CN111401788B - 业务时序指标的归因方法以及装置 - Google Patents
业务时序指标的归因方法以及装置 Download PDFInfo
- Publication number
- CN111401788B CN111401788B CN202010281395.2A CN202010281395A CN111401788B CN 111401788 B CN111401788 B CN 111401788B CN 202010281395 A CN202010281395 A CN 202010281395A CN 111401788 B CN111401788 B CN 111401788B
- Authority
- CN
- China
- Prior art keywords
- variables
- machine learning
- variable
- learning model
- time sequence
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供业务时序指标的归因方法以及装置,其中所述方法包括:将特征池输入第一机器学习模型进行训练,得到变量的特征权重,特征池中包括基于业务时序指标样本分解得到的多个变量,模型对业务时序指标样本的时间曲线进行拟合,如果未达到预设训练目标,通过可解释机器学习框架进行影响特征权重的计算,按影响特征权重筛选出变量组合,添加到特征池中,输入模型进行迭代,实现了基于模型解释性算法的特征自适应迭代,如果达到预设训练目标,则可以从特征池确定具有耦合关系的变量组合,计算出变量组合对异常时间点的异常变动幅度的贡献系数,实现了业务时序指标的归因。
Description
技术领域
本说明书实施例涉及数据处理技术领域,特别涉及一种业务时序指标的归因方法。本说明书一个或者多个实施例同时涉及一种业务时序指标的归因装置,一种计算设备,以及一种计算机可读存储介质。
背景技术
在智能化数据业务管理的场景中,为了能够提升管理能力和效率,需要对管理的业务指标进行监控。若要对业务指标进行监控,则需要对业务指标与其关键影响因子的相关性进行归因。利用关键影响因子的相关性来对业务指标的发展趋势和波动进行监控。
但是,在业务指标中,存在着变量耦合关系难以确定、动态时变等特性的业务时序指标。基于这些特性,目前很难对业务时序指标进行归因。
发明内容
有鉴于此,本说明书施例提供了一种业务时序指标的归因方法。本说明书一个或者多个实施例同时涉及一种业务时序指标的归因装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种业务时序指标的归因方法,包括:将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重,其中,所述特征池中包括基于业务时序指标样本分解得到的多个变量,所述第一机器学习模型,用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合;如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,按影响特征权重筛选出变量组合,将所述变量组合添加到所述特征池中,重新进入所述将特征池输入第一机器学习模型进行训练的步骤;如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量组合对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量组合;计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
可选地,所述按影响特征权重筛选出变量组合包括:分别针对各业务时序指标样本,按所针对的业务时序指标样本的多个变量各自的影响特征权重,对所针对的业务时序指标样本的多个变量进行排序;筛选出分别在多个业务时序指标样本的排序在前的变量中组合出现的多个变量作为变量组合。
可选地,还包括:如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量;计算所述具有耦合关系的变量对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
可选地,所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括:基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型;基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解,求解得到的权重系数作为所述贡献系数。
可选地,所述计算所述具有耦合关系的变量以及变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括:将所述第一机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的特征权重作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
可选地,所述计算所述具有耦合关系的变量以及变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括:基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型;基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解;将所述第二机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的权重系数作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
根据本说明书实施例的第二方面,提供了一种业务时序指标的归因装置,包括:模型训练模块,被配置为将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重,其中,所述特征池中包括基于业务时序指标样本分解得到的多个变量,所述第一机器学习模型,用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合。可解释学习模块,被配置为如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,按影响特征权重筛选出变量组合。特征添加模块,被配置为将所述变量组合添加到所述特征池中,触发所述模型训练模块重新进入所述将特征池输入第一机器学习模型进行训练的步骤。耦合变量确定模块,被配置为如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量组合,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量组合。贡献系数计算模块,被配置为计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
可选地,所述可解释学习模块包括:影响计算子模块,被配置为通过可解释机器学习框架对所述机器学习模型得到的特征权重进行影响特征权重的计算,得到所述业务时序指标样本的变量的影响特征权重。排序子模块,被配置为分别针对各业务时序指标样本,按所针对的业务时序指标样本的多个变量各自的影响特征权重,对所针对的业务时序指标样本的多个变量进行排序。组合提取子模块,被配置为筛选出分别在多个业务时序指标样本的排序在前的变量中组合出现的多个变量作为变量组合。
可选地,所述耦合变量确定模块,还被配置为如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量。所述贡献系数计算模块,还被配置为计算所述具有耦合关系的变量对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
可选地,所述贡献系数计算模块包括:模型构建子模块,被配置为基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型。模型求解子模块,被配置为基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解,求解得到的权重系数作为所述贡献系数。
可选地,所述贡献系数计算模块,被配置为将所述第一机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的特征权重作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
可选地,所述贡献系数计算模块包括:模型构建子模块,被配置为基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型。模型求解子模块,被配置为基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解。局部近似子模块,被配置为将所述第二机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的权重系数作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
根据本说明书实施例的第三方面,提供了一种计算设备,包括:存储器和处理器;所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重,其中,所述特征池中包括基于业务时序指标样本分解得到的多个变量,所述第一机器学习模型,用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合;如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,按影响特征权重筛选出变量组合,将所述变量组合添加到所述特征池中,重新进入所述将特征池输入第一机器学习模型进行训练的步骤;如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量组合对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量以及变量组合;计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
根据本说明书实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现本说明书任意实施例所述业务时序指标的归因方法的步骤。
本说明书一个实施例提供了业务时序指标的归因方法,该方法将特征池输入第一机器学习模型进行训练,由于特征池中包括基于所述业务时序指标样本分解得到的多个变量,因此,第一机器学习模型能够通过调整输入变量的特征权重对所述业务时序指标样本的时间曲线进行拟合,得到变量的特征权重。由于该方法在第一机器学习模型的训练未达到预设训练目标的情况下,通过可解释机器学习框架对第一机器学习模型得到的特征权重进行影响特征权重的计算,从而按影响特征权重筛选出变量组合,将所述变量组合添加到所述特征池中,重新进入第一机器学习模型训练,因此实现了基于模型解释性算法的特征自适应迭代。从而当第一机器学习模型的训练达到预设训练目标时,可以根据特征池包含的变量组合对应的特征权重,确定业务时序指标样本的多个变量中,具有耦合关系的变量组合,进而计算具有耦合关系的变量组合对异常时间点的异常变动幅度的贡献系数,实现了业务时序指标的归因。
附图说明
图1是本说明书一个实施例提供的一种业务时序指标的归因方法的流程图;
图2是本说明书一个实施例提供的一种业务时序指标的归因方法的处理过程流程图;
图3a是本说明书一个实施例提供的业务时序指标样本的数值曲线示意图;
图3b是本说明书一个实施例提供的贡献系数计算结果效果示意图;
图4是本说明书一个实施例提供的一种业务时序指标的归因装置的结构示意图;
图5是本说明书另一个实施例提供的一种业务时序指标的归因装置的结构示意图;
图6是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本说明书中,提供了一种业务时序指标的归因方法,本说明书同时涉及一种业务时序指标的归因装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一个实施例提供的一种业务时序指标的归因方法的流程图,包括步骤102至步骤110。
步骤102:将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重。
其中,所述特征池中包括基于业务时序指标样本分解得到的多个变量。所述多个变量分别具有对应的初始化特征权重。所述第一机器学习模型,用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合。例如,某业务时序指标样本的时间曲线如图3a所示。
例如,在智能化资产数据管理的应用场景下,对于资金收益率、闲置率等业务时序指标,可以分解为趋势、周期、波动等各个变量。
其中,所述第一机器学习模型例如可以包括:多项式模型、深度学习、GBDT、或逻辑回归中的任一种机器学习模型。第一机器学习模型对输入的业务时序指标样本的变量进行特征学习,基于学习到的特征对业务时序指标样本进行拟合。基于拟合效果对变量的特征权重进行调整。
例如,基于多项式模型的第一机器学习模型的表达式可以如下所示:
f(x1,x2,…xn,xc1,xc2,…xcm)=∑nwi·xi+∑dwdi·xi+∑i∑j(xi+Ci)*xj+Cj)+HighOrder
其中,x1~xn表示业务时序指标样本分解得到的多个变量,xc1~xcm表示变量组合,wi表示变量的特征权重,Ci、Cj等参数为多项式模型的超参数,HighOrder为根据实施场景需要设置的高阶函数。
步骤104:如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,按影响特征权重筛选出变量组合。
其中,所述可解释机器学习框架例如可以包括:L2X或SHAP中的任一种可解释机器学习框架。利用L2X或SHAP等样本级模型解释框架,对第一机器学习模型的输出结果进行归因,获得各个业务时序指标样本的变量的影响特征权重。例如,对于SHAP样本级模型解释框架,可以使用Shap库计算Shap值,也即影响特征权重。影响特征权重,能够表达出变量对业务时序指标的影响。
其中,所述预设训练目标可以根据实施场景需要进行设置。例如,所述预设训练目标可以为建模准确度指标收敛、误差达到最小、达到预设迭代最大次数、等。
本说明书实施例对所述按影响特征权重筛选出变量组合的筛选方式并不进行限制,例如,可以筛选排序在前的多次组合出现的多个变量作为变量组合,或,筛选影响特征权重大于一定预设阈值的多次组合出现的多个变量作为变量组合,等。
例如,筛选排序在前的多次组合出现的多个变量作为变量组合的实施方式可以包括:分别针对各业务时序指标样本,按所针对的业务时序指标样本的多个变量各自的影响特征权重,对所针对的业务时序指标样本的多个变量进行排序;筛选出分别在多个业务时序指标样本的排序在前的变量中组合出现的多个变量作为变量组合。在该实施方式中,由于影响特征权重排序在前的变量中多次组合出现多个变量,则说明这些变量具有较强的耦合关系,因此,将其筛选出来作为变量组合能够更加准确地表达变量间耦合关系,从而实现更加准确地归因。
步骤106:将所述变量组合添加到特征池中,重新进入步骤102所述将特征池输入第一机器学习模型进行训练。
步骤108:如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量组合对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量组合。
例如,可以根据特征池包含的变量组合对应的特征权重,选取特征权重排序在前的变量组合,或者,选取特征权重大于一定阈值的变量组合作为具有耦合关系的变量组合。
步骤110:计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
其中,异常时间点可以通过业务时序指标的数值变化来确定。例如,参考如图3a所示业务时序指标样本的时间曲线示意图中显示的数值变化,曲线310与曲线320之间的范围为正常波动区间,曲线330为业务时序指标样本的时间曲线,可见,时间点301、302、303的波动超过正常波动区间,为异常时间点。具体地,例如,可以利用时序预测、回归等算法,预测业务时序指标样本的未来数值以及波动区间。再通过统计分析、预测、聚类等算法基于业务时序指标样本的未来数值以及波动区间确定业务时序指标样本的异常时间点。其中,所述业务时序指标样本可以包括异常时间点前后的若干正常样本和若干异常样本。
本说明书一个或多个实施例中,为了能够更全面地对时序指标进行归因,进一步在所述第一机器学习模型的训练达到预设训练目标的情况下,根据所述特征池包含的变量对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量;计算所述具有耦合关系的变量对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
例如,如图3b所示的贡献系数计算结果效果示意图,对于一个业务时序指标,可以得到该业务时序指标的具有耦合关系的变量以及变量组合x1~xcnl_24分别对异常时间点T的异常变动幅度的贡献系数weight。在如图3b所示的贡献系数计算结果效果示意图中,pre_val表示变量在T之前的一个时间点的值,current_val表示变量在T时刻的值,attri等于current_val与weight之积,表示变量在T时刻对业务时序指标的贡献值。
再例如,可以进一步基于具有耦合关系的各个变量以及变量组合的贡献系数,利用机器学习模型来对业务时序指标的发展趋势和波动进行监控。
可见,由于该方法特征池中包括基于所述业务时序指标样本分解得到的多个变量,因此,第一机器学习模型能够通过调整特征权重对所述业务时序指标样本的时间曲线进行拟合,得到变量的特征权重。在第一机器学习模型的误差尚未达到预设训练目标的情况下,通过可解释机器学习框架对机器学习模型得到的特征权重进行影响特征权重的计算,从而按影响特征权重筛选出变量组合,将变量组合添加到特征池中,重新代入第一机器学习模型训练,因此实现了基于模型解释性算法的特征自适应迭代,将模型解释性算法与自动化特征工程结合,利用闭环迭代的方式实现对特征的自动化筛选和生成,当第一机器学习模型的误差达到预设训练目标时,能够根据特征池包含的变量组合,确定业务时序指标样本的多个变量中,具有耦合关系的变量组合,进而计算变量组合对异常时间点的异常变动幅度的贡献系数,实现了业务时序指标的归因。
本说明书一个或多个实施例中,可以基于具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型;基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对具有耦合关系的变量以及变量组合分别对应的权重系数进行求解,求解得到的权重系数作为所述贡献系数。在该实施方式中,基于模型解释性算法的特征自适应迭代,确定了具有耦合关系的变量组合,又以业务时序指标样本在异常时间点达到异常变动幅度为目标,对具有耦合关系的变量以及变量组合分别对应的权重系数进行求解,将得到的各变量以及变量组合的权重系数作为贡献系数,对组合变量与业务时序指标异常的相关性进行了定量,从而实现了对业务时序指标的归因。
例如,对于组合变量呈现线性/多项式类的特点,可以采用线性回归模型求解,对于组合变量呈现非线性的特点,可以采用boosting、随机森林、GBDT、深度学习等非线性模型建模。
本说明书另一个或多个实施例中,可以将第一机器学***衡了各个变量的影响,从而提高了计算出的贡献系数的公平性和可靠性。
本说明书又一个或多个实施例中,可以基于具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学***衡了各个变量的影响,从而提高了计算出的贡献系数的公平性和可靠性。
结合以上多个实施例,图2示出了根据本说明书一个或多个实施例提供的一种业务时序指标的归因方法的处理过程流程图,包括步骤202至步骤218。
步骤202:将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重。
步骤204:如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,得到所述业务时序指标样本的变量的影响特征权重。
步骤206:分别针对各业务时序指标样本,按所针对的业务时序指标样本的多个变量各自的影响特征权重,对所针对的业务时序指标样本的多个变量进行排序。
步骤208:筛选出分别在多个业务时序指标样本的排序在前的变量中组合出现的多个变量作为变量组合。
例如,可以根据场景需要设置用于判断是否为多次组合出现的出现频次。排序在前的范围可以根据实施场景需要来设置。例如,可以将排序在前预设位数的范围作为排序在前的范围,或者,从前到后查找到的频繁组合出现的第一组多个变量作为排序在前的范围,等。
例如:业务时序指标样本ins1,按其各变量的影响特征权重,排序后的顺序为(x1、x3、x8,…);业务时序指标样本ins1,按其各变量的影响特征权重,排序后的顺序为(x2、x8、x3,…)。根据ins1和ins2排序在前的变量中,组合频繁出现的多个变量包括:x8和x3,提取出变量组合:x8和x3。
步骤210:将所述变量组合添加到特征池中,重新进入所述将特征池输入第一机器学习模型进行训练的步骤。
步骤212:如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量及变量组合对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量及变量组合。
步骤214:基于所述具有耦合关系的变量及变量组合,对所述业务时序指标样本构建第二机器学习模型。
步骤216:基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解。
步骤218:将所述第二机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的权重系数作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
在该实施方式中,分别针对各业务时序指标样本,按影响特征权重,对所针对的业务时序指标样本的变量进行排序,在排序在前的变量中,提取多次组合出现的多个变量作为所述业务时序指标样本的变量组合,从而能够提高变量组合的提取效率,提高基于模型解释性算法的特征自适应迭代的效率;而且,在计算贡献系数时,先通过第二机器学***衡了各个变量的影响,从而提高了计算出的贡献系数的公平性和可靠性。
与上述方法实施例相对应,本说明书还提供了业务时序指标的归因装置实施例,图4示出了本说明书一个实施例提供的一种业务时序指标的归因装置的结构示意图。如图4所示,该装置包括:模型训练模块402、可解释学习模块404、特征添加模块406、耦合变量确定模块408以及贡献系数计算模块410。
该模型训练模块402,可以被配置为将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重,其中,所述特征池中包括基于业务时序指标样本分解得到的多个变量,所述第一机器学习模型,用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合。
该可解释学习模块404,可以被配置为如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,按影响特征权重筛选出变量组合。
该特征添加模块406,可以被配置为将所述变量组合添加到所述特征池中,触发所述模型训练模块重新进入所述将特征池输入第一机器学习模型进行训练的步骤。
该耦合变量确定模块408,可以被配置为如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量组合,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量组合。
该贡献系数计算模块410,可以被配置为计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
可见,由于该装置特征池中包括基于所述业务时序指标样本分解得到的多个变量,因此,第一机器学习模型能够通过调整特征权重对所述业务时序指标样本的时间曲线进行拟合,得到变量的特征权重。在第一机器学习模型的误差尚未达到预设训练目标的情况下,通过可解释机器学习框架对机器学习模型得到的特征权重进行影响特征权重的计算,从而按影响特征权重筛选出变量组合,将变量组合添加到特征池中,重新代入第一机器学习模型训练,因此实现了基于模型解释性算法的特征自适应迭代,将模型解释性算法与自动化特征工程结合,利用闭环迭代的方式实现对特征的自动化筛选和生成,当第一机器学习模型的误差达到预设训练目标时,能够根据特征池包含的变量组合,确定业务时序指标样本的多个变量中,具有耦合关系的变量组合,进而计算变量组合对异常时间点的异常变动幅度的贡献系数,实现了业务时序指标的归因。
图5示出了本说明书另一个实施例提供的一种业务时序指标的归因装置的结构示意图。如图5所示,该装置所述可解释学习模块404可以包括:影响计算子模块4042、排序子模块4044以及组合提取子模块4046。
该影响计算子模块4042,可以被配置为通过可解释机器学习框架对所述机器学习模型得到的特征权重进行影响特征权重的计算,得到所述业务时序指标样本的变量的影响特征权重。
该排序子模块4044,可以被配置为分别针对各业务时序指标样本,按所针对的业务时序指标样本的多个变量各自的影响特征权重,对所针对的业务时序指标样本的多个变量进行排序。
该组合提取子模块4046,可以被配置为筛选出分别在多个业务时序指标样本的排序在前的变量中组合出现的多个变量作为变量组合。
在该实施方式中,由于影响特征权重排序在前的变量中多次组合出现多个变量,则说明这些变量具有较强的耦合关系,因此,将其筛选出来作为变量组合能够更加准确地表达变量间耦合关系,从而实现更加准确地归因。
本说明书一个或多个实施例中,如图5所示,耦合变量确定模块408,还可以被配置为如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量。所述贡献系数计算模块410,还可以被配置为计算所述具有耦合关系的变量对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。在该实施方式中,确定了业务时序指标样本的多个变量中,具有耦合关系的变量以及变量组合,进而计算变量以及变量组合对异常时间点的异常变动幅度的贡献系数,实现了更全面的业务时序指标的归因。
本说明书一个或多个实施例中,如图5所示,所述贡献系数计算模块410可以包括:模型构建子模块4102以及模型求解子模块4104。
该模型构建子模块4102,可以被配置为基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型。
该模型求解子模块4104,可以被配置为基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解,求解得到的权重系数作为所述贡献系数。
在该实施方式中,基于模型解释性算法的特征自适应迭代,确定了具有耦合关系的变量组合,又以业务时序指标样本在异常时间点达到异常变动幅度为目标,对具有耦合关系的变量以及变量组合分别对应的权重系数进行求解,将得到的各变量以及变量组合的权重系数作为贡献系数,对组合变量与业务时序指标异常的相关性进行了定量,从而实现了对业务时序指标的归因。
本说明书一个或多个实施例中,所述贡献系数计算模块410,可以被配置为将所述第一机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的特征权重作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
在该实施方式中,利用可解释机器学***衡了各个变量的影响,从而提高了计算出的贡献系数的公平性和可靠性。
本说明书一个或多个实施例中,所述贡献系数计算模块410可以包括:模型构建子模块4102、模型求解子模块4104以及局部近似子模块4106。
该模型构建子模块4102,可以被配置为基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型。
该模型求解子模块4104,可以被配置为基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解。
该局部近似子模块4106,可以被配置为将所述第二机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的权重系数作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
在该实施方式中,先通过第二机器学***衡了各个变量的影响,从而提高了计算出的贡献系数的公平性和可靠性。
上述为本实施例的一种业务时序指标的归因装置的示意性方案。需要说明的是,该业务时序指标的归因装置的技术方案与上述的业务时序指标的归因方法的技术方案属于同一构思,业务时序指标的归因装置的技术方案未详细描述的细节内容,均可以参见上述业务时序指标的归因方法的技术方案的描述。
图6示出了根据本说明书一个实施例提供的一种计算设备600的结构框图。该计算设备600的部件包括但不限于存储器610和处理器620。处理器620与存储器610通过总线630相连接,数据库650用于保存数据。
计算设备600还包括接入设备640,接入设备640使得计算设备600能够经由一个或多个网络660通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备640可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备600的上述部件以及图6中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图6所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备600可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备600还可以是移动式或静止式的服务器。
其中,处理器600可以用于执行计算机可执行指令以实现上述任意一项实施例中所述业务时序指标的归因方法的步骤。具体步骤可参考前述方法实施例中的描述,此处不再赘述。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的业务时序指标的归因方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述业务时序指标的归因方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以实现上述任意一项实施例中所述业务时序指标的归因方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的业务时序指标的归因方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述业务时序指标的归因方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (14)
1.一种业务时序指标的归因方法,应用于计算机对业务时序指标数据的处理,所述方法包括:
将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重,其中,所述特征池中包括基于业务时序指标样本分解得到的多个变量,所述第一机器学习模型,用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合;
如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,按影响特征权重筛选出变量组合,将所述变量组合添加到所述特征池中,重新进入所述将特征池输入第一机器学习模型进行训练的步骤;
如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量组合对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量组合;
计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数;
基于具有耦合关系的变量组合的贡献系数,利用机器学习模型对业务时序指标的发展趋势进行预测。
2.根据权利要求1所述的方法,所述按影响特征权重筛选出变量组合包括:
分别针对各业务时序指标样本,按所针对的业务时序指标样本的多个变量各自的影响特征权重,对所针对的业务时序指标样本的多个变量进行排序;
筛选出分别在多个业务时序指标样本的排序在前的变量中组合出现的多个变量作为变量组合。
3.根据权利要求1所述的方法,还包括:
如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量;
计算所述具有耦合关系的变量对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
4.根据权利要求1所述的方法,所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括:
基于具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型;
基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对具有耦合关系的变量以及变量组合分别对应的权重系数进行求解,求解得到的权重系数作为所述贡献系数。
5.根据权利要求1所述的方法,所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括:
将所述第一机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的特征权重作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
6.根据权利要求1所述的方法,所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括:
基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型;
基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解;
将所述第二机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的权重系数作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
7.一种业务时序指标的归因装置,应用于计算机对业务时序指标数据的处理,包括:
模型训练模块,被配置为将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重,其中,所述特征池中包括基于业务时序指标样本分解得到的多个变量,所述第一机器学习模型,用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合;
可解释学习模块,被配置为如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,按影响特征权重筛选出变量组合;
特征添加模块,被配置为将所述变量组合添加到所述特征池中,触发所述模型训练模块重新进入所述将特征池输入第一机器学习模型进行训练的步骤;
耦合变量确定模块,被配置为如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量组合,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量组合;
贡献系数计算模块,被配置为计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数;基于具有耦合关系的变量组合的贡献系数,利用机器学习模型对业务时序指标的发展趋势进行预测。
8.根据权利要求7所述的装置,所述可解释学习模块包括:
影响计算子模块,被配置为通过可解释机器学习框架对所述机器学习模型得到的特征权重进行影响特征权重的计算,得到所述业务时序指标样本的变量的影响特征权重;
排序子模块,被配置为分别针对各业务时序指标样本,按所针对的业务时序指标样本的多个变量各自的影响特征权重,对所针对的业务时序指标样本的多个变量进行排序;
组合提取子模块,被配置为筛选出分别在多个业务时序指标样本的排序在前的变量中组合出现的多个变量作为变量组合。
9.根据权利要求7所述的装置,所述耦合变量确定模块,还被配置为如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量;
所述贡献系数计算模块,还被配置为计算所述具有耦合关系的变量对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。
10.根据权利要求7所述的装置,所述贡献系数计算模块包括:
模型构建子模块,被配置为基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型;
模型求解子模块,被配置为基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解,求解得到的权重系数作为所述贡献系数。
11.根据权利要求7所述的装置,所述贡献系数计算模块,被配置为将所述第一机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的特征权重作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
12.根据权利要求7所述的装置,所述贡献系数计算模块包括:
模型构建子模块,被配置为基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型;
模型求解子模块,被配置为基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解;
局部近似子模块,被配置为将所述第二机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的权重系数作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。
13.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重,其中,所述特征池中包括基于业务时序指标样本分解得到的多个变量,所述第一机器学习模型,用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合;
如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,按影响特征权重筛选出变量组合,将所述变量组合添加到所述特征池中,重新进入所述将特征池输入第一机器学习模型进行训练的步骤;
如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量组合对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量以及变量组合;
计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数;
基于具有耦合关系的变量组合的贡献系数,利用机器学习模型对业务时序指标的发展趋势进行预测。
14.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求1至6任意一项所述业务时序指标的归因方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281395.2A CN111401788B (zh) | 2020-04-10 | 2020-04-10 | 业务时序指标的归因方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281395.2A CN111401788B (zh) | 2020-04-10 | 2020-04-10 | 业务时序指标的归因方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401788A CN111401788A (zh) | 2020-07-10 |
CN111401788B true CN111401788B (zh) | 2022-03-25 |
Family
ID=71431545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010281395.2A Active CN111401788B (zh) | 2020-04-10 | 2020-04-10 | 业务时序指标的归因方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401788B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897707B (zh) * | 2020-07-16 | 2024-01-05 | 中国工商银行股份有限公司 | 业务***的优化方法和装置、计算机***和存储介质 |
CN112733917B (zh) * | 2020-12-31 | 2024-04-05 | 杭州电子科技大学 | 一种基于shap特征优化的信道均衡方法 |
CN112508202B (zh) * | 2021-02-07 | 2021-07-30 | 北京淇瑀信息科技有限公司 | 一种调整模型稳定性的方法、装置及电子设备 |
CN113297480B (zh) * | 2021-04-29 | 2023-03-14 | 上海淇玥信息技术有限公司 | 一种定制化信息发送方法、装置及电子设备 |
WO2022235263A1 (en) * | 2021-05-04 | 2022-11-10 | Google Llc | Attribution model for related and mixed content item responses |
CN113312578B (zh) * | 2021-06-11 | 2023-08-04 | 北京百度网讯科技有限公司 | 一种数据指标的波动归因方法、装置、设备、及介质 |
CN113705818B (zh) * | 2021-08-31 | 2024-04-19 | 支付宝(杭州)信息技术有限公司 | 对支付指标波动进行归因的方法及装置 |
CN114444986B (zh) * | 2022-04-11 | 2022-06-03 | 成都数之联科技股份有限公司 | 产品分析方法及***及装置及介质 |
CN115829144B (zh) * | 2022-12-16 | 2023-07-07 | 华北电力大学 | 电网业务优化模型的建立方法及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205707A (zh) * | 2017-09-27 | 2018-06-26 | 深圳市商汤科技有限公司 | 生成深度神经网络的方法、装置和计算机可读存储介质 |
CN108647891A (zh) * | 2018-05-14 | 2018-10-12 | 口口相传(北京)网络技术有限公司 | 数据异常归因分析方法及装置 |
CN110705718A (zh) * | 2019-10-11 | 2020-01-17 | 秒针信息技术有限公司 | 基于合作博弈的模型解释方法、装置、电子设备 |
CN110728462A (zh) * | 2019-10-22 | 2020-01-24 | 中国气象局沈阳大气环境研究所 | 一种植被变化归因评价方法及装置 |
CN110782989A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 数据分析方法、装置、设备及计算机可读存储介质 |
CN110796399A (zh) * | 2020-01-03 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 基于区块链的资源分配方法以及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11682074B2 (en) * | 2018-04-13 | 2023-06-20 | Gds Link Llc | Decision-making system and method based on supervised learning |
-
2020
- 2020-04-10 CN CN202010281395.2A patent/CN111401788B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205707A (zh) * | 2017-09-27 | 2018-06-26 | 深圳市商汤科技有限公司 | 生成深度神经网络的方法、装置和计算机可读存储介质 |
CN108647891A (zh) * | 2018-05-14 | 2018-10-12 | 口口相传(北京)网络技术有限公司 | 数据异常归因分析方法及装置 |
CN110782989A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 数据分析方法、装置、设备及计算机可读存储介质 |
CN110705718A (zh) * | 2019-10-11 | 2020-01-17 | 秒针信息技术有限公司 | 基于合作博弈的模型解释方法、装置、电子设备 |
CN110728462A (zh) * | 2019-10-22 | 2020-01-24 | 中国气象局沈阳大气环境研究所 | 一种植被变化归因评价方法及装置 |
CN110796399A (zh) * | 2020-01-03 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 基于区块链的资源分配方法以及装置 |
Non-Patent Citations (2)
Title |
---|
动态神经网络在量化投资预测中的应用;赵晨;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20160315;全文 * |
基于主成分降维的SVM回归模型在煤与瓦斯突出预测中的应用;苏筱丽;《工业计量》;20200126(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111401788A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401788B (zh) | 业务时序指标的归因方法以及装置 | |
Nikravesh et al. | Mobile network traffic prediction using MLP, MLPWD, and SVM | |
CN110798365B (zh) | 基于神经网络的流量预测方法及装置 | |
US20180330226A1 (en) | Question recommendation method and device | |
Khan et al. | Behavioral modeling for churn prediction: Early indicators and accurate predictors of custom defection and loyalty | |
CN111311030B (zh) | 基于影响因素检测的用户信用风险预测方法及装置 | |
CN111314121A (zh) | 链路异常检测方法以及装置 | |
CN113783717B (zh) | 智慧城市网络流量预测方法及*** | |
CN111582341B (zh) | 用户异常操作预测方法及装置 | |
JP2017199362A (ja) | 非定常時系列データの予測に用いる方法及び装置 | |
Ramesh | Predictive analytics for banking user data using AWS machine learning cloud service | |
CN113743991A (zh) | 生命周期价值预测方法及装置 | |
CN115185760A (zh) | 异常检测方法以及装置 | |
CN109670624B (zh) | 一种预估用餐等候时间的方法及装置 | |
CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
CN114581119A (zh) | 流量预测方法以及装置 | |
CN108694232B (zh) | 一种基于信任关系特征学习的社会化推荐方法 | |
CN116050674B (zh) | 水利工程运行趋势预测方法以及装置 | |
CN111400964A (zh) | 一种故障发生时间预测方法及装置 | |
CN110633971A (zh) | 资损估计方法以及装置 | |
Sharma et al. | A BPSO and deep learning based hybrid approach for android feature selection and malware detection | |
CN115470349A (zh) | 标签预测模型训练方法及装置 | |
CN115238775A (zh) | 模型构建方法 | |
CN114091903A (zh) | 资损评估模型的训练方法及装置、资损评估方法及装置 | |
CN111552846A (zh) | 识别可疑关系的方法以及装置 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Yang Yao Inventor after: Jiang Yukun Inventor after: Liu Lei Inventor after: Jiao Yujing Inventor before: Jiang Yukun Inventor before: Yang Yao Inventor before: Liu Lei Inventor before: Jiao Yujing |
|
GR01 | Patent grant | ||
GR01 | Patent grant |