序信息的时序子特征以及所述补零子特征，得到如下时序特征：s204：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。为实现快速准确的对时序信息进行预测得到相应的时序预测结果，本步骤通过预设的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。于本实施例中，采用lstm(longshorttermmemory)模型作为时序模型，通过预置的时序样本对初始lstm模型进行训练得到所述时序模型，所述时序样本包括以向量形式表征时序样本内容的时序特征样本，及反应所述时序样本对应的对象的依从性值，其中，所述时序特征样本作为初始lstm模型的输入向量，所述依从性值作为初始lstm模型的训练目标，所述依从性值是以0-1之间任一小于或等于1的小数表示的，以反映患者对医生的依从性程度。因此，本步骤是通过对患者的时序信息进行计算以预测该患者的依从性值，即所述时序预测结果。需要说明的是，lstm(longshort-termmemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，由于lstm模型的训练过程和运行原理属于现有技术，本领域技术人员可通过现有技术即可实现训练及运用lstm模型，因此，lstm模型的训练过程和运行原理在此不做赘述。所述依从性(patientcompliance/treatmentcompliance)也称顺从性，是对象(即：患者)按医生规定进行治疗、及执行与医嘱一致的行为，所述依从性值是指对象按照规定进行治疗、及执行与医嘱一致的行为的量化程度，例如：0.5，即说明了患者对医生所做的治疗，及执行医嘱的完成度为50％。s205：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。为便于通过神经网络模型对非时序信息进行计算得到所需的非时序预测结果，本步骤通过对非时序信息进行非时序特征化处理得到以向量形式展现的非时序特征，以便于神经网络模型通过该非时序特征获知非时序信息的内容，并根据该内容进行预测得到非时序预测结果。在一个优选的实施例中，请参阅图5，所述非时序特征化处理包括以下步骤：s51：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。本步骤中，所述非时序向量表是由使用者根据需要制定的，具有非时序子信息中各数据项与向量值的映射关系的数据信息表。s52：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。示例性地，基于上述举例，非时序信息如下：性别年龄民族受教育程度职业婚姻情况吸烟状况男28汉本科工程师未婚不吸烟若非时序向量表中，性别男对应的向量值为1，年龄28对应的向量值为0.28，民族为汉对应的向量值为0，受教育程度为本科的向量值为0.5，职业是工程师对应的向量值为0.03，婚姻状况是未婚对应的向量值为0.1，吸烟状况是不吸烟对应的向量值为1，那么，得到的非时序特征如下：{1,0.28,0,0.5,0.03,0.1,1}s206：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。为实现快速准确的对非时序信息进行预测得到相应的非时序预测结果，本步骤通过预设的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。于本实施例中，采用由多个全连接层(fully-connectedlayer,fc)组成的深度神经网络作为所述非时序模型，通过预置的非时序样本对所述深度神经网络进行训练得到所述非时序模型；所述非时序样本包括以向量形式表征非时序样本内容的非时序特征样本，及反应所述非时序样本对应的对象的依从性值，其中，所述非时序特征样本作为初始深度神经网络模型的输入向量，所述依从性值作为初始深度神经网络模型的训练目标，所述依从性值是以0-1之间任一小于或等于1的小数表示的，以反映患者对医生的依从性程度。因此，本步骤是通过对患者的非时序信息进行计算以预测该患者的依从性值，即所述非时序预测结果。需要说明的是，全连接层(fullyconnectedlayers，fc)在卷积神经网络技术中起到“分类器”的作用，其用于将获得的“分布式特征表示”映射到样本标记空间的作用。因此，通过构建多个全连接层(fully-connectedlayer,fc)所组成的深度神经网络对所述非时序特征进行分类，将起到快速准确的根据非时序信息对患者进行预测得到该患者依从性值(即：非时序预测结果)的效果。因由多个全连接层组成的深度神经网络的训练过程和运行原理属于现有技术，本领域技术人员可通过现有技术即可实现训练及运用该深度神经网络，因此，深度神经网络的训练过程和运行原理在此不做赘述。所述依从性(patientcompliance/treatmentcompliance)也称顺从性，是对象(即：患者)按医生规定进行治疗、及执行与医嘱一致的行为，所述依从性值是指对象按照规定进行治疗、及执行与医嘱一致的行为的量化程度，例如：0.5，即说明了患者对医生所做的治疗，及执行医嘱的完成度为50％.s207：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。为保证能够从时序信息和非时序信息两个维度，对预测请求对应的对象进行准确的预测判断，本步骤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，提高了预测的准确度。在一个优选的实施例中，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。由于从时序预测结果和非时序预测结果两个维度对所述对象进行预测评价，不仅需要考虑到时序预测结果和非时序预测结果本身的对最终预测信息的影响，还要考虑到所述时序预测结果和非时序预测结果之间的差异对最终预测信息的影响，而使用几何平均值函数恰好满足了上述两个影响方面的考量。例如：对象a的时序预测结果是0.4，非时序预测结果是0.4；对象b的时序预测结果是0.1，非时序预测结果是0.9；如果采用平均值的方法，对象a的预测信息是0.4，对象b的预测信息是0.5，也就是说，时序预测结果和非时序预测结果差异较大且不稳定的对象b要比对象a更具有依从性，在现实中显然是不合理的。而采用本步骤中的预测模型，则会得出对象a的预测信息是0.4，对象b的预测信息是0.3，这显然更符合现实，进而提高了预测的准确度。同时，相比于通过设置时序预测结果和非时序预测结果的权重来保证最终预测信息准确度的方法，不仅无法考量时序预测结果和非时序预测结果差异较大对最终预测信息的影响，还会因设置所述权重导致预测模型对差异较小时序预测结果和非时序预测结果产生过拟合，而对差异较大时序预测结果和非时序预测结果产生欠拟合的问题发生。优选的，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。需要说明的是，基于预测信息得到对应的摘要信息，具体来说，摘要信息由预测信息进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证预测信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。实施例三：请参阅图6，本实施例的一种多维度信息的组合预测装置1，包括：输入模块11，用于接收用户端发送的预测请求；时序预测模块14，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16，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17，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。可选的，所述多维度信息的组合预测装置1还包括：模型选择模块12，用于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。可选的，所述多维度信息的组合预测装置1还包括：时序处理模块13，用于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。可选的，所述多维度信息的组合预测装置1还包括：非时序处理模块15，用于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。本技术方案应用于人工智能的智能决策领域，构建了调用基于神经网络所构建的时序模型计算所述时序特征得到时序预测结果，及调用基于神经网络所构建的非时序模型计算所述非时序特征得到非时序预测结果，并通过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的多维度预测模型。实施例四：为实现上述目的，本发明还提供一种计算机设备5，实施例三的多维度信息的组合预测装置1的组成部分可分散于不同的计算机设备中，计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器51、处理器52，如图7所示。需要指出的是，图7仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。本实施例中，存储器51(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器51可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器51也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。当然，存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器51通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例三的多维度信息的组合预测装置的程序代码等。此外，存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器52在一些实施例中可以是中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备的总体操作。本实施例中，处理器52用于运行存储器51中存储的程序代码或者处理数据，例如运行多维度信息的组合预测装置，以实现实施例一和实施例二的多维度信息的组合预测方法。实施例五：为实现上述目的，本发明还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器52执行时实现相应功能。本实施例的计算机可读存储介质用于存储多维度信息的组合预测装置，被处理器52执行时实现实施例一和实施例二的多维度信息的组合预测方法。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本发明的专利保护范围内。当前第1页12