数据趋势预测模型的训练方法、数据趋势的预测方法与流程

本申请实施例涉及大数据和深度学习技术领域，尤其涉及一种数据趋势预测模型的训练方法、数据趋势的预测方法、装置、电子设备以及存储介质。

背景技术：

随着互联网技术的发展，信息量不断增加，数据分析技术也有了新的发展和突破。

在现有技术中，可以由人工基于统计学的方式，如由数据分析员基于统计学的方式，对待分析对象的历史数据(如金融领域中的股票涨跌的历史数据，又如专利申请量的涨幅历史数据，等等)进行预测，得到未来某时间段内的预测结果(如股票或涨或跌，专利申请量涨幅，等等)。

在实现本申请过程中，发明人发现现有技术中至少存在如下问题：预测结果容易受主观因素的影响，导致预测结果的准确性偏低的技术问题。

技术实现要素：

本申请实施例提供一种数据趋势预测模型的训练方法、数据趋势的预测方法、装置、电子设备以及存储介质，用以解决预测结果的准确性偏低的问题。

第一方面，本申请实施例提供一种数据趋势预测模型的训练方法，所述方法包括：

采集多个样本图像，其中，每一样本图像表征，待分析对象在预设时间段内的数据趋势；

以预设时间间隔对所述每一样本图像进行切割，并对切割后的每一样本图像进行特征提取，得到切割后的每一样本图像的图像特征；

根据预设的卷积神经网络模型确定切割后的每一样本图像特征对应的权重，并基于各权重对所述卷积神经网络模型的参数进行调整，得到数据趋势预测模型；其中，切割后的每一样本图像特征对应的权重，表征与切割后的每一样本图像特征对应的样本图像的趋势类型，所述数据趋势预测模型用于，对所述待分析对象的趋势类型进行预测。

在本实施例中，通过对每一样本图像进行切割，并对切割后的每一样本图像的特征进行提取，且基于切割后的每一样本图像的图像特征，对卷积神经网络模型进行训练，生成用于对待分析对象的趋势类型进行预测的技术方案，避免了相关技术中由人工基于统计学的方式进行预测，造成的准确性偏低的问题，提高了对待分析对象的趋势类型的预测的准确性和可靠性的技术效果，且提高了预测的效率，节约了人工成本的技术效果。

在一些实施例中，以预设时间间隔对所述每一样本图像进行切割，包括：

基于预设的所述待分析对象的类别属性，对所述多个样本图像进行分类，得到归属于各类别的样本图像，并以所述时间间隔对每一类别下的样本图像进行切割。

在本实施例中，在对每一样本图像进行切割时，以类别属性为基础执行，从而实现提高后续训练过程的效率，节约训练资源的技术效果，且可以提高后续基于数据趋势预测模型进行预测的准确性和可靠性的技术效果。

在一些实施例中，若所述待分析对象为数据交易对象，则所述待分析对象的类别属性，表征所述数据交易对象的体量区间；基于预设的所述待分析对象的类别属性，对所述多个样本图像进行分类，包括：

确定每一样本图像的体量信息，并确定每一样本图像的体量信息所属的体量区间；

基于每一样本图像的体量信息所属的体量区间，确定每一样本图像的类别。

在一些实施例中，若所述待分析对象为数据交易对象，则所述样本图像为，所述数据交易对象在所述时间段内的k线图，且切割后的每一样本图像均包括所述时间段内的成交量信息、日均线、平滑异同移动平均线、以及kdj指标信息。

在一些实施例中，若所述待分析对象为数据交易对象，则切割后的每一样本图像均具有趋势类型标签，切割后的每一样本图像的趋势类型标签表征，切割后的每一样本图像的涨幅信息或者跌幅信息；根据预设的卷积神经网络模型确定每一图像特征对应的权重，包括：

基于所述卷积神经网络模型确定切割后的每一样本图像的趋势类型标签；

根据切割后的每一样本图像的趋势类型标签，为切割后的每一样本图像特征分配权重。

在本实施例中，通过基于切割后的每一样本图像的趋势类别标签进行权重的分配，可以使得分配的每一权重与切割后的每一样本图像趋势类别高度贴合，从而实现数据趋势预测模型的准确性和可靠性的技术效果。

在一些实施例中，基于各权重对所述卷积神经网络模型的参数进行调整，得到数据趋势预测模型，包括：

基于所述各权重、以及所述卷积神经网络模型的卷积层的卷积核参数，得到所述多个样本图像各自对应的趋势类型结果；

基于所述每一样本图像的趋势类型结果和趋势类型标签，对所述卷积核参数进行调整。

在一些实施例中，基于所述每一样本图像的趋势类型结果和趋势类型标签，对所述卷积核参数进行调整包括：

确定所述每一样本图像的趋势类型结果和趋势类型标签之间的差异信息；

基于所述差异信息确定，用于调整所述卷积核参数的调整幅度；

基于所述调整幅度对所述卷积核参数进行调整。

第二方面，本申请实施例提供了一种数据趋势的预测方法，所述方法包括：

获取待预测图像，其中，所述待预测图像表征，待分析对象在待预测时间段内的数据趋势；

基于预先训练的数据趋势预测模型对所述待预测图像进行预测，生成所述待预测图像的趋势类型；其中，所述数据趋势预测模型是基于切割后的每一样本图像的图像特征，并基于所述每一样本图像的图像特征对卷积神经网络模型的参数进行调整得到的。

在本实施例中，通过数据趋势预测模型对待预测图像的趋势类型进行预测，可以实现对趋势类型的预测的智能化，提高了预测效率，节约了人工成本，且提高了预测的准确性和可靠性的技术效果。

在一些实施例中，在获取待预测图像之后，所述方法还包括：

确定所述待预测图像的像素信息；

基于所述待预测图像的像素信息，确定所述待预测图像的图像特征。

在一些实施例中，若所述待预测图像为数据交易对应的图像，则确定所述待预测图像的像素信息，包括：

提取所述待预测图像中的k线图；

提取所述待预测图像中的k线图的像素信息，并将所述k线图的像素信息确定为所述待预测图像的像素信息。

在一些实施例中，基于预先训练的数据趋势预测模型对所述待预测图像进行预测，生成所述待预测图像的趋势类型，包括：

提取所述待预测图像的图像特征；

根据所述待预测图像的图像特征、数据趋势预测模型的卷积层的卷积核参数，预测得到所述待预测图像的趋势类型。

第三方面，本申请实施例提供了一种数据趋势预测模型的训练装置，所述装置包括：

采集模块，用于采集多个样本图像，其中，每一样本图像表征，待分析对象在预设时间段内的数据趋势；

切割模块，用于以预设时间间隔对所述每一样本图像进行切割；

特征提取模块，用于对切割后的每一样本图像进行特征提取，得到切割后的每一样本图像的图像特征；

训练模块，用于根据预设的卷积神经网络模型确定切割后的每一样本图像特征对应的权重，并基于各权重对所述卷积神经网络模型的参数进行调整，得到数据趋势预测模型；其中，切割后的每一样本图像特征对应的权重，表征与切割后的每一样本图像特征对应的样本图像的趋势类型，所述数据趋势预测模型用于，对所述待分析对象的趋势类型进行预测。

在一些实施例中，所述切割模块用于，基于预设的所述待分析对象的类别属性，对所述多个样本图像进行分类，得到归属于各类别的样本图像，并以所述时间间隔对每一类别下的样本图像进行切割。

在一些实施例中，若所述待分析对象为数据交易对象，则所述待分析对象的类别属性，表征所述数据交易对象的体量区间；所述切割模块用于，确定每一样本图像的体量信息，并确定每一样本图像的体量信息所属的体量区间，并基于每一样本图像的体量信息所属的体量区间，确定每一样本图像的类别。

在一些实施例中，若所述待分析对象为数据交易对象，则所述样本图像为，所述数据交易对象在所述时间段内的k线图，且切割后的每一样本图像均包括所述时间段内的成交量信息、日均线、平滑异同移动平均线、以及kdj指标信息。

在一些实施例中，若所述待分析对象为数据交易对象，则切割后的每一样本图像均具有趋势类型标签，切割后的每一样本图像的趋势类型标签表征，切割后的每一样本图像的涨幅信息或者跌幅信息；所述训练模块用于，基于所述卷积神经网络模型确定切割后的每一样本图像的趋势类型标签，并根据切割后的每一样本图像的趋势类型标签，为切割后的每一样本图像特征分配权重。

在一些实施例中，所述训练模块用于，基于所述各权重、以及所述卷积神经网络模型的卷积层的卷积核参数，得到所述多个样本图像各自对应的趋势类型结果，并基于所述每一样本图像的趋势类型结果和趋势类型标签，对所述卷积核参数进行调整。

在一些实施例中，所述训练模块用于，确定所述每一样本图像的趋势类型结果和趋势类型标签之间的差异信息，并基于所述差异信息确定，用于调整所述卷积核参数的调整幅度，并基于所述调整幅度对所述卷积核参数进行调整。

第四方面，本申请实施例提供了一种数据趋势的预测装置，所述装置包括：

获取模块，用于获取待预测图像，其中，所述待预测图像表征，待分析对象在待预测时间段内的数据趋势；

预测模块，用于基于预先训练的数据趋势预测模型对所述待预测图像进行预测，生成所述待预测图像的趋势类型；其中，所述数据趋势预测模型是基于切割后的每一样本图像的图像特征，并基于所述每一样本图像的图像特征对卷积神经网络模型的参数进行调整得到的。

在一些实施例中，所述装置还包括：

确定模块，用于确定所述待预测图像的像素信息，并基于所述待预测图像的像素信息，确定所述待预测图像的图像特征。

在一些实施例中，若所述待预测图像为数据交易对应的图像，则所述确定模块用于，提取所述待预测图像中的k线图，提取所述待预测图像中的k线图的像素信息，并将所述k线图的像素信息确定为所述待预测图像的像素信息。

在一些实施例中，所述预测模块用于，提取所述待预测图像的图像特征，并根据所述待预测图像的图像特征、数据趋势预测模型的卷积层的卷积核参数，预测得到所述待预测图像的趋势类型。

第五方面，本申请实施例提供了一种电子设备，包括：存储器，处理器；

存储器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行如第一方面所述的数据趋势预测模型的训练方法；或者，

所述处理器被配置为执行如第二方面所述的数据趋势的预测方法。

第六方面，本申请实施例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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的数据趋势预测模型的训练方法；或者，

所述计算机执行指令被处理器执行时用于实现如第二所述的数据趋势的预测方法。

本申请实施例提供的数据趋势预测模型的训练方法、数据趋势的预测方法、装置、电子设备以及存储介质，包括：采集多个样本图像，其中，每一样本图像表征，待分析对象在预设时间段内的数据趋势，以预设时间间隔对每一样本图像进行切割，并对切割后的每一样本图像进行特征提取，得到切割后的每一样本图像的图像特征，根据预设的卷积神经网络模型确定切割后的每一样本图像特征对应的权重，并基于各权重对卷积神经网络模型的参数进行调整，得到数据趋势预测模型，其中，切割后的每一样本图像特征对应的权重，表征与切割后的每一样本图像特征对应的样本图像的趋势类型，数据趋势预测模型用于，对待分析对象的趋势类型进行预测，通过对每一样本图像进行切割，并对切割后的每一样本图像的特征进行提取，且基于切割后的每一样本图像的图像特征，对卷积神经网络模型进行训练，生成用于对待分析对象的趋势类型进行预测的技术手段，避免了相关技术中由人工基于统计学的方式进行预测，造成的准确性偏低的问题，提高了对待分析对象的趋势类型的预测的准确性和可靠性的技术效果，且提高了预测的效率，节约了人工成本的技术效果。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本申请一个实施例的数据趋势预测模型的训练方法的流程示意图；

图2为本申请另一实施例的数据趋势预测模型的训练方法的流程示意图；

图3为本申请一个实施例的数据趋势的预测方法的流程示意图；

图4为本实施例的数据趋势的预测方法的应用场景的示意图；

图5为本申请一个实施例的数据趋势的预测方法的流程示意图；

图6为本申请实施例的数据趋势预测模型的训练装置的示意图；

图7为本申请一个实施例的数据趋势的预测装置的示意图；

图8为本申请另一实施例的数据趋势的预测装置的示意图；

图9为本申请实施例的电子设备的框图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

对本申请实施例所涉及的名词进行解释如下：

数据趋势：是指待分析对象的数据的走势情况，如增加、减少以及保持不变等，当然，也可能是先增加、又减少，等等。

图像特征：是指图像的颜色特征、像素特征、纹理特征、形状特征、以及空间关系特征中的一种或多种。

k线图：是指数据交易对象(如股票或者期货)的开盘价、最高价、最低价、以及收盘价四个维度的数据，用于反映数据交易对象的状况和价格信息，且k线图可以包括：日k线图、周k线图、以及月k线图等。

成交量信息：是指一个时间单位内对数据交易对象成交的数量信息。

日均线：是指在切割后的样本图像中，用于表征数据交易对象一天的平均价格的线。

平滑异同移动平均线：是指macd(movingaverageconvergencedivergence)指标，用于表征切割后的样本图像中，不同颜色的线是不同时间范围的价格均线。

kdj指标信息：是指随机指标信息，可以是预设或者随机选取的用于分析数据交易对象的指标。

像素信息：是指图像中方格的位置和色彩数值的相关信息。

图像特征：是指图像的颜色特征、像素特征、纹理特征、形状特征、以及空间关系特征中的一种或多种。

体量信息：是指数据交易对象的整体能量，且具体可以理解为数据交易对象的价位信息。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请一个实施例的数据趋势预测模型的训练方法的流程示意图。

如图1所示，该方法包括：

s101：采集多个样本图像，其中，每一样本图像表征，待分析对象在预设时间段内的数据趋势。

示例性地，本实施例的执行主体可以为数据趋势预测模型的训练装置(下文简称训练装置)，且训练装置可以为计算机、服务器(可以为云服务器或者本地服务器)、终端设备、处理器、以及芯片等。

值得说明地是，样本图像的数量可以基于需求、历史记录、以及试验等进行设置。

例如，基于需求对样本图像的数量进行设置的原理可以为：针对相对较高精度的训练需求，设置的样本图像的数量可以相对较多，相应地，针对相对较低精度的训练需求，设置的样本图像的数量可以相对较少。

不同的样本图像表征的数据趋势可能不同，如部分样本图像的数据趋势为增加；部分样本图像的数据趋势为先增加、后减少；部分样本图像的数据趋势为先减少、后增加；部分样本图像的数据趋势为先增加、后减少、再保持不变，等等，此处不再一一列举。

其中，时间段可以基于需求、历史记录、以及试验等进行设置，例如，时间段可以为2年，也可以为10个月等。

s102：以预设时间间隔对每一样本图像进行切割，并对切割后的每一样本图像进行特征提取，得到切割后的每一样本图像的图像特征。

同理，时间间隔可以基于需求、历史记录、以及试验等进行设置，且时间间隔也可以基于时间段进行设置，例如，时间段相对越长，则时间间隔相对越长；时间段相对越短，则时间间隔相对越短。

例如，若时间段为2年，则时间间隔可以为3个月；若时间段为10个月，则时间间隔可以为一个月，或者3周，等。

该步骤可以理解为：训练装置对切割后的每一样本图像的：颜色特征、像素特征、纹理特征、形状特征、以及空间关系特征中的一种或多种，进行提取，得到切割后的每一样本图像的图像特征。

s103：根据预设的卷积神经网络模型确定切割后的每一样本图像特征对应的权重，并基于各权重对卷积神经网络模型的参数进行调整，得到数据趋势预测模型。

其中，切割后的每一样本图像特征对应的权重，表征与切割后的每一样本图像特征对应的样本图像的趋势类型，数据趋势预测模型用于，对待分析对象的趋势类型进行预测。

也就是说，训练装置可以包括卷积神经网络模型，本实施例对卷积神经网络模型的参数不做限定，如通道数量、卷积核的数量等。

值得说明地是，提取切割后的每一样本图像的图像特征可以由训练装置中的其他组件实现，也可以由卷积神经网络模型实现，即可以由卷积神经网络模型对切割后的每一样本图像的特征进行提取。

例如，卷积神经网路模型可以包括输入层，且输入层可以用于接收切割后的各样本图像，且卷积神经网络模型可以包括特征提取层，用于对由输入层传输的切割后的各样本图像进行特征提取。

基于上述分析可知，本申请实施例提供了一种数据趋势预测模型的训练方法，包括：采集多个样本图像，其中，每一样本图像表征，待分析对象在预设时间段内的数据趋势，以预设时间间隔对每一样本图像进行切割，并对切割后的每一样本图像进行特征提取，得到切割后的每一样本图像的图像特征，根据预设的卷积神经网络模型确定切割后的每一样本图像特征对应的权重，并基于各权重对卷积神经网络模型的参数进行调整，得到数据趋势预测模型，其中，切割后的每一样本图像特征对应的权重，表征与切割后的每一样本图像特征对应的样本图像的趋势类型，数据趋势预测模型用于，对待分析对象的趋势类型进行预测，在本实施例中，通过基于表征待分析对象在时间段内的数据趋势的样本图像，对卷积神经网络模型进行训练，生成用于对待分析对象的趋势类型进行预测的数据趋势预测模型，可以避免相关技术中，基于统计学的方式造成的预测的准确性偏低的问题，提高了对待分析对象的趋势类型的预测的准确性和可靠性，且实现了预测的智能化的技术效果。

图2为本申请另一实施例的数据趋势预测模型的训练方法的流程示意图。

如图2所示，该方法包括：

s201：采集多个样本图像，其中，每一样本图像表征，待分析对象在预设时间段内的数据趋势。

示例性地，关于s201地描述，可以参见s101，此处不再赘述。

在一些实施例中，若待分析对象为数据交易对象，则样本图像为，数据交易对象在时间段内的k线图，且切割后的每一样本图像均包括时间段内的成交量信息、日均线、平滑异同移动平均线、以及kdj指标信息。

s202：基于预设的待分析对象的类别属性，对多个样本图像进行分类，得到归属于各类别的样本图像，并以时间间隔对每一类别下的样本图像进行切割。

值得说明地是，待分析对象可能包括不同的类别，如若待分析对象为专利，则待分析对象可以包括：发明类别的专利、实用新型类别的专利、以及外观设计类别的专利，相应地，待分析对象的类别属性包括：发明、实用新型、以及外观设计。

又如，若待分析对象为数据交易对象，且数据交易对象为股票，则待分析对象可以包括：沪深类别的股票，中证类别的股票，创业板科创版类别的股票，st类别的股票，等等。当然，也可以分别将沪深类别的股票标记为a类股票，中证类别的股票划分为b类股票，以此类推，此处不再一一列举。

若时间段为2年，数据交易对象为股票，时间间隔可以为60天(且60天具体可以为60个交易日)，则该步骤可以理解为：对2年内的股票的样本图像进行分类，得到沪深类别的股票的样本图像，中证类别的股票沪深类别的股票的样本图像，中证类别的股票的样本图像，创业板科创版类别的股票的样本图像，st类别的股票的样本图像，创业板科创版类别的股票的样本图像等，针对以60天为基础，将2年内的每一类别下的股票的样本图像进行切割。

在一些实施例中，若待分析对象为数据交易对象，则待分析对象的类别属性，表征数据交易对象的体量区间；基于预设的待分析对象的类别属性，对多个样本图像进行分类，包括如下步骤：

步骤1：确定每一样本图像的体量信息，并确定每一样本图像的体量信息所属的体量区间。

结合上述示例，体量信息是指，数据交易对象的整体能量，且具体可以理解为数据交易对象的价位信息。例如，若数据交易对象为股票，则股票的每一样本图像的体量信息为总股本。

步骤2：基于每一样本图像的体量信息所属的体量区间，确定每一样本图像的类别。

仍以数据交易对象为股票为例，则可以理解为在划分数据交易对象的类别，即确定数据交易对象的类别属性时，可以基于总股本确定。

s203：对切割后的每一样本图像进行特征提取，得到切割后的每一样本图像的图像特征。

示例性地，特征提取地描述可以参见上述示例，此处不再赘述。

s204：基于卷积神经网络模型确定切割后的每一样本图像的趋势类型标签。

其中，待分析对象为数据交易对象，则切割后的每一样本图像均具有趋势类型标签，切割后的每一样本图像的趋势类型标签表征，切割后的每一样本图像的涨幅信息或者跌幅信息。

示例性地，可以由训练装置确定切割后的每一样本图像的趋势类别标签，并对切割后的每一样本图像进行打标签处理；也可以由其他装置确定切割后的每一样本图像的趋势类型标签，并对切割后的每一样本图像进行打标签处理；还可以基于人为的方式确定切割后的每一样本图像的趋势类型标签，并对切割后的每一样本图像进行打标签处理，等等，本实施例不做限定。

若数据交易对象为股票，则趋势类别标签可以基于切割后的每一样本图像的未来一段时间的涨幅信息或者跌幅信息，作为切割后的每一样本图像的趋势类别标签。

一个示例中，趋势类别标签可以采用数值表示，例如，趋势类别标签可以为1，且趋势类别标签1可以表征涨；又如，趋势类别标签可以为2，且趋势类别标签2可以表征跌；又如，趋势类别标签可以为3，且趋势类别标签3可以表征平(即保持不变)。

另一个示例中，趋势类别标签可以包括两级标签，第一级标签可以表征趋势类型，如涨、跌、以及平，第二级标签可以表征趋势类型下的具体比例信息(如比例区间)，即可以在趋势类型的基础上，进一步细化趋势类型的幅度。

例如，针对为涨的第一标签，可以包括：暴涨(即股票的涨幅为50％以上)、大涨(即股票的涨幅为20％-50％)、中涨(即股票的涨幅为10％-20％)、小涨(即股票的涨幅为5％-10％)；

针对为平的第一标签，可以包括：正平(即股票的保持在0-5％)、负平(即股票的保持-5％-0)；

针对为跌的第一标签，可以包括：暴跌(即股票的跌幅为-50％以上)、大跌(即股票的跌幅为-20％--50％)、中跌(即股票的跌幅为-10％--20％)、小跌(即股票的跌幅为-5％--10％)。

在一些实施例中，可以将趋势类型的第一级标签划分为不同的模式；

例如，针对为涨的第一标签，可以包括：抄底模式、w形反转、v形反转、黄金坑反转、再创新高模式、平地起高楼模式、长期上涨模式。

针对为跌的第一标签，可以包括：逃顶模式、m型反转、倒v型反转、倒黄金坑反转、再创新低模式、平地落深渊模式、长期下跌模式。

s205：根据切割后的每一样本图像的趋势类型标签，为切割后的每一样本图像特征分配权重。

即不同的趋势类型的切割后的样本图像，分配的权重不同。

一个示例中，若切割后的样本图像的趋势类型标签为涨幅信息，则可以将该切割后的样本图像的权重设置大于0.5的权重；若切割后的样本图像的趋势类型标签为跌幅信息，则可以将该切割后的样本图像的权重设置小于0.5的数。且涨幅信息对应的涨幅值越大，相应地切割后的样本图像的权重越大。

另一示例中，若切割后的样本图像的趋势类型标签为涨幅信息，则可以将该切割后的样本图像的权重设置小于0.5的权重；若切割后的样本图像的趋势类型标签为跌幅信息，则可以将该切割后的样本图像的权重设置大于0.5的数。且涨幅信息对应的涨幅值越大，相应地切割后的样本图像的权重越小。

值得说明地是，上述示例只是用于示范性地说明，可能为切割后的每一样本图像分配权重的方式，而不能理解为对为切割后的每一样本图像分配权重的限定。

s206：基于各权重对卷积神经网络模型的参数进行调整，得到数据趋势预测模型。

在一些实施例中，s206可以包括如下步骤：

步骤1：基于各权重、以及卷积神经网络模型的卷积层的卷积核参数，得到多个样本图像各自对应的趋势类型结果。

步骤2：基于每一样本图像的趋势类型结果和趋势类型标签，对卷积核参数进行调整。

在一些实施例中，步骤2可以包括如下子步骤：

子步骤1：确定每一样本图像的趋势类型结果和趋势类型标签之间的差异信息。

示例性地，可以计算趋势类型结果和趋势类型标签之间的代价函数，并基于代价函数确定二者之间的差异信息。

子步骤2：基于差异信息确定，用于调整卷积核参数的调整幅度。

示例性地，若差异信息表征，趋势类型结果和趋势类型标签之间的差异较大，则确定出的调整幅度可以相对较大；若差异信息表征，趋势类型结果和趋势类型标签之间的差异较小，则确定出的调整幅度可以相对较小。

子步骤3：基于调整幅度对卷积核参数进行调整。

在本实施例中，通过确定差异信息，并基于差异信息确定调整幅度，以便基于调整幅度对卷积核参数进行调整，可以使得训练生成的数据趋势预测模型的高准确性和高可靠性的技术效果。

值得说明地是，在一些实施例中，还可以引入对经s206得到数据趋势预测模型进行优化的特征。

例如，基于采集的验证图像对数据趋势预测模型进行调整，具体地：

基于数据趋势预测模型，对每一验证图像的像素信息进行提取，并根据每一验证图像的像素信息、数据趋势预测模型的卷积参核数，确定验证结果，且根据验证结果对数据趋势预测模型的卷积核参数进行调整，得到成熟的数据趋势预测模型。

在一些实施例中，每一验证图像也具有趋势类别标签，同理，每一验证图像的趋势类别标签表征，每一验证图像的涨幅信息或者跌幅信息，则根据验证结果对数据趋势预测模型的卷积核参数进行调整，包括：基于每一验证结果、与每一验证结果对应的验证图像的趋势类别标签，对数据趋势预测模型的卷积核参数进行调整。

示例性地，该步骤可以包括：基于各验证结果、以及各验证图像各自对应的标定值(每一验证图像的趋势类别标签确定的)进行比对，得到二者的损失值，基于该损失值确定用于调整数据趋势预测模型的卷积核参数的幅度，并基于该幅度对数据趋势预测模型的卷积核参数进行调整。

值得说明地是，在本实施例中，通过引入验证图像，对数据趋势预测模型进行优化，可以进一步提高数据趋势预测模型的准确性和可靠性的技术效果。

图3为本申请一个实施例的数据趋势的预测方法的流程示意图。

如图3所示，该方法可以包括：

s301：获取待预测图像，其中，待预测图像表征，待分析对象在待预测时间段内的数据趋势。

示例性地，本实施例的数据趋势的预测方法的执行主体可以为数据趋势的预测装置(下文简称预测装置)，且预测装置可以为计算机、服务器(可以为云服务器或者本地服务器)、终端设备、处理器、以及芯片等。

值得说明地是，预测装置与训练装置可以为同一装置，也可以为不同的装置，本实施例不做限定。

图4为本实施例的数据趋势的预测方法的应用场景的示意图。

如图4所示，预测装置可以为设置于如图4中所示的笔记本电脑100中的处理器，用户200可以基于笔记本电脑100将待预测图像，如图4所示的股票的图像传输给处理器，相应地，处理器接收股票的图像。

当然，在另一些实施例中，预测装置中可以设置有触发获取待预测图像的条件，如以预设时间周期，对待分析对象(如股票)的图像进行获取，则获取到的图像即为待预测图像。

应该理解地是，待分析对象还可以包括如专利、消费量、出行量、以及证券等，本实施例不做限定。

s302：基于预先训练的数据趋势预测模型对待预测图像进行预测，生成待预测图像的趋势类型。

其中，数据趋势预测模型是基于切割后的每一样本图像的图像特征，并基于每一样本图像的图像特征对卷积神经网络模型的参数进行调整得到的。

关于训练数据趋势预测模型的方法可以参见上述示例，如参见图1或者图2所示的示例，此处不再赘述。

值得说明地是，在本实施例中，通过数据趋势预测模型对待预测图像的趋势类型进行预测，相较于相关技术中，由人工基于统计学的方式进行预测，提高了预测效率，避免了人为因素的影响，提高了预测的准确性和可靠性的技术效果，且可以提高对数据趋势的预测的智能化。

图5为本申请一个实施例的数据趋势的预测方法的流程示意图。

如图5所示，该方法可以包括：

s401：获取待预测图像，其中，待预测图像表征，待分析对象在待预测时间段内的数据趋势。

示例性地，关于s401的描述可以参见s301，此处不再赘述。

s402：确定待预测图像的像素信息。

该步骤可以理解为：预测装置可以对待预测图像的像素进行分析，得到待预测图像的像素信息。

在一些实施例中，可以对待预测图像进行二值化处理，并对二值化处理后的待预测图像进行像素信息的提取操作。

在本实施例中，该步骤可以理解为：对待预测图像进行分析，得到待预测图像的各小方格的位置(如以图像坐标系为基础的坐标)、以及各小方格各自对应的色彩数值(rgb值)等。

在一些实施例中，若待预测图像为数据交易对应的图像，则s402可以包括：提取待预测图像中的k线图，提取待预测图像中的k线图的像素信息，并将k线图的像素信息确定为待预测图像的像素信息。

也就是说，在本实施例中，若待分析对象为数据交易，待预测图像为数据交易对应的图像，则在对待预测图像的像素信息进行确定时，可以先从待预测图像中提取k线图，并确定k线图的像素信息，且将k线图的像素信息作为待预测图像的像素信息。

s403：基于待预测图像的像素信息，确定待预测图像的图像特征。

值得说明地是，可以由数据趋势预测模型对待预测图像的图像特征进行提取，也可以由预测装置中的其他组件对待预测图像的图像特征进行提取，本实施例不做限定。

s404：根据待预测图像的图像特征、数据趋势预测模型的卷积层的卷积核参数，预测得到待预测图像的趋势类型。

示例性地，可以基于待预测图像的图像特征、以及数据趋势预测模型的卷积层的卷积核参数，确定预测值，并基于确定待预测图像的趋势类型。

图6为本申请实施例的数据趋势预测模型的训练装置的示意图。

如图6所示，该装置包括：

采集模块11，用于采集多个样本图像，其中，每一样本图像表征，待分析对象在预设时间段内的数据趋势；

切割模块12，用于以预设时间间隔对所述每一样本图像进行切割；

特征提取模块13，用于对切割后的每一样本图像进行特征提取，得到切割后的每一样本图像的图像特征；

训练模块14，用于根据预设的卷积神经网络模型确定切割后的每一样本图像特征对应的权重，并基于各权重对所述卷积神经网络模型的参数进行调整，得到数据趋势预测模型；其中，切割后的每一样本图像特征对应的权重，表征与切割后的每一样本图像特征对应的样本图像的趋势类型，所述数据趋势预测模型用于，对所述待分析对象的趋势类型进行预测。

在一些实施例中，所述切割模块12用于，基于预设的所述待分析对象的类别属性，对所述多个样本图像进行分类，得到归属于各类别的样本图像，并以所述时间间隔对每一类别下的样本图像进行切割。

在一些实施例中，若所述待分析对象为数据交易对象，则所述待分析对象的类别属性，表征所述数据交易对象的体量区间；所述切割模块12用于，确定每一样本图像的体量信息，并确定每一样本图像的体量信息所属的体量区间，并基于每一样本图像的体量信息所属的体量区间，确定每一样本图像的类别。

在一些实施例中，若所述待分析对象为数据交易对象，则所述样本图像为，所述数据交易对象在所述时间段内的k线图，且切割后的每一样本图像均包括所述时间段内的成交量信息、日均线、平滑异同移动平均线、以及kdj指标信息。

在一些实施例中，若所述待分析对象为数据交易对象，则切割后的每一样本图像均具有趋势类型标签，切割后的每一样本图像的趋势类型标签表征，切割后的每一样本图像的涨幅信息或者跌幅信息；所述训练模块14用于，基于所述卷积神经网络模型确定切割后的每一样本图像的趋势类型标签，并根据切割后的每一样本图像的趋势类型标签，为切割后的每一样本图像特征分配权重。

在一些实施例中，所述训练模块14用于，基于所述各权重、以及所述卷积神经网络模型的卷积层的卷积核参数，得到所述多个样本图像各自对应的趋势类型结果，并基于所述每一样本图像的趋势类型结果和趋势类型标签，对所述卷积核参数进行调整。

在一些实施例中，所述训练模块14用于，确定所述每一样本图像的趋势类型结果和趋势类型标签之间的差异信息，并基于所述差异信息确定，用于调整所述卷积核参数的调整幅度，并基于所述调整幅度对所述卷积核参数进行调整。

图7为本申请一个实施例的数据趋势的预测装置的示意图。

如图7所示，该装置包括：

获取模块21，用于获取待预测图像，其中，所述待预测图像表征，待分析对象在待预测时间段内的数据趋势；

预测模块22，用于基于预先训练的数据趋势预测模型对所述待预测图像进行预测，生成所述待预测图像的趋势类型；其中，所述数据趋势预测模型是基于切割后的每一样本图像的图像特征，并基于所述每一样本图像的图像特征对卷积神经网络模型的参数进行调整得到的。

结合图8可知，在一些实施例中，所述装置还包括：

确定模块23，用于确定所述待预测图像的像素信息，并基于所述待预测图像的像素信息，确定所述待预测图像的图像特征。

在一些实施例中，若所述待预测图像为数据交易对应的图像，则所述确定模块23用于，提取所述待预测图像中的k线图，提取所述待预测图像中的k线图的像素信息，并将所述k线图的像素信息确定为所述待预测图像的像素信息。

在一些实施例中，所述预测模块22用于，提取所述待预测图像的图像特征，并根据所述待预测图像的图像特征、数据趋势预测模型的卷积层的卷积核参数，预测得到所述待预测图像的趋势类型。

根据本申请实施例的另一个方面，本申请实施例还提供了一种电子设备和一种可读存储介质。

请参阅图9，图9为本申请实施例的电子设备的框图。

其中，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图9所示，该电子设备包括：一个或多个处理器101、存储器102，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器101为例。

存储器102即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的数据趋势预测模型的训练方法或者数据趋势的预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的数据趋势预测模型的训练方法或者数据趋势的预测方法。

存储器102作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块。处理器101通过运行存储在存储器102中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的数据趋势预测模型的训练方法或者数据趋势的预测方法。

存储器102可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器102可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器102可选包括相对于处理器101远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

电子设备还可以包括：输入装置103和输出装置104。处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接，图9中以通过总线连接为例。

输入装置103可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置104可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。