CN109816196A - 预测模型的评价值计算方法、装置、设备及可读存储介质 - Google Patents
预测模型的评价值计算方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109816196A CN109816196A CN201811485623.7A CN201811485623A CN109816196A CN 109816196 A CN109816196 A CN 109816196A CN 201811485623 A CN201811485623 A CN 201811485623A CN 109816196 A CN109816196 A CN 109816196A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- evaluation
- value
- true value
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测模型的评价值计算方法、装置、设备及可读存储介质,该方法包括步骤:当获取到训练数据集后,确定所述训练数据集中的真实值,通过预存的至少一个预测模型得到与所述真实值对应预测值,并计算所述真实值和所述预测值之间的误差值;绘制所述真实值对应的真实数据图,并计算所述真实数据图中关注点的预测准确率;根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值。本发明通过数据分析,采用多个评价指标综合自动评价预测模型,提高了预测模型的评价效率和评价准确度。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种预测模型的评价值计算方法、装置、设备及可读存储介质。
背景技术
基于大数据的时序预测是目前研究的热点问题,各类预测模型不断涌现的同时,对预测模型的评价值计算体系提出了更高的要求。目前对预测模型预测结果的评价指标单一,如确定预测结果中预测值与真实值相同的数量,将相同的数量除以预测值的总数量所得的值来评价预测模型的预测结果,或者采用人工评价预测模型的预测结果,从而导致预测模型评价准确度或评价效率低下。
发明内容
本发明的主要目的在于提供一种预测模型的评价值计算方法、装置、设备及可读存储介质,旨在解决现有的预测模型评价效率和评价准确度低下的技术问题。
为实现上述目的,本发明提供一种预测模型的评价值计算方法,所述预测模型的评价值计算方法包括步骤:
当获取到训练数据集后,确定所述训练数据集中的真实值,通过预存的至少一个预测模型得到与所述真实值对应预测值,并计算所述真实值和所述预测值之间的误差值;
绘制所述真实值对应的真实数据图,并计算所述真实数据图中关注点的预测准确率;
根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值。
优选地,当所述关注点为所述真实数据图中的波峰点时,所述计算所述真实数据图中关注点的预测准确率的步骤包括:
获取所述真实数据图中波峰点对应的波峰预测值、所述波峰点对应前一时间周期内的第一真实值和所述波峰点对应的波峰真实值;
计算所述波峰预测值和所述第一真实值之间的第一差值,以及计算所述波峰真实值和所述第一真实值之间的第二差值;
计算所述第一差值和所述第二差值的乘积大于零对应的目标波峰点数量,将所述目标波峰点数量除以所述真实数据图中所有波峰点数量,得到所述真实数据图中波峰点的预测准确率。
优选地,当所述关注点为所述真实数据图中的转折点时,所述计算所述真实数据图中关注点的预测准确率的步骤包括:
获取所述真实数据图中转折点对应的转折预测值、所述转折点对应前一时间周期内的第二真实值和所述转折点对应的转折真实值;
计算所述转折预测值和所述第二真实值之间的第三差值,以及计算所述转折真实值和所述第二真实值之间的第四差值;
计算所述第三差值和所述第四差值的乘积大于零对应的目标转折点数量,将所述目标转折点数量除以所述真实数据图中转折点的总数量,得到所述真实数据图中转折点的预测准确率。
优选地,所述根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值的步骤包括:
用一减去所述误差值得到所述误差值对应的误差准确率,获取所述误差准确率与所述预测准确率对应的权重;
将所述误差准确率和所述预测准确率乘以对应的权重后相加,得到评价所述预测模型预测结果的评价值。
优选地,所述计算所述真实值和所述预测值之间的误差值的步骤包括:
采用均方根误差计算公式对应计算出所述真实值和所述预测值之间的均方根误差,和/或采用平均相对误差计算公式计算出所述真实值和所述预测值之间的平均相对误差;
根据所述均方根误差和/或所述平均相对误差确定所述真实值和所述预测值之间的误差值;
所述均方根误差计算公式为:
所述平均相对误差计算公式为:
其中,表示预测值,yi表示真实值,n表示用于计算所述误差值的真实值或预测值的总个数,RMSE表示均方根误差,MAPE表示平均相对误差。
优选地,所述根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值的步骤之后,还包括:
当获取到待预测数据后,根据所述评价值在所述预测模型中选择目标预测模型对所述待预测数据进行预测,得到预测结果。
优选地,当采用准确率计算所述预测模型的评价值时,所述当获取到待预测数据后,根据所述评价值在所述预测模型中选择目标预测模型对所述待预测数据进行预测,得到预测结果的步骤包括:
当获取到待预测数据后,在所述预测模型中选择评价值最大的预测模型作为目标预测模型;
将所述待预测数据输入所述目标预测模型中,以得到预测结果。
此外,为实现上述目的,本发明还提供一种预测模型的评价值计算装置,所述预测模型的评价值计算装置包括:
确定模块,用于当获取到训练数据集后,确定所述训练数据集中的真实值,通过预存的至少一个预测模型得到与所述真实值对应预测值;
计算模块,用于计算所述真实值和所述预测值之间的误差值;
绘制模块,用于绘制所述真实值对应的真实数据图;
所述计算模块,还用于计算所述真实数据图中关注点的预测准确率;根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值。
此外,为实现上述目的,本发明还提供一种预测模型的评价值计算设备,所述预测模型的评价值计算设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的预测模型的评价值计算程序,所述预测模型的评价值计算程序被所述处理器执行时实现如上所述的预测模型的评价值计算方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有预测模型的评价值计算程序,所述预测模型的评价值计算程序被处理器执行时实现如上所述的预测模型的评价值计算方法的步骤。
本发明通过在获取到训练数据集后,通过预存的预测模型得到与训练数据集中真实值对应的预测值,计算真实值和预测值之间的误差值,构造真实值对应的真实数据图,计算真实数据图中关注点的预测准确率,根据误差值和预测准确率对应计算评价各个预测模型预测结果的评价值,采用多个评价指标综合自动评价预测模型,提高了预测模型的评价效率和评价准确度。
附图说明
图1是本发明预测模型的评价值计算方法第一实施例的流程示意图;
图2是本发明实施例中波峰点和波谷点的一种示意图;
图3是本发明预测模型的评价值计算方法第四实施例的流程示意图;
图4为本发明预测模型的评价值计算装置较佳实施例的功能示意图模块图;
图5是本发明实施例方案涉及的硬件运行环境的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种预测模型的评价值计算方法,参照图1,图1为本发明预测模型的评价值计算方法第一实施例的流程示意图。
本发明实施例提供了预测模型的评价值计算方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
预测模型的评价值计算方法应用于预测模型的评价值计算平台中,预测模型的评价值计算平台可为服务器或者终端中,终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)等移动终端,以及诸如数字TV、台式计算机等固定终端。在预测模型的评价值计算方法的各个实施例中,为了便于描述,省略执行主体进行阐述各个实施例。预测模型的评价值计算方法包括:
步骤S10,当获取到训练数据集后,确定所述训练数据集中的真实值,通过预存的至少一个预测模型得到与所述真实值对应的预测值,并计算所述真实值和所述预测值之间的误差值。
当获取到训练数据集后,确定训练数据集中的真实值,通过预存的至少一个预测模型得到与该真实值对应的预测值。其中,训练数据集可为各种可用于预测的数据,如天气数据,流感数据和空气质量数据等。在获取训练数据集过程中,可从对应的***中获取,如从气象局***中获取天气数据,从医院***中获取流感数据灯。训练数据集中数据的数量可根据具体需要而设置,如可设置为训练数据集中含有100个数据,150个数据或者500个数据等。可以理解的是,所获取的训练数据集中的数据都是真实的数值,本实施例中所描述的真实值为训练数据集中的一部分,该真实值是与预测值对应的真实值。真实值可根据具体需要在训练数据集中选取,以确定训练数据集中的真实值,如可训练数据集中最后10个数据、最后16个数据或者最后20个数据作为真实值。预测模型为预先存储的,通过预测模型,可采用前一时间段的数据预测未来时间段的数据情况。预测模型可为深度学习模型或者机器学习模型。机器学习模型包括但不限于支持向量机(SVM,Support Vector Machine)、朴素贝叶斯(NB,Naive Bayesian)、k最邻近分类算法(KNN,k-NearestNeighbor)、决策树(DT,Decision Tree)、集成模型(RF(Random Forest,随机森林)/GDBT(Gradient BoostingDecision Tree)等),深度学习模型包括但不限于卷积神经网络(CNN,ConvolutionalNeural Network)、循环神经网络(Recurrent Neural Networks)和递归神经网络(Recursive Neural Networks)。
如在本实施例中采用100天的天气数据作为训练数据集后,采用前80天的天气数据,输入预测模型中,预测出后面20天的天气数据,则预测出来的20天的天气数据为预测值,这100天中后面20天的天气数据为对应的真实值。可以理解的是,此时,预测模型的输入是天气数据的训练数据集中前80天的天气数据,预测模型的输出为预测所得的后面20天的天气数据,预测模型的输出结果即为预测值。由此可知,预测值和真实值是属于同一时间维度的,预测值输出是按照时间的先后顺序从前到后输出的,如第一个输出的预测值为这100个数据中第81个天气数据对应的预测值,第二个输出的预测值为这100个数据中第82个天气数据对应的预测值。
当得到预测值和真实值后,计算真实值和预测值之间的误差值。具体地,可采用平均绝对误差计算公式计算出真实值和预测值之间的误差值,平均绝对误差计算公式为:其中,表示预测值,yi表示真实值,n表示用于计算误差值的真实值或预测值的总个数,MAE为计算所得的平均绝对误差。需要说明的是,在本实施例中,可将平均绝对误差作为真实值和预测值之间的误差值。可以理解的是,预测值和真实值的个数是相等的,即一个预测值对应一个真实值。
步骤S20,绘制所述真实值对应的真实数据图,并计算所述真实数据图中关注点的预测准确率。
当确定训练数据集中的真实值后,绘制真实值对应的数据图,并将该数据图记为真实数据图,计算真实数据图中关注点的预测准确率。在绘制真实值对应的真实数据图过程中,将真实值对应的数值作为纵轴,以采集到该真实值对应的采集时间作为横轴。其中,关注点可根据具体需要而设置,如可将真实数据图中的波峰点、波谷点和/或转择点设置为关注点。需要说明的是,在本实施例中,转折点包括波峰点和波谷点。波峰点和波谷点的示意图如图2所示,由图2可知,波峰点为真实数据图中凸起的点,波谷点为真实数据图凹下去的点。
进一步地,也可绘制预测值对应的预测数据图,以便于在确定真实数据图中关注点对应的真实值后,通过预测数据图快速确定该关注点对应的预测值。
进一步的,当所述关注点为所述真实数据图中的波峰点时,计算所述真实数据图中关注点的预测准确率的步骤包括:
步骤a,获取所述真实数据图中波峰点对应的波峰预测值、所述波峰点对应前一时间周期内的第一真实值和所述波峰点对应的波峰真实值。
具体地,当关注点为真实数据图中的波峰点时,获取真实数据图中波峰点对应的波峰预测值,波峰点对应前一时间周期内的第一真实值和波峰点对应的波峰真实值。如20个天气数据的真实值构造的真实数据图中存在5个波峰点,若第一个波峰点为这20个天气数据中的第3个真实值,则这第3个真实值为波峰真实值,对应的波峰预测值为预测值中的第3个。时间周期的长短可根据具体需要而设置,如时间周期可设置为7天一个周期,10天一个周期或者15天一个周期等。如当第一个波峰点为训练数据集中第5个时间周期内的第2个数值时,波峰点对应的前一时间周期内的第一真实值为第4个时间周期内的第2个数值。
步骤b,计算所述波峰预测值和所述第一真实值之间的第一差值,以及计算所述波峰真实值和所述第一真实值之间的第二差值。
当获取到波峰预测值、第一真实值和波峰真实值后,将波峰预测值减去第一真实值,以计算出波峰预测值和第一真实值之间的差值,记为第一差值,并将波峰真实值减去第一真实值,以计算出波峰真实值和第一真实值之间的差值,记为第二差值。
步骤c,计算所述第一差值和所述第二差值的乘积大于零对应的目标波峰点数量,将所述目标波峰点数量除以所述真实数据图中所有波峰点数量,得到所述真实数据图中波峰点的预测准确率。
当计算得到第一差值和第二差值后,计算第一差值和第二差值之间乘积,确定乘积大于零的乘积数量。在本发明实施例中,将乘积大于零对应的波峰点记为目标波峰点,因此,乘积大于零的乘积数量即为目标波峰点数量。当得到目标波峰点数量后,将目标波峰点数量除以真实数据图中所有波峰点数量,以得到真实数据图中波峰点的预测准确率。如当真实数据图中所有波峰点数量为5,目标波峰点数量为2时,则真实数据图中波峰点的预测准确率为2÷5=0.4。
需要说明的是,当关注点为真实数据图中的波谷点时,计算真实数据图中波谷点的预测准确率过程与计算真实数据图中波峰点预测准确率的过程类似,在本发明实施例中不再详细赘述。
步骤S30,根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值。
当计算得到真实值和预测值之间的误差值,以及计算得到真实数据图中关注点的预测准确率后,根据误差值和预测准确率计算评价预测模型预测结果的评价值。可以理解的是,当存在多个预测模型时,由于每一个预测模型都存在对应的误差值和预测准确率,因此可根据各个预测模型对应的误差值和预测准确率,对应计算评价各个预测模型预测结果的评价值。
进一步地,步骤S30包括:
步骤d,用一减去所述误差值得到所述误差值对应的误差准确率,获取所述误差准确率与所述预测准确率对应的权重。
具体地,若采用准确率计算预测模型的评价值,则用1减去误差值得到该误差值对应的误差准确率,获取误差准确率和预测准确率对应的权重。其中,误差准确率和预测准确率对应的权重可根据具体需要而设置。需要说明的是,预测准确率可只为波峰点对应的波峰预测准确率,也可只为波谷点对应的波谷预测准确率,或者包括波峰预测准确率和波谷预测准确率。如当预测准确率为波峰预测准确率时,误差准确率和波峰预测准确率对应的权重可分别设置为0.6和0.4;当预测准确率包括波峰预测准确率和波谷预测准确率时,误差准确率、波峰预测准确率和波谷预测准确率对应权重可设置为0.5、0.3和0.2。
步骤e,将所述误差准确率和所述预测准确率乘以对应的权重后相加,得到评价所述预测模型预测结果的评价值。
当得到误差准确率和预测准确率对应权重后,将误差准确率乘以对应的误差权重,得到误差比值;以及将预测准确率乘以对应的预测权重,得到预测比值;然后将误差比值和预测比值相加,得到对应预测模型的评价值。由此可知,预测模型的评价值=(1-误差值)×误差权重+预测准确率×预测权重。需要说明的是,由于本实施例中是采用准确率来计算预测模型的评价值,因此,当预测模型的评价值越大,说明该预测模型得到的预测数据更加贴近实际情况,所得预测结果的准确率越高。
进一步地,还可采用误差值计算评价预测模型预测结果的评价值,此时预测模型的评价值=误差值×误差权重+(1-预测准确率)×预测权重。此时,预测模型的评价值越低,说明该预测模型得到的预测结果的准确率越高。
本实施例通过在获取到训练数据集后,通过预存的预测模型得到与训练数据集中真实值对应的预测值,计算真实值和预测值之间的误差值,构造真实值对应的真实数据图,计算真实数据图中关注点的预测准确率,根据误差值和预测准确率对应计算评价各个预测模型预测结果的评价值,采用多个评价指标综合自动评价预测模型,提高了预测模型的评价效率和评价准确度。
进一步地,提出本发明预测模型的评价值计算方法第二实施例。
所述预测模型的评价值计算方法第二实施例与所述预测模型的评价值计算方法第一实施例的区别在于,当所述关注点为所述真实数据图中的转折点时,计算所述真实数据图中关注点的预测准确率的步骤包括:
步骤f,获取所述真实数据图中转折点对应的转折预测值、所述转折点对应前一时间周期内的第二真实值和所述转折点对应的转折真实值。
当关注点为真实数据图中的转择点时,获取真实数据图中转折点对应的转折预测值,该转折点对应前一时间周期内的真实值和转折点对应的转折真实值。在本发明实施例中,将转折点对应前一时间周期内的真实值记为第二真实值。转折点预测值和第二真实值与波峰点预测值和第一真实值的确定过程对应类似,在本实施例中不再详细赘述。
步骤g,计算所述转折预测值和所述第二真实值之间的第三差值,以及计算所述转折真实值和所述第二真实值之间的第四差值。
当获取到转折预测值、第二真实值和转折真实值后,将转折预测值减去第二真实值,以计算出转折预测值和第二真实值之间的差值,记为第三差值;以及将转折真实值减去第二真实值,以计算出转折真实值和第二真实值之间的差值,记为第四差值。
步骤h,计算所述第三差值和所述第四差值的乘积大于零对应的目标转折点数量,将所述目标转折点数量除以所述真实数据图中转折点的总数量,得到所述真实数据图中转折点的预测准确率。
当计算出第三差值和第四差值后,计算第三差值和第四差值之间的乘积,确定乘积大于零的乘积数量。可以理解的是,第三差值和第四差值之间乘积大于零的乘积数量为目标转折点数量。当确定目标转折点数量后,将目标转折点数量除以真实数据图中转折点的总数量,得到真实数据图中转折点的预测准确率,即转折点的预测准确率=目标转折点数量÷转折点的总数量。
需要说明的是,在计算预测模型评价值过程中,可选择波峰点的预测准确率、波谷点的预测准确率和转折点的预测准确率中的一个或者多个作为计算评价值的计算因子。如当选择波峰点的预测准确率和波谷的预测准确率作为计算评价值的计算因子时,预先设置好波峰点预测准确率的波峰权重,和波谷点预测准确率的波谷权重,可以理解的是,波峰权重和波谷权重之和等于1,此时,预测模型的评价值=(1-误差值)×误差权重+(波峰点的预测准确率×波峰权重+波谷点的预测准确率×波谷权重)×预测权重。
本实施例通过采用真实数据图中的转折点作为关注点,计算出真实数据图中转折点的预测准确率,通过转折点的预测准确率和真实值与预测值之间的误差值计算出预测模型的评价值,相对于实施例一,提供了另外一种计算预测模型评价值的方法供用户选择,实现了预测模型评价值计算方法的多样性。
进一步地,提出本发明预测模型的评价值计算方法第三实施例。
所述预测模型的评价值计算方法第三实施例与所述预测模型的评价值计算方法第一或第二实施例的区别在于,计算所述真实值和所述预测值之间的误差值的步骤包括:
步骤i,采用均方根误差计算公式对应计算出所述真实值和所述预测值之间的均方根误差,和/或采用平均相对误差计算公式计算出所述真实值和所述预测值之间的平均相对误差。
在计算真实值和预测值之间的误差值过程中,可采用均方根误差计算公式计算出真实值和预测值之间的均方根误差,和/或采用平均相对误差计算公式计算出真实值和预测值之间的平均相对误差。其中,均方根误差计算公式为:平均相对误差计算公式为:
在均方根误差计算公式和平均相对误差计算公式中,表示预测值,yi表示真实值,n表示用于计算误差值的真实值或预测值的总个数,RMSE表示均方根误差,MAPE表示平均相对误差。
步骤j,根据所述均方根误差和/或所述平均相对误差确定所述真实值和所述预测值之间的误差值。
在计算出均方根误差和/或平均相对误差后,可采用均方根误差作为真实值和预测值之间的误差值,也可采用平均相对误差作为真实值和预测值之间的误差值;或者可以采用均方根误差和平均相对误差一起计算真实值和预测值之间的误差值,此时,可预先设置好均方根误差对应的均方根权重,以及预先设置好平均相对误差对应的平均相对权重,真实值和预测值之间的误差值=均方根误差×均方根权重+平均相对误差×平均相对权重。其中,均方根权重和平均相对权重可根据具体需要而设置,在本实施例中对均方根权重和平均相对权重的大小不做具体限制。可以理解的是,在本发明实施例中,可在平均绝对误差、均方根误差和平均相对误差之间选择一个或者多个误差来确定真实值和预测值之间的误差值。
本实施例通过均方根误差计算公式和/或平均相对误差计算公式计算出真实值和预测值之间的误差值,提供了多种计算方法来计算真实值和预测值之间的误差值,实现了真实值和预测值之间误差值计算方式的多样性。
进一步地,提出本发明预测模型的评价值计算方法第四实施例。
所述预测模型的评价值计算方法第四实施例与所述预测模型的评价值计算方法第一、第二或第三实施例的区别在于,参照图3,预测模型的评价值计算方法还包括:
步骤S40,当获取到待预测数据后,根据所述评价值在所述预测模型中选择目标预测模型对所述待预测数据进行预测,得到预测结果。
当获取到待预测数据后,根据各个预测模型的评价值在预测模型中选择一个预测模型作为目标预测模型,将待预测数据输入目标预测模型中,以对待预测数据进行预测,得到对应的预测结果。其中,该待预测数据可为其它***发送的,或者由对应工作人员手动输入。可以理解的是,目标预测模型的输出即为预测结果。需要说明的是,在根据评价值在预测模型中选择目标预测模型过程中,可根据评价值的大小来选择。如当采用误差值计算各个预测模型对应的评价值时,可设置为在预测模型中选择评价值最小的预测模型作为目标预测模型。进一步地,也可设置为选择评价值排在倒数第二小的预测模型作为目标预测模型。
进一步地,当采用准确率计算所述预测模型的评价值时,步骤S40包括:
步骤k,当获取到待预测数据后,在所述预测模型中选择评价值最大的预测模型作为目标预测模型。
当采用准确率计算预测模型的评价值时,当获取到待预测数据后,在预测模型中选择评价值最大的预测模型作为目标预测模型。可以理解的是,此时评价值最大的预测模型为预测结果准确率最高的模型。若存在两个或者两个以上的预测模型的评价值相等,且该评价值为最大的评价值,此时可在这两个或者两个以上的预测模型中随机选取一个作为目标预测模型。
步骤l,将所述待预测数据输入所述目标预测模型中,以得到预测结果。
当确定目标预测模型后,将待预测数据输入目标预测模型中,以得到预测结果。
本实施例通过根据评价值在预测模型中选择出目标预测模型对待预测数据进行预测,得到预测结果,实现了根据评价值选择预测结果准确率最高的预测模型对待预测数据进行预测,提高了所得预测结果的准确率。
此外,参照图4,本发明还提供一种预测模型的评价值计算装置,所述预测模型的评价值计算装置包括:
确定模块10,用于当获取到训练数据集后,确定所述训练数据集中的真实值,通过预存的至少一个预测模型得到与所述真实值对应预测值;
计算模块20,用于计算所述真实值和所述预测值之间的误差值;
绘制模块30,用于绘制所述真实值对应的真实数据图;
所述计算模块20,还用于计算所述真实数据图中关注点的预测准确率;根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值。
进一步地,当所述关注点为所述真实数据图中的波峰点时,所述计算模块20包括:
第一获取单元,用于获取所述真实数据图中波峰点对应的波峰预测值、所述波峰点对应前一时间周期内的第一真实值和所述波峰点对应的波峰真实值;
第一计算单元,用于计算所述波峰预测值和所述第一真实值之间的第一差值,以及计算所述波峰真实值和所述第一真实值之间的第二差值;计算所述第一差值和所述第二差值的乘积大于零对应的目标波峰点数量,将所述目标波峰点数量除以所述真实数据图中所有波峰点数量,得到所述真实数据图中波峰点的预测准确率。
进一步地,当所述关注点为所述真实数据图中的转折点时,所述计算模块20还包括:
第二获取单元,用于获取所述真实数据图中转折点对应的转折预测值、所述转折点对应前一时间周期内的第二真实值和所述转折点对应的转折真实值;
第二计算单元,用于计算所述转折预测值和所述第二真实值之间的第三差值,以及计算所述转折真实值和所述第二真实值之间的第四差值;计算所述第三差值和所述第四差值的乘积大于零对应的目标转折点数量,将所述目标转折点数量除以所述真实数据图中转折点的总数量,得到所述真实数据图中转折点的预测准确率。
进一步地,所述计算模块20还包括:
第三计算单元,用于用一减去所述误差值得到所述误差值对应的误差准确率;
第三获取单元,用于获取所述误差准确率与所述预测准确率对应的权重;
所述第三计算单元还用于将所述误差准确率和所述预测准确率乘以对应的权重后相加,得到评价所述预测模型预测结果的评价值。
进一步地,所述计算模块20还包括:
第四计算单元,用于采用均方根误差计算公式对应计算出所述真实值和所述预测值之间的均方根误差,和/或采用平均相对误差计算公式计算出所述真实值和所述预测值之间的平均相对误差;
确定单元,用于根据所述均方根误差和/或所述平均相对误差确定所述真实值和所述预测值之间的误差值;
所述均方根误差计算公式为:
所述平均相对误差计算公式为:
其中,表示预测值,yi表示真实值,n表示用于计算所述误差值的真实值或预测值的总个数,RMSE表示均方根误差,MAPE表示平均相对误差。
进一步地,所述预测模型的评价值计算装置还包括:
选择模块,用于当获取到待预测数据后,根据所述评价值在所述预测模型中选择目标预测模型对所述待预测数据进行预测,得到预测结果。
进一步地,所述选择模块包括:
选择单元,用于当获取到待预测数据后,在所述预测模型中选择评价值最大的预测模型作为目标预测模型;
输入单元,用于将所述待预测数据输入所述目标预测模型中,以得到预测结果。
需要说明的是,预测模型的评价值计算装置的各个实施例与上述预测模型的评价值计算方法的各实施例基本相同,在此不再详细赘述。
此外,本发明还提供一种预测模型的评价值计算设备。如图5所示,图5是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图5即可为预测模型的评价值计算设备的硬件运行环境的结构示意图。本发明实施例预测模型的评价值计算设备可以是PC,便携计算机等终端设备。
如图5所示,该预测模型的评价值计算设备可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,预测模型的评价值计算设备还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解,图5中示出的预测模型的评价值计算设备结构并不构成对预测模型的评价值计算设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及预测模型的评价值计算程序。其中,操作***是管理和控制预测模型的评价值计算设备硬件和软件资源的程序,支持预测模型的评价值计算程序以及其它软件或程序的运行。
在图5所示的预测模型的评价值计算设备中,用户接口1003可用于连接训练数据集对应***,从训练数据集对应***中获取训练数据集;网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;处理器1001可以用于调用存储器1005中存储的预测模型的评价值计算程序,并执行如上所述的预测模型的评价值计算方法的步骤。
本发明预测模型的评价值计算设备具体实施方式与上述预测模型的评价值计算方法各实施例基本相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有预测模型的评价值计算程序,所述预测模型的评价值计算程序被处理器执行时实现如上所述的预测模型的评价值计算方法的步骤。
本发明计算机可读存储介质具体实施方式与上述预测模型的评价值计算方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种预测模型的评价值计算方法,其特征在于,所述预测模型的评价值计算方法包括以下步骤:
当获取到训练数据集后,确定所述训练数据集中的真实值,通过预存的至少一个预测模型得到与所述真实值对应预测值,并计算所述真实值和所述预测值之间的误差值;
绘制所述真实值对应的真实数据图,并计算所述真实数据图中关注点的预测准确率;
根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值。
2.如权利要求1所述的预测模型的评价值计算方法,其特征在于,当所述关注点为所述真实数据图中的波峰点时,所述计算所述真实数据图中关注点的预测准确率的步骤包括:
获取所述真实数据图中波峰点对应的波峰预测值、所述波峰点对应前一时间周期内的第一真实值和所述波峰点对应的波峰真实值;
计算所述波峰预测值和所述第一真实值之间的第一差值,以及计算所述波峰真实值和所述第一真实值之间的第二差值;
计算所述第一差值和所述第二差值的乘积大于零对应的目标波峰点数量,将所述目标波峰点数量除以所述真实数据图中所有波峰点数量,得到所述真实数据图中波峰点的预测准确率。
3.如权利要求1所述的预测模型的评价值计算方法,其特征在于,当所述关注点为所述真实数据图中的转折点时,所述计算所述真实数据图中关注点的预测准确率的步骤包括:
获取所述真实数据图中转折点对应的转折预测值、所述转折点对应前一时间周期内的第二真实值和所述转折点对应的转折真实值;
计算所述转折预测值和所述第二真实值之间的第三差值,以及计算所述转折真实值和所述第二真实值之间的第四差值;
计算所述第三差值和所述第四差值的乘积大于零对应的目标转折点数量,将所述目标转折点数量除以所述真实数据图中转折点的总数量,得到所述真实数据图中转折点的预测准确率。
4.如权利要求1所述的预测模型的评价值计算方法,其特征在于,所述根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值的步骤包括:
用一减去所述误差值得到所述误差值对应的误差准确率,获取所述误差准确率与所述预测准确率对应的权重;
将所述误差准确率和所述预测准确率乘以对应的权重后相加,得到评价所述预测模型预测结果的评价值。
5.如权利要求1所述的预测模型的评价值计算方法,其特征在于,所述计算所述真实值和所述预测值之间的误差值的步骤包括:
采用均方根误差计算公式对应计算出所述真实值和所述预测值之间的均方根误差,和/或采用平均相对误差计算公式计算出所述真实值和所述预测值之间的平均相对误差;
根据所述均方根误差和/或所述平均相对误差确定所述真实值和所述预测值之间的误差值;
所述均方根误差计算公式为:
所述平均相对误差计算公式为:
其中,表示预测值,yi表示真实值,n表示用于计算所述误差值的真实值或预测值的总个数,RMSE表示均方根误差,MAPE表示平均相对误差。
6.如权利要求1至5任一项所述的预测模型的评价值计算方法,其特征在于,所述根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值的步骤之后,还包括:
当获取到待预测数据后,根据所述评价值在所述预测模型中选择目标预测模型对所述待预测数据进行预测,得到预测结果。
7.如权利要求6所述的预测模型的评价值计算方法,其特征在于,当采用准确率计算所述预测模型的评价值时,所述当获取到待预测数据后,根据所述评价值在所述预测模型中选择目标预测模型对所述待预测数据进行预测,得到预测结果的步骤包括:
当获取到待预测数据后,在所述预测模型中选择评价值最大的预测模型作为目标预测模型;
将所述待预测数据输入所述目标预测模型中,以得到预测结果。
8.一种预测模型的评价值计算装置,其特征在于,所述预测模型的评价值计算装置包括:
确定模块,用于当获取到训练数据集后,确定所述训练数据集中的真实值,通过预存的至少一个预测模型得到与所述真实值对应预测值;
计算模块,用于计算所述真实值和所述预测值之间的误差值;
绘制模块,用于绘制所述真实值对应的真实数据图;
所述计算模块,还用于计算所述真实数据图中关注点的预测准确率;根据所述误差值和所述预测准确率计算评价所述预测模型预测结果的评价值。
9.一种预测模型的评价值计算设备,其特征在于,所述预测模型的评价值计算设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的预测模型的评价值计算程序,所述预测模型的评价值计算程序被所述处理器执行时实现如权利要求1至7中任一项所述的预测模型的评价值计算方法的步骤。
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上存储有预测模型的评价值计算程序,所述预测模型的评价值计算程序被处理器执行时实现如权利要求1至7中任一项所述的预测模型的评价值计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811485623.7A CN109816196A (zh) | 2018-12-04 | 2018-12-04 | 预测模型的评价值计算方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811485623.7A CN109816196A (zh) | 2018-12-04 | 2018-12-04 | 预测模型的评价值计算方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816196A true CN109816196A (zh) | 2019-05-28 |
Family
ID=66601956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811485623.7A Pending CN109816196A (zh) | 2018-12-04 | 2018-12-04 | 预测模型的评价值计算方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816196A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110362724A (zh) * | 2019-07-23 | 2019-10-22 | 国家卫星海洋应用中心 | 一种数据过滤方法、装置、电子设备及可读存储介质 |
CN110390425A (zh) * | 2019-06-20 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 预测方法以及装置 |
CN110472191A (zh) * | 2019-07-02 | 2019-11-19 | 北京大学 | 一种动态自适应的服务评价计算方法及装置 |
CN111259302A (zh) * | 2020-01-19 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置及电子设备 |
CN111482467A (zh) * | 2020-04-15 | 2020-08-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧机参数管理方法 |
CN111917121A (zh) * | 2020-06-30 | 2020-11-10 | 嘉善数能技术有限公司 | 通信基站用电时段削峰填谷电源控制方法 |
WO2022057427A1 (zh) * | 2020-09-15 | 2022-03-24 | 华为技术有限公司 | 功率预测的方法、装置及设备 |
CN114358445A (zh) * | 2022-03-21 | 2022-04-15 | 山东建筑大学 | 一种业务流程剩余时间预测模型推荐方法及*** |
CN114818993A (zh) * | 2022-06-24 | 2022-07-29 | 启东通奕自动化设备有限公司 | 一种锤片式粉碎机寿命分析方法 |
-
2018
- 2018-12-04 CN CN201811485623.7A patent/CN109816196A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390425A (zh) * | 2019-06-20 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 预测方法以及装置 |
CN110472191A (zh) * | 2019-07-02 | 2019-11-19 | 北京大学 | 一种动态自适应的服务评价计算方法及装置 |
CN110472191B (zh) * | 2019-07-02 | 2021-03-12 | 北京大学 | 一种动态自适应的服务评价计算方法及装置 |
CN110362724A (zh) * | 2019-07-23 | 2019-10-22 | 国家卫星海洋应用中心 | 一种数据过滤方法、装置、电子设备及可读存储介质 |
CN111259302A (zh) * | 2020-01-19 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置及电子设备 |
CN111482467A (zh) * | 2020-04-15 | 2020-08-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧机参数管理方法 |
CN111917121A (zh) * | 2020-06-30 | 2020-11-10 | 嘉善数能技术有限公司 | 通信基站用电时段削峰填谷电源控制方法 |
CN111917121B (zh) * | 2020-06-30 | 2023-08-18 | 嘉善利天万世新能源有限公司 | 通信基站用电时段削峰填谷电源控制方法 |
WO2022057427A1 (zh) * | 2020-09-15 | 2022-03-24 | 华为技术有限公司 | 功率预测的方法、装置及设备 |
CN114358445A (zh) * | 2022-03-21 | 2022-04-15 | 山东建筑大学 | 一种业务流程剩余时间预测模型推荐方法及*** |
CN114818993A (zh) * | 2022-06-24 | 2022-07-29 | 启东通奕自动化设备有限公司 | 一种锤片式粉碎机寿命分析方法 |
CN114818993B (zh) * | 2022-06-24 | 2022-09-02 | 启东通奕自动化设备有限公司 | 一种锤片式粉碎机寿命分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816196A (zh) | 预测模型的评价值计算方法、装置、设备及可读存储介质 | |
Jia et al. | Ant colony optimization algorithm for scheduling jobs with fuzzy processing time on parallel batch machines with different capacities | |
Özcan et al. | A genetic algorithm for the stochastic mixed-model U-line balancing and sequencing problem | |
Liu et al. | Reinforcement learning-based cell selection in sparse mobile crowdsensing | |
Pang et al. | Evaluation of the results of multi-attribute group decision-making with linguistic information | |
CN104915735B (zh) | 企业运营分析预警***的预警分析方法 | |
US11830033B2 (en) | Theme recommendation method and apparatus | |
Li et al. | Multi-criteria group decision making based on trapezoidal intuitionistic fuzzy information | |
CN111259222B (zh) | 物品推荐方法、***、电子设备及存储介质 | |
García-Pedrajas et al. | Multi-objective cooperative coevolution of artificial neural networks (multi-objective cooperative networks). | |
CN113191828B (zh) | 一种用户用电价值等级标签构建方法、装置、设备及介质 | |
CN110413510B (zh) | 一种数据处理方法、装置及设备 | |
CN110069715A (zh) | 一种信息推荐模型训练的方法、信息推荐的方法及装置 | |
Stoyan et al. | Solving an optimization packing problem of circles and non-convex polygons with rotations into a multiply connected region | |
CN107273979A (zh) | 基于服务级别来执行机器学习预测的方法及*** | |
Tang et al. | Decision making with multiplicative hesitant fuzzy linguistic preference relations | |
CN110020877A (zh) | 点击率的预测方法、点击率的确定方法及服务器 | |
Li et al. | A novel approach based on the Gauss-v SVR with a new hybrid evolutionary algorithm and input vector decision method for port throughput forecasting | |
CN112686371A (zh) | 网络结构搜索方法、装置、设备、存储介质及程序产品 | |
Nagode et al. | The rebmix algorithm for the multivariate finite mixture estimation | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
Saber et al. | Optimization of economic load dispatch of higher order general cost polynomials and its sensitivity using modified particle swarm optimization | |
CN111814117A (zh) | 模型解释方法、设备及可读存储介质 | |
CN109379410B (zh) | 信息推送方法、装置、服务器以及存储介质 | |
Almadhor et al. | A new offloading method in the green mobile cloud computing based on a hybrid meta-heuristic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |