(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211134992.8 (22)申请日 2022.09.19 (71)申请人 中国农业银行股份有限公司 地址 100005 北京市东城区建国门内大街 69号 (72)发明人 滕竹　李鑫　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 梁瑜　臧建明 (51)Int.Cl. G06N 3/08(2006.01) G06N 3/04(2006.01) G06F 16/2458(2019.01) G06F 16/28(2019.01) (54)发明名称 时序数据处理模型训练方法、 装置、 设备及 存储介质 (57)摘要 本申请提供一种时序数据处理模型训练方 法、 装置、 设备及存储介质， 通过读取时序数据训 练样本， 并提取时序数据训练样 本的目标时序特 征， 其中， 时序数据训练样本内包括至少两条业 务记录， 目标时序特征表征时序数据训练样本内 的业务记录在目标时间维度上的分布； 基于时序 数据训练样 本的目标时序特征， 得到对应的训练 截止信息， 训练截止信息用于表征使用时序数据 训练样本训练模型时， 模型的收敛条件； 基于训 练截止信息， 利用时序数据训练样 本对初始神经 网络模型进行训练， 得到目标神经网络模型， 目 标神经网络模型用于基于时序数据预测业务结 果。 提高训练效率， 缩短训练时长， 实现 处理模型 的快速建模， 进而提高基于时序数据进行业务预 测的时效性。 权利要求书2页 说明书12页 附图7页 CN 115392459 A 2022.11.25 CN 115392459 A 1.一种时序数据处 理模型训练方法， 其特 征在于， 所述方法包括： 读取时序数据训练样本， 并提取时序数据训练样本的目标时序 特征， 其中， 所述时序 数 据训练样本内包括至少两条业务记录， 所述目标时序特征表征所述时序数据训练样本内的 业务记录在目标时间维度上的分布； 基于所述时序数据训练样本的目标时序特征， 得到对应的训练截止信息， 所述训练截 止信息用于表征使用所述时序数据训练样本训练模型时， 所述模型的收敛 条件； 基于所述训练截止信息， 利用所述时序数据训练样本对初始神经网络模型进行训练， 得到目标神经网络模型， 所述目标神经网络模型用于基于时序数据预测业 务结果。 2.根据权利要求1所述的方法， 其特征在于， 所述提取时序 数据训练样本的目标时序 特 征， 包括： 获取时序 数据训练样本 中各业务记录的记录类别， 所述记录类别表征所述业务记录对 应的业务内容； 基于所述记录类别， 对各业 务记录进分类， 得到各记录类别对应的业 务记录组； 基于目标业务记录组， 进行时序特征提取， 得到所述时序数据训练样本的目标时序特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述基于目标业务记录组， 进行时序特征 提取， 得到所述时序数据训练样本的目标时序特 征， 包括： 获得所述目标业 务记录组对应的目标记录类别； 基于所述目标记录类别， 得到对应的目标时间维度； 基于所述目标时间维度， 对所述目标业务记录组中的各业务记录进行数据合并， 得到 所述目标时序特 征。 4.根据权利要求2所述的方法， 其特征在于， 所述目标业务记录组包括至少两种记录类 别的业务记录， 所述基于目标业务记录组， 进行时序特征提取， 得到所述时序数据训练样本 的目标时序特 征， 包括： 获取各记录类别对应的匹配时间维度； 将各所述记录类别对应在业务记录， 在对应的匹配时间维度下进行合并， 得到至少两 个匹配时间维度对应的子维度时序特 征； 基于各记录类别对应的加权系数， 对对应的子维度时序特征进行加权计算， 得到所述 目标时序特征， 其中， 所述加权系 数表征对应的记录类别的业务记录对所述训练截止信息 的影响程度。 5.根据权利要求1所述的方法， 其特征在于， 在基于所述训练截止信息， 利用所述时序 数据训练样本对初始神经网络模型进行训练之前， 还 包括： 基于所述训练截止信 息， 对所述 时序数据训练样本进行格 式化， 生成格 式化训练数据， 其中， 所述格式化训练数据的数据长度与所述训练截止信息对应； 所述基于所述训练截止信 息， 利用所述 时序数据训练样本对初始神经网络模型进行训 练， 得到目标神经网络模型， 包括： 基于所述训练截止信息， 利用所述格式化训练数据对初始神经网络模型进行训练， 得 到目标神经网络模型。 6.根据权利要求1所述的方法， 其特征在于， 所述初始神经网络模型包括依次连接的双权　利　要　求　书 1/2 页 2 CN 115392459 A 2向循环神经网络和至少一个全连接层； 所述利用所述 时序数据训练样本对初始神经网络模型进行训练， 得到目标神经网络模 型， 包括： 将所述时序数据训练样本输入初始神经网络模型， 得到所述初始神经网络模型输出的 曲线下面积； 基于所述曲线下面积对所述初始神经网络模型进行反 向梯度传播， 直至满足所述训练 截止信息对应的收敛 条件。 7.根据权利要求1 ‑6任一项所述的方法， 其特征在于， 所述训练截止信息包括第 一收敛 条件、 第二收敛 条件和第三收敛 条件中的至少一种， 其中， 所述第一收敛 条件表征基于时间收敛； 所述第二收敛 条件表征基于训练次数收敛； 所述第三收敛 条件表征基于残差精度收敛。 8.一种时序数据处 理模型训练装置， 其特 征在于， 包括： 提取模块， 用于读取时序 数据训练样本， 并提取时序数据训练样本的目标时序特征， 其 中， 所述时序数据训练样本包括至少 两条业务记录， 所述 目标时序特征表征所述业务记录 在目标时间维度上的分布； 生成模块， 用于基于所述时序数据训练样本的目标时序特征， 得到对应的训练截止信 息， 所述训练截止信息用于表征使用所述时序数据训练样本训练模型时， 所述模型 的收敛 条件； 训练模块， 基于所述训练截止信息， 利用所述时序数据训练样本对初始神经网络模型 进行训练， 得到目标神经网络模型， 所述 目标神经网络模型用于基于时序数据预测 业务结 果。 9.一种电子设备， 其特 征在于， 包括： 处 理器， 以及与所述处 理器通信连接的存 储器； 所述存储器存储计算机执 行指令； 所述处理器执行所述存储器存储的计算机执行指令， 以实现如权利要求1至7中任一项 所述的时序数据处 理模型训练方法。 10.一种计算机可读存储介质， 其特征在于， 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权利要求 1至7中任一项 所述的 时序数据处 理模型训练方法。权　利　要　求　书 2/2 页 3 CN 115392459 A 3