神经网络模型的训练方法、装置、电子设备及存储介质与流程

本公开涉及深度学习，尤其涉及一种神经网络模型的训练方法、装置、电子设备及存储介质。

背景技术：

1、预测新增阳性病例人数已成为当今最为关注的问题之一。深度学习技术在这方面发挥了重要作用。其基于多层神经网络的模型可以自动地从大量数据中提取特征，对未来的趋势进行预测。具体来说，深度学习模型可以通过历史病例数据、天气、交通和社会活动等因素建立数据模型，并通过模型进行预测。此外，深度学习模型可以不断地学习新的数据，提升预测的准确性。因此，利用深度学习技术进行新增阳性病例人数预测是一种高效、准确、可持续的方法。

2、相关技术，可以使用cnn模型可以从历史数据中提取特征，但是它无法考虑增加阳性病例背后的原因，且模型泛化能力较差。这可能会使得模型预测出的结果缺乏解释力，不能直接用于制定公共卫生管理措施。

技术实现思路

1、本公开旨在至少在一定程度上解决相关技术中的技术问题之一。

2、本公开第一方面实施例提出了一种神经网络模型的训练方法，包括：

3、获取训练数据集，其中，所述训练数据集中包含待预测城市在指定时期内的新增异常数据；

4、将所述训练数据集输入至预先构建的预测模型中进行迭代训练，直至迭代次数达到预设阈值停止训练，其中，所述预测模型是cnn模型和双向长短期记忆模型融合构建的模型；

5、基于预先选择的误差函数模型对所述预测模型进行评估，直至所述预测模型所对应的误差值满足预设条件，确定所述预测模型为训练完成的预测模型。

6、本公开第二方面实施例提出了一种神经网络模型的训练装置，包括：

7、获取模块，用于获取训练数据集，其中，所述训练数据集中包含待预测城市在指定时期内的新增异常数据；

8、训练模块，用于将所述训练数据集输入至预先构建的预测模型中进行迭代训练，直至迭代次数达到预设阈值停止训练，其中，所述预测模型是cnn模型和双向长短期记忆模型融合构建的模型；

9、评估模块，用于基于预先选择的误差函数模型对所述预测模型进行评估，直至所述预测模型所对应的误差值满足预设条件，确定所述预测模型为训练完成的预测模型。

10、本公开第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的神经网络模型的训练方法。

11、本公开第四方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如本公开第一方面实施例提出的神经网络模型的训练方法。

12、本公开提供的神经网络模型的训练方法、装置、设备及存储介质，存在如下有益效果：

13、本公开实施例中，该装置首先获取训练数据集，其中，所述训练数据集中包含待预测城市在指定时期内的新增异常数据，之后将所述训练数据集输入至预先构建的预测模型中进行迭代训练，直至迭代次数达到预设阈值停止训练，其中，所述预测模型是cnn模型和双向长短期记忆模型融合构建的模型，最后基于预先选择的误差函数模型对所述预测模型进行评估，直至所述预测模型所对应的误差值满足预设条件，确定所述预测模型为训练完成的预测模型。由此，可以使得训练生成的预测模型能够对新增阳性人数进行预测，实现对数据时序特征的提取，同时实现对预测精度的提高，有助于对数据进行精确化管理。

14、本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

技术特征：

1.一种神经网络模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，在所述将所述训练数据集输入至预先构建的预测模型中进行迭代训练之前，还包括：

3.根据权利要求1所述的方法，其特征在于，在所述确定所述预测模型为训练完成的预测模型之后，还包括：

4.根据权利要求1所述的方法，其特征在于，所述预先选择的误差函数模型至少包含平均绝对误差和均方根误差。

5.一种神经网络模型的训练装置，其特征在于，包括：

6.根据权利要求5所述的装置，其特征在于，所述训练模块，还用于：

7.根据权利要求5所述的装置，其特征在于，所述评估模块，还用于：

8.根据权利要求5所述的装置，其特征在于，所述预先选择的误差函数模型至少包含平均绝对误差和均方根误差。

9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-4中任一所述的神经网络模型的训练方法。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的神经网络模型的训练方法。

技术总结
本公开提出了一种神经网络模型的训练方法、装置、电子设备及存储介质，涉及深度学习技术领域，包括：获取训练数据集，其中，所述训练数据集中包含待预测城市在指定时期内的新增异常数据；将所述训练数据集输入至预先构建的预测模型中进行迭代训练，直至迭代次数达到预设阈值停止训练，其中，所述预测模型是CNN模型和双向长短期记忆模型融合构建的模型；基于预先选择的误差函数模型对所述预测模型进行评估，直至所述预测模型所对应的误差值满足预设条件，确定所述预测模型为训练完成的预测模型。由此，可以使得训练生成的预测模型能够对新增阳性人数进行预测，实现对数据时序特征的提取，同时实现对预测精度的提高，有助于对数据进行精确化管理。

技术研发人员：林峰璞,穆显显,石志国,郭家义,朱芳,朱蓉华,梁玉晨,毛伟,赵敏,贾瑞江
受保护的技术使用者：北京市大数据中心
技术研发日：
技术公布日：2024/1/15