本發(fā)明涉及人工智能,尤其涉及一種基于大模型的數(shù)據(jù)預測方法、系統(tǒng)及存儲介質(zhì)。
背景技術(shù):
1、隨著互聯(lián)網(wǎng)和大數(shù)據(jù)的興起,出現(xiàn)了很多的投、融資平臺。投、融資平臺對投資對象按行業(yè)進行分類排列,方便用戶對投資對象的查詢和了解,為降低投資風險,用戶需要對投資對象進行投資分析和預測,因此,對投資對象的數(shù)據(jù)預測問題越來越受人們所重視。
2、現(xiàn)有的數(shù)據(jù)預測過程中,一般采用人工分析預測的方式對投資對象的風險或收益進行預測,基于預測結(jié)果確定對應(yīng)的策略建議,但由于預測結(jié)果受人工主觀影響較大,導致數(shù)據(jù)預測準確率低下。
技術(shù)實現(xiàn)思路
1、本發(fā)明實施例的目的在于提供一種基于大模型的數(shù)據(jù)預測方法、系統(tǒng)及存儲介質(zhì),以解決現(xiàn)有技術(shù)中數(shù)據(jù)預測準確率低下的問題。
2、本發(fā)明實施例是這樣實現(xiàn)的,一種基于大模型的數(shù)據(jù)預測方法,所述方法包括:
3、獲取待預測對象的對象采集數(shù)據(jù),并將所述對象采集數(shù)據(jù)輸入預訓練后的大模型進行趨勢預測,得到對象預測趨勢;
4、將所述對象預測趨勢輸入預訓練后的智能體進行模型模擬,得到對象模擬模型,并根據(jù)所述對象模擬模型對所述待預測對象進行風險預測,得到風險預測結(jié)果;
5、將所述待預測對象輸入預訓練后的檢索增強生成模型進行檢索生成,得到對象生成信息;
6、根據(jù)所述對象生成信息和所述風險預測結(jié)果生成所述待預測對象的策略建議。
7、優(yōu)選的,將所述對象采集數(shù)據(jù)輸入預訓練后的大模型進行趨勢預測,得到對象預測趨勢之前,還包括:
8、獲取對象樣本數(shù)據(jù),并將所述對象樣本數(shù)據(jù)輸入所述大模型進行關(guān)鍵數(shù)據(jù)提取,得到關(guān)鍵文本、關(guān)鍵圖像和關(guān)鍵音頻;
9、對所述關(guān)鍵文本、所述關(guān)鍵圖像和所述關(guān)鍵音頻進行特征提取,得到文本特征、圖像特征和音頻特征,并將所述文本特征、所述圖像特征和所述音頻特征進行特征融合,得到樣本融合特征;
10、根據(jù)所述樣本融合特征進行趨勢預測,得到樣本預測趨勢,并根據(jù)所述樣本預測趨勢、所述關(guān)鍵文本、所述關(guān)鍵圖像、所述關(guān)鍵音頻、所述文本特征、所述圖像特征、所述音頻特征和所述樣本融合特征確定模型損失;
11、根據(jù)所述模型損失對所述大模型進行參數(shù)更新,直至所述大模型收斂,得到預訓練后的所述大模型。
12、優(yōu)選的,將所述對象樣本數(shù)據(jù)輸入所述大模型進行關(guān)鍵數(shù)據(jù)提取,得到關(guān)鍵文本、關(guān)鍵圖像和關(guān)鍵音頻,包括:
13、根據(jù)所述大模型獲取所述對象樣本數(shù)據(jù)中文本信息、圖像信息和音頻信息的轉(zhuǎn)載次數(shù)和評論次數(shù),并根據(jù)所述轉(zhuǎn)載次數(shù)和所述評論次數(shù)確定信息熱度;
14、根據(jù)所述信息熱度對所述文本信息、所述圖像信息和所述音頻信息進行熱度排序,并根據(jù)熱度排序結(jié)果對所述文本信息、所述圖像信息和所述音頻信息進行關(guān)鍵數(shù)據(jù)提取,得到所述關(guān)鍵文本、所述關(guān)鍵圖像和所述關(guān)鍵音頻。
15、優(yōu)選的,將所述對象預測趨勢輸入預訓練后的智能體進行模型模擬,得到對象模擬模型之前,還包括:
16、獲取對象趨勢樣本,并將所述對象趨勢樣本輸入所述智能體進行模型模擬,得到樣本模擬模型;
17、根據(jù)所述樣本模擬模型對所述對象趨勢樣本對應(yīng)的樣本對象進行風險預測,得到樣本預測結(jié)果,并根據(jù)所述樣本預測結(jié)果和所述樣本模擬模型確定學習損失;
18、根據(jù)所述學習損失對所述智能體進行參數(shù)更新,直至收斂,得到預訓練后的所述智能體。
19、優(yōu)選的,將所述待預測對象輸入預訓練后的檢索增強生成模型進行檢索生成,得到對象生成信息之前,還包括:
20、根據(jù)所述檢索增強生成模型,在預設(shè)數(shù)據(jù)庫中對樣本對象進行信息查詢,得到樣本查詢信息,并對所述樣本查詢信息進行信息生成,得到樣本生成信息;
21、根據(jù)所述樣本生成信息確定生成損失,并根據(jù)所述生成損失對所述檢索增強生成模型進行參數(shù)更新,直至收斂,得到預訓練后的所述檢索增強生成模型。
22、優(yōu)選的,獲取待預測對象的對象采集數(shù)據(jù),包括:
23、獲取所述待預測對象的對象地址,并根據(jù)所述對象地址進行政策信息獲取,得到地方政策信息;
24、獲取所述待預測對象的對象名稱,并根據(jù)所述對象名稱進行新聞信息獲取、訴訟信息獲取和證券信息獲取,得到對象新聞信息、對象訴訟信息和對象證券信息;
25、將所述對象新聞信息、所述對象訴訟信息、所述對象證券信息和所述地方政策信息進行組合,得到所述對象采集數(shù)據(jù)。
26、優(yōu)選的,根據(jù)所述樣本預測趨勢、所述關(guān)鍵文本、所述關(guān)鍵圖像、所述關(guān)鍵音頻、所述文本特征、所述圖像特征、所述音頻特征和所述樣本融合特征確定模型損失,包括:
27、計算所述樣本預測趨勢與標準預測趨勢之間的趨勢相似度,并根據(jù)所述趨勢相似度確定第一損失;
28、計算所述關(guān)鍵文本與標準文本之間的文本相似度,并根據(jù)所述文本相似度確定第二損失;
29、計算所述關(guān)鍵圖像與標準圖像之間的圖像相似度,并根據(jù)所述圖像相似度確定第三損失;
30、計算所述關(guān)鍵音頻與標準音頻之間的音頻相似度,并根據(jù)所述音頻相似度確定第四損失;
31、計算所述文本特征與第一標準特征之間的特征相似度,得到第一特征相似度,并根據(jù)所述第一特征相似度確定第五損失;
32、計算所述圖像特征與第二標準特征之間的特征相似度,得到第二特征相似度,并根據(jù)所述第二特征相似度確定第六損失;
33、計算所述音頻特征與第三標準特征之間的特征相似度,得到第三特征相似度,并根據(jù)所述第三特征相似度確定第七損失;
34、計算所述樣本融合特征與標準融合特征之間的特征相似度,得到第四特征相似度,并根據(jù)所述第四特征相似度確定第八損失;
35、對所述第一損失、所述第二損失、所述第三損失、所述第四損失、所述第五損失、所述第六損失、所述第七損失和所述第八損失進行加權(quán)運算,得到所述模型損失。
36、本發(fā)明實施例的另一目的在于提供一種基于大模型的數(shù)據(jù)預測系統(tǒng),所述系統(tǒng)包括:
37、趨勢預測模塊,用于獲取待預測對象的對象采集數(shù)據(jù),并將所述對象采集數(shù)據(jù)輸入預訓練后的大模型進行趨勢預測,得到對象預測趨勢;
38、風險預測模塊,用于將所述對象預測趨勢輸入預訓練后的智能體進行模型模擬,得到對象模擬模型,并根據(jù)所述對象模擬模型對所述待預測對象進行風險預測,得到風險預測結(jié)果;
39、檢索生成模塊,用于將所述待預測對象輸入預訓練后的檢索增強生成模型進行檢索生成,得到對象生成信息;
40、建議生成模塊,用于根據(jù)所述對象生成信息和所述風險預測結(jié)果生成所述待預測對象的策略建議。
41、優(yōu)選的,所述趨勢預測模塊還用于:
42、獲取對象樣本數(shù)據(jù),并將所述對象樣本數(shù)據(jù)輸入所述大模型進行關(guān)鍵數(shù)據(jù)提取,得到關(guān)鍵文本、關(guān)鍵圖像和關(guān)鍵音頻;
43、對所述關(guān)鍵文本、所述關(guān)鍵圖像和所述關(guān)鍵音頻進行特征提取,得到文本特征、圖像特征和音頻特征,并將所述文本特征、所述圖像特征和所述音頻特征進行特征融合,得到樣本融合特征;
44、根據(jù)所述樣本融合特征進行趨勢預測,得到樣本預測趨勢,并根據(jù)所述樣本預測趨勢、所述關(guān)鍵文本、所述關(guān)鍵圖像、所述關(guān)鍵音頻、所述文本特征、所述圖像特征、所述音頻特征和所述樣本融合特征確定模型損失;
45、根據(jù)所述模型損失對所述大模型進行參數(shù)更新,直至所述大模型收斂,得到預訓練后的所述大模型。
46、本發(fā)明實施例,通過將對象采集數(shù)據(jù)輸入預訓練后的大模型進行趨勢預測,能自動對待預測對象的趨勢進行預測,得到對象預測趨勢,通過將對象預測趨勢輸入預訓練后的智能體進行模型模擬,能有效地生成待預測對象對應(yīng)的對象模擬模型,基于對象模擬模型能有效地對待預測對象進行風險預測,得到風險預測結(jié)果,通過將待預測對象輸入預訓練后的檢索增強生成模型進行檢索生成,能有效地對待預測對象自動進行信息生成,基于對象生成信息和風險預測結(jié)果能自動生成待預測對象的策略建議,無需采用人工的方式對投資對象進行數(shù)據(jù),防止了人工主觀影響導致的數(shù)據(jù)預測準確率低下的現(xiàn)象。