-
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：CN114971057B
公开(公告)日：2025-03-28
申请号：CN202210647255.1
申请日：2022-06-09
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种预测时间序列的模型选择方法及装置，在对业务主体的预定业务指标预测相应的时间序列之前，可以从预先训练的多个备选预测模型中选择较优的预测模型。在预测模型选择过程中：一方面利用全局时间序列数据，提取全局时序特征来描述当前业务主体在预定业务指标上的长期业务规律，得到对各个备选预测模型的第一评价结果；另一方面利用短期的局部时间序列数据，提取局部时序特征来描述当前业务主体在预定业务指标上的短期业务状态，得到对各个备选预测模型的第二评价结果。进一步地，将第一评价结果和第二评价结果进行融合，以选出较优的预测模型进行时序预测。这种方式可以提高时间序列预测的准确度。
-
公开(公告)号：CN114881354B
公开(公告)日：2025-01-24
申请号：CN202210605502.1
申请日：2022-05-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/20 , G06F18/25 , G06N3/0464 , G06N3/0455 , G06N3/044 , G06N3/084 , G06Q10/04 , G06Q40/06 , G06F16/2458 , G06F123/02
Abstract: 本说明书实施例提供一种预测多元时间序列的方法及装置，针对各个业务主体的历史时间序列，一方面进行时序编码，另一方面进行周期编码，从而从时序和周期两方面挖掘数据之间的关联性。在时序预测过程中，将时序编码、周期编码两方面的数据融合解码，得到相应的解码张量，并将解码张量与时序特征张量一起用于预测多元时间序列。该方式能够自适应地挖掘时序、周期之间的关联关系，更灵活地提供更准确的时序预测结果。
-
公开(公告)号：CN115357339A
公开(公告)日：2022-11-18
申请号：CN202210974427.6
申请日：2022-08-15
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种计算资源的配置方法及装置，基于流量预测和强化学习的决策评估相结合的构思，在流量时序预测基础上，进行各种应用的计算资源配置。其中，在配置过程中，一方面，基于表征向量对各个应用进行表征，使得计算资源配置方案具有迁移能力，即使面对新应用，也可以基于表征向量适用相应的流量与CPU利用率的关系，另一方面，基于强化学习的策略评估机制，以目标CPU利用率为目标确定长期回报，从而在最大化长期回报基础上对计算资源配置的决策结果进行调整，使得计算资源配置方案尽可能以较小的成本接近目标CPU利用率。该计算资源配置的技术方案，可以为云计算提供更有效的扩缩容机制。
-
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。
-
Patent Agency Ranking
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：CN116011609A
公开(公告)日：2023-04-25
申请号：CN202211336706.6
申请日：2022-10-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06N3/0464 , G06N3/0442 , G06N3/049 , G06N3/08 , G06F17/18
Abstract: 本说明书实施例提供一种训练时序预测模型，以及利用该模型进行预测的方法和装置，其中时序预测模型包括，自回归预测模型和能量计算模型。训练方法包括：获取标签行为序列，其中包括，用户在第一时段中的第一行为序列，以及在后续的第二时段中的行为序列。将第一行为序列输入自回归预测模型，得到对于第二时段中依次发生行为的概率分布信息。基于概率分布信息进行采样，得到N个采样行为序列，与第一行为序列拼接得到N个采样全序列。利用能量计算模型，确定标签行为序列的标签能量值，以及N个采样全序列各自的采样能量值。以目标函数的函数值趋于增大为目标，训练能量计算模型；其中目标函数与标签能量值负相关，与采样能量值正相关。
-
公开(公告)号：CN114970359A
公开(公告)日：2022-08-30
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：CN113538069A
公开(公告)日：2021-10-22
申请号：CN202110962759.8
申请日：2021-08-20
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种预测用户群体的宏观状态的方法和装置。根据该预测方法，可以基于多个用户中各个用户的事件序列，确定该用户对应的事件强度函数。此外，还获取用户群体的目标宏观量在第一时刻的第一期望值。基于以上确定的事件强度函数，以及表示用户对宏观量的影响程度的幅度函数，确定中间函数；其中，该幅度函数与目标宏观量的期望值成线性关系，比例系数为第一系数；且该中间函数基于各个第一系数与事件强度函数的乘积之和而确定。由此，可以将第一时刻，第一期望值，以及待预测的第二时刻，代入期望值随时间变化的关系式，从而确定该宏观量在第二时刻的期望值；其中，该关系式依赖于上述中间函数随时间的积分。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.027 seconds)
