CN111738765A - 数据处理方法、装置、设备和存储介质 - Google Patents

数据处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111738765A
CN111738765A CN202010579634.2A CN202010579634A CN111738765A CN 111738765 A CN111738765 A CN 111738765A CN 202010579634 A CN202010579634 A CN 202010579634A CN 111738765 A CN111738765 A CN 111738765A
Authority
CN
China
Prior art keywords
parameter
period
time units
values
historical
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
Application number
CN202010579634.2A
Other languages
English (en)
Inventor
游悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JD Digital Technology Holdings Co Ltd
Original Assignee
JD Digital Technology Holdings Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JD Digital Technology Holdings Co Ltd filed Critical JD Digital Technology Holdings Co Ltd
Priority to CN202010579634.2A priority Critical patent/CN111738765A/zh
Publication of CN111738765A publication Critical patent/CN111738765A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种数据处理方法、装置、设备和存储介质，该方法包括：基于在第一周期内接收到的至少一个客户端发送的针对第一对象的用户请求，获取第一周期包括的多个时间单元下的第一参数的数值，用户请求能够影响第一对象的第一参数的数值；根据多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的第一参数的预测数值，第二周期为第一周期的下一周期。本申请实施例通过预测接下来的一个周期包括的多个时间单元下的对象的参数的预测数值，可基于该参数的预测数值及时的确定参数是否会出现问题，提高了对该对象的维护可靠性。

Description

数据处理方法、装置、设备和存储介质
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种数据处理方法、装置、设备和存储介质。
背景技术
在对象的维护场景中，需要监控影响对象的多个参数，若某一参数出现问题，则对象可能会恶化。
目前在广告维护场景中，对于影响广告运营的参数(比如广告点击率)，一般是根据历史时间段内该参数的数值，确定在该历史时间段内该参数是否出现了问题。在实现本申请过程中，发明人发现现有技术中至少存在如下问题：不能及时的确定参数是否会出现问题。
发明内容
本申请实施例提供一种数据处理方法、装置、设备和存储介质，用以解决不能及时的确定参数是否会出现问题。
第一方面，本申请实施例提供一种数据处理方法，应用于服务器，包括：基于在第一周期内接收到的至少一个客户端发送的针对第一对象的用户请求，获取所述第一周期包括的多个时间单元下的第一参数的数值，所述用户请求能够影响第一对象的第一参数的数值；根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值，所述第二周期为所述第一周期的下一周期。可选地，所述第一对象为与金融相关的对象。
本方案中通过根据第一周期包括的多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的第一参数的预测数值，第二周期为第一周期的下一周期，可基于第一参数的预测数值实现对第一参数在下一周期内是否会出现问题的预测，即可及时的确定参数是否会出现问题，提高了对该对象的维护可靠性。
在一种可能实施方式中，所述根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值，包括：利用所述历史数值，使用神经网络模型获取所述预测数值；其中，所述神经网络模型是基于多个训练样本训练得到的，所述训练样本包括相邻的两个历史周期各自包括的多个时间单元下的所述第一参数的数值。
本实施方式具有如下优点或者有益效果：获取的第一参数的预测数值比较准确。
在一种可能实施方式中，还包括：基于所述第一参数的预设判断条件，分析所述预测数值，得到所述第二周期内所述第一参数的第一异常信息；向终端设备发送所述第一异常信息。
本实施方式具有如下优点或者有益效果：本实施方式给出了在第一参数在第二周期内异常时，服务器向第一终端设备发送在第二周期内第一参数的异常信息，以使用户可及时获知第一参数在第二周期内异常，此时，用户可采取相应的措施以阻止第一参数在第二周期内异常，提高了第一对象的维护可靠性。
在一种可能实施方式中，在得到所述第二周期内所述第一参数的第一异常信息之后，还包括：根据所述用户请求所对应的用户的多种属性，确定引起所述第二周期内所述第一参数异常的目标属性；向终端设备发送所述目标属性。
本实施方式具有如下优点或者有益效果：通过服务器分析引起第二周期内第一参数异常的原因，并向第一终端设备发送该原因，该原因可以辅助用户采取相应的措施阻止第一参数在第二周期发生异常，进一步提高对象维护可靠性。
在一种可能实施方式中，所述确定引起所述第二周期内所述第一参数异常的目标类属性，包括：对于每种属性，获取该种属性对所述第一参数的影响系数；根据各种属性对所述第一参数的影响系数，从所述多种属性中确定所述目标属性。
本实施方式具有如下优点或者有益效果：按照各种属性对所述第一参数的影响系数，从所述多种属性中确定所述目标属性，可以提高确定的引起第二周期内第一参数异常的原因的准确性。
在一种可能实施方式中，所述获取该种属性对所述第一参数的影响系数，包括：获取该种属性对应的至少一个类别；根据所述用户的总数和每种类别的用户数，获取该种属性对所述第一参数的影响系数。
本实施方式具有如下优点或者有益效果：给出了获取属性对第一参数的影响系数的一种具体实现。
在一种可能实施方式中，在所述根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值之前，还包括：接收来自终端设备的预测请求，所述预测请求用于请求预测所述第二周期包括的多个时间单元下的所述第一参数的预测数值；向所述终端设备发送所述第二周期包括的多个时间单元下的所述第一参数的预测数值。
本实施方式具有如下优点或者有益效果：本实施方式在接收到用户触发的请求后，才进行第二周期内第一参数的数值的预测，可以节省服务器的功耗。
在一种可能实施方式中，所述第一参数为预设参数集合中的参数。
本实施方式具有如下优点或者有益效果：对在预设参数集合中的参数才进行下一周期数值的预测，可以节省服务器的功耗。
在一种可能实施方式中，还包括：接收来自终端设备的分析请求，所述分析请求用于分析第二参数在第一历史时间段内的数值，所述第二参数不属于所述预设参数集合；响应所述分析请求，分析所述第二参数在所述第一历史时间段内的数值，得到在所述第一历史时间段所述第二参数的第二异常信息；向终端设备发送所述第二异常信息。
本实施方式具有如下优点或者有益效果：对不在预设参数集合中的参数，在接收到用户触发的分析请求后分析历史时间段内该参数是否正常，可以节省服务器的功耗。
在一种可能实施方式中，还包括：根据所述预测数值得到所述第一参数在所述第二周期内的预测变化曲线；向终端设备发送所述预测变化曲线。
本实施方式具有如下优点或者有益效果：可以使得用户更加直观的了解第一参数在第二周期内的特征。
在一种可能实施方式中，还包括：向终端设备发送所述预测数值。
本实施方式具有如下优点或者有益效果：可以使得用户获知第一参数在所述第二周期内的预测数值。
第二方面，本申请实施例提供一种数据处理方法，应用于服务器，包括：获取第一周期包括的多个时间单元下的所述第一参数的数值；根据第一周期包括的多个时间单元下的所述第一参数的数值，获取第二周期包括的多个时间单元下的所述第一参数的预测数值，所述第二周期为所述第一周期的下一周期。
第三方面，本申请实施例提供一种数据处理装置，包括：处理模块，用于基于在第一周期内接收到的至少一个客户端发送的针对第一对象的用户请求，获取所述第一周期包括的多个时间单元下的第一参数的数值，所述用户请求能够影响第一对象的第一参数的数值；所述处理模块，还用于根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值，所述第二周期为所述第一周期的下一周期。
在一种可能实施方式中，所述处理模块具体用于：利用所述历史数值，使用神经网络模型获取所述预测数值；其中，所述神经网络模型是基于多个训练样本训练得到的，所述训练样本包括相邻的两个历史周期各自包括的多个时间单元下的所述第一参数的数值。
在一种可能实施方式中，所述处理模块，还用于基于所述第一参数的预设判断条件，分析所述预测数值，得到所述第二周期内所述第一参数的第一异常信息；还包括收发模块，用于向终端设备发送所述第一异常信息。
在一种可能实施方式中，在所述处理模块得到所述第二周期内所述第一参数的第一异常信息之后：所述处理模块，还用于根据所述用户请求所对应的用户的多种属性，确定引起所述第二周期内所述第一参数异常的目标属性；所述收发模块，还用于向终端设备发送所述目标属性。
在一种可能实施方式中，所述处理模块具体用于：对于每种属性，获取该种属性对所述第一参数的影响系数；根据各种属性对所述第一参数的影响系数，从所述多种属性中确定所述目标属性。
在一种可能实施方式中，所述处理模块具体用于：获取该种属性对应的至少一个类别；根据所述用户的总数和每种类别的用户数，获取该种属性对所述第一参数的影响系数。
在一种可能实施方式中，在所述处理模块根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值之前：所述处理模块，还用于接收来自终端设备的预测请求，所述预测请求用于请求预测所述第二周期包括的多个时间单元下的所述第一参数的预测数值；所述收发模块，还用于向所述终端设备发送所述第二周期包括的多个时间单元下的所述第一参数的预测数值。
在一种可能实施方式中，所述第一参数为预设参数集合中的参数。
在一种可能实施方式中，还包括收发模块；所述收发模块，用于接收来自终端设备的分析请求，所述分析请求用于分析第二参数在第一历史时间段内的数值，所述第二参数不属于所述预设参数集合；所述处理模块，还用于响应所述分析请求，分析所述第二参数在所述第一历史时间段内的数值，得到在所述第一历史时间段所述第二参数的第二异常信息；所述收发模块，还用于向终端设备发送所述第二异常信息。
在一种可能实施方式中，还包括收发模块；所述处理模块，还用于根据所述预测数值得到所述第一参数在所述第二周期内的预测变化曲线；所述收发模块，用于向终端设备发送所述预测变化曲线。
在一种可能实施方式中，还包括：向终端设备发送所述预测数值。
在一种可能实施方式中，所述第一对象为与金融相关的对象。
第四方面，本申请实施例提供一种数据处理装置，包括：处理模块，用于获取第一周期包括的多个时间单元下的所述第一参数的数值；所述处理模块，还用于根据第一周期包括的多个时间单元下的所述第一参数的数值，获取第二周期包括的多个时间单元下的所述第一参数的预测数值，所述第二周期为所述第一周期的下一周期。
第五方面，本申请实施例提供一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面以及第一方面任一可能的实施方式中所述的方法或者执行第二方面所述的方法。
第六方面，本申请实施例提供一种计算机可读存储介质，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第一方面以及第一方面任一可能的实施方式中所述的方法或者执行第二方面所述的方法。
本申请中通过服务器基于在第一周期内接收到的至少一个客户端发送的针对第一对象的用户请求，获取第一周期包括的多个时间单元下的第一参数的数值，接着根据第一周期包括的多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的第一参数的预测数值(第二周期为第一周期的下一周期)的技术手段，可实现基于第一参数的预测数值预测第一参数在下一周期内是否会出现问题，克服了不能及时的确定参数是否会出现问题的技术问题，达到了可以及时的确定参数是否会出现问题，提高对象维护可靠性的效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的***架构图；
图2为本申请实施例提供的数据处理方法的流程图一；
图3为本申请实施例提供的数据处理方法的流程图二；
图4为本申请实施例提供的数据处理方法的流程图三；
图5为本申请实施例提供的数据处理方法的流程图四
图6为本申请实施例提供的数据处理方法的流程图五；
图7为本申请实施例提供的数据处理装置的示意图；
图8为本申请实施例提供的一种电子设备的示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在一些对象的维护场景中，比如广告维护、金融***维护等，需要监控影响对象的多个参数，若某一参数出现问题，则对象可能会恶化。比如在金融***维护的场景中，可监控如下参数：该金融***下的各理财产品的每日总保有人数、每日主动交易总金额、每日主动交易总人数；以及各理财产品各自的主动赎回金额、主动赎回人数、每日新增开户用户数，每日活跃用户数、周日均千元保有人数、周日均万元保有人数等。其中，活跃用户可为登录了针对该金融***的应用的用户。周日均千元保有人数：一周内每天的千元保有人数的平均值，千元保有人数是指购买的金融产品的价值大于或等于1000元。
目前对于影响广告运营的参数，一般是根据历史时间段的该参数的历史数值，确定在该历史时间段内该参数是否出现问题。在实现本申请过程中，发明人发现现有技术中至少存在如下问题：确定的是参数在历史时间段内是否出现问题，不能及时的确定参数是否会出现问题，对对象的维护可靠性不高。
为了解决上述技术问题，发明人发现若能够预测参数在未来的数值，则可及时的确定参数是否会出现问题，从而提高对象的维护可靠性。
下面对本申请涉及的***架构进行说明。
图1为本申请实施例提供的***架构图。参见图1，该***架构包括：客户端、服务器、维护端设备。
其中，客户端为能够触发用户针对某一对象的请求的终端设备，比如该对象为某一理财产品，则客户端为安装有能够处理该理财产品的应用的终端设备；又比如，该对象为广告，则客户端为能接收并向用户显示该广告的终端设备。
客户端接收到用户输入的针对某一对象的请求后，将该请求发送至服务器。服务器除了响应该请求外，若请求能够影响该对象的某一参数的数值，服务器还会更新用户请求对应的时间单元下第一参数的数值。其中，用户请求对应的时间单元即为用户请求的发生时间属于该时间单元。可以理解的是，服务器基于第一周期接收到的能够影响该参数的请求，可统计得到第一周期包括的多个时间单元下该参数的数值，时间单元可以是一天、一周、二周、一月、一年等任意的时间单元。接着，服务器可根据第一周期包括的多个时间单元下的该参数的历史数值，预测第一周期的下一周期包括的多个时间单元下该参数的预测数值，第一周期可为刚刚过去的一个周期。从而可基于下一周期包括的多个时间单元下该参数的预测数值及时的确定参数是否会出现问题，提高了对该对象的维护可靠性。
对于实现对参数在下一周期内是否会出现问题的预测的具体实现：一种方式中，在得到下一周期包括的多个时间单元下该参数的预测数值后，服务器可分析该预测数值，若分析结果为得到在下一周期内该参数的异常信息，则可向维护端设备发送该异常信息。维护端设备显示该异常信息，用户可及时获知下一周期内该参数异常，因此可及时的采取相应的措施阻止该参数在下一周期内出现异常，大大增加对该对象的维护可靠性。此外，该种方式中，服务器还可向维护端设备发送该预测数值。另一种方式中，在得到下一周期包括的多个时间单元下该参数的预测数值后，服务器向维护端设备发送该预测数值，维护端设备显示该预测数值，用户可基于该预测数值分析该参数在下一周期是否会出现问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本申请实施例提供的数据处理方法的流程图一，参见图2，本实施例的方法包括：
步骤S201、服务器基于在第一周期内接收到的至少一个客户端发送的针对第一对象的用户请求，获取第一周期包括的多个时间单元下的第一参数的数值，用户请求能够影响第一对象的第一参数的数值。
本实施例中的用户请求为能够影响第一对象的第一参数的数值的用户请求。客户端接收到用户输入的针对第一对象的该用户请求后，将该用户请求发送至服务器，服务器接收该用户请求。
比如，第一对象为第一理财产品，用户请求为赎回第一价值的第一理财产品，则该用户请求可以影响第一理财产品的主动赎回人数、活跃用户人数、主动交易人数等，即此时的第一参数可以是：主动赎回人数或活跃用户人数或主动交易人数。
又比如，第一对象为第一金融***，该第一金融***包括多个理财产品，用户请求为赎回其购买的全部理财产品，则该用户请求可以影响第一金融***的总保有人数、主动交易总金额、主动交易总人数等，即此时的第一参数可以是：总保有人数或主动交易总金额或主动交易总人数。
又比如，第一对象为第一金融***，该第一金融***包括多个理财产品，多个理财产品包括第一理财产品，用户请求为赎回一定价值的第一理财产品，则该用户请求可以影响第一金融***的主动交易总金额、第一金融***下的第一理财产品的主动赎回人数、第一理财产品的活跃用户人数、第一理财产品的主动交易人数等，即此时的第一参数可以是：主动交易总金额或主动交易总人数或第一理财产品的主动赎回人数或第一理财产品的活跃用户人数或第一理财产品的主动交易人数。
服务器在接收到用户请求后，响应用户请求。此外，由于用户请求能够影响第一对象的第一参数的数值，在服务器以时间单元为单位统计第一参数的数值的情况下，服务器还会更新用户请求对应的时间单元下第一参数的数值。用户请求对应的时间单元即为用户请求的发生时间属于该时间单元。可以理解的是，服务器可基于在第一周期内接收到的至少一个客户端发送的针对第一对象的用户请求，获取第一周期包括的多个时间单元下的第一参数的数值。其中，时间单元可以是一日、一周、二周、一月、一年等任意的时间单元，本实施例中并不限制。不同的参数对应的时间单元可不相同，也可相同。
本实施例中的一个周期包括N个时间单元：第一周期可为包括当前日的连续N个时间单元，且该连续N个时间单元中包括当前日的前一日；或者，第一周期可为包括当前日之前的连续N个时间单元。
示例性地，第一对象为第一理财产品，用户请求为赎回一定价值的第一理财产品，时间单元为一日，第一周期为包括当前日的前7日，第一参数为主动赎回人数，则服务器可基于包括当前日的前7日接收到的赎回理财产品的用户请求，获取当前日的后7日每日的主动赎回人数的数值。
步骤S202、服务器根据第一周期包括的多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的第一参数的预测数值。第二周期为第一周期的下一周期。
示例性地，第一对象为第一理财产品、用户请求为赎回一定价值的第一理财产品、第一参数为主动赎回人数、时间单元为一日、第一周期包括当前日的前7日时，服务器可基于包括当前日的连续7日每日的主动赎回人数的数值，预测当前日之后7日每日的主动赎回人数的数值。
在一种方式中：服务器根据第一周期包括的多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的第一参数的预测数值，包括：利用第一周期包括的多个时间单元下的第一参数的历史数值，使用神经网络模型，获取第二周期包括的多个时间单元下的第一参数的预测数值；其中，神经网络模型是基于多个训练样本训练得到的，训练样本包括第一对象的第一参数在相邻的两个历史周期各自包括的多个时间单元下的第一参数的数值。该种方式中，第一周期和第二周期包括的时间单元的数目相同，训练样本中相邻的两个历史周期包括的时间单元的数目与第一周期包括的时间单元的数目也相同。
对于任意的一个第一训练样本，第一训练样本对应的相邻的两个历史周期为历史周期1和历史周期2，历史周期2为历史周期1的下一个周期。在训练过程中，根据历史周期1包括的多个时间单元下的第一参数的数值得到神经网络的输入，根据历史周期2包括的多个时间单元下的第一参数的数值得到神经网络的期望输出。
可选地，神经网络模型可为长短时记忆神经网络(Long Short Term MemoryNetwork，简称LSTM)模型，训练过程所采用的算法为LSTM神经网络算法。此时，根据历史周期1包括的多个时间单元下的第一参数的数值得到的输入为多个序列，每个序列为历史周期1包括的一个时间单元下的第一参数的数值对应的向量，该多个序列根据对应的时间单元的先后顺序输入神经网络。根据历史周期2包括的多个时间单元下的第一参数的历史数值得到的输入也为多个序列，该多个序列根据对应的时间单元的先后顺序排列作为神经网络的期望输出。
下面对本申请实施例提供的LSTM神经网络算法进行说明。
Xt-1为t-1时刻某一神经元S的输入，ht-1为当输入为Xt-1时神经元S的输出，Ct-1为与t-1时刻对应的神经元S的状态，Xt为t时刻神经元S的输入，ht为当输入为Xt时神经元S的输出，Ct为t时刻对应的神经元S的状态，Xt+1为t+1时刻的神经元S的输入，ht+1为当输入为Xt+1时神经元S的输出，Ct+1为t+1时刻对应的神经元S的状态。
也就是说在t时刻，神经元S具有三个输入：Ct-1，Xt，ht-1。
其中，对于某一神经元S来讲在不同的时刻具有不同的输入和输出。对于t时刻，Xt是根据上一层各神经元的输出以及上一层各神经元和神经元S之间的连接权值计算得到的，ht-1也可以称为上一时刻神经元S的输出，Ct-1也可以称为上一时刻神经元S的状态，现在需要做的是计算神经元S在t时刻输入Xt后的输出ht。可通过公式一至公式六计算：
ft＝σ(Wf·[ht-1,xt]+bf) 公式一；
it＝σ(Wi·[ht-1,xt]+bi) 公式二；
Figure BDA0002552700280000111
Figure BDA0002552700280000112
Ot＝σ(WO·[ht-1,xt]+bO) 公式五；
ht＝Ot·tanh(Ct) 公式六；
其中，ft为遗忘门，Wf为遗忘门的权重矩阵，bf为遗忘门的偏置项，σ为sigmoid函数，it为输入门，Wi为输入门的权重矩阵，bi为输入门的偏置项，
Figure BDA0002552700280000113
为用于描述当前输入的状态，Ct为与t时刻对应的神经元新的状态，Ot为输出门，WO为输出门的权重矩阵，bO为输出门的偏置项，ht为神经元S在t时刻对应的最终输出。
通过上述过程，LSTM神经网络关于当前的记忆和长期的记忆组合在一起，形成了新的单元状态Ct。由于遗忘门的控制，LSTM神经网络可以保存很久很久之前的信息，由于输入门的控制，它又可以避免当前无关紧要的内容进入记忆；输出门控制了长期记忆对当前输出的影响。
在另一种方式中：服务器根据第一周期包括的多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的第一参数的预测数值，包括：利用第一周期包括的多个时间单元下的第一参数的历史数值和时间序列算法，获取第二周期包括的多个时间单元下的第一参数的预测数值。该种方式中，第一周期和第二周期可不相同，也可相同。
可选地，本实施例中的第一参数为预设参数集合中的参数。预设参数集合可以是对第一对象的影响较大的参数，或者说是第一对象的核心参数。也就是说，在第一参数为预设参数集合中的参数时可自动触发据第一周期包括的多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的第一参数的预测数值的过程，无需用户触发预测过程，提高了预测的效率。
在第一参数不为预设参数集合中的参数时，说明第一参数对第一对象的影响不大，此时，在服务器根据第一周期包括的多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的第一参数的预测数值之前，本实施例的方法还可包括：接收来自第一终端设备的预测请求，预测请求用于请求预测第二周期包括的多个时间单元下的第一参数的预测数值，向终端设备发送第二周期包括的多个时间单元下的第一参数的预测数值。其中，第一终端设备可为上述的维护端设备。也就是说，对于对第一对象的影响不大的参数，可以在接收到用户触发的预测请求后，才预测下一周期包括的多个时间单元下的该参数的预测数值，可以节省服务器的功耗。
本实施例中通过根据第一周期包括的多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的第一参数的预测数值，第二周期为第一周期的下一周期，可基于第一参数的预测数值及时获知第一参数在下一周期内是否会出现问题，提高了对该对象的维护可靠性。
下面采用几个具体的实施例对服务器得到第二周期包括的多个时间单元下的第一参数的预测数值后对应的数据处理方法进行说明。
在第一参数在第二周期内正常时，对应图3所示的实施例。图3为本申请实施例提供的数据处理方法的流程图二，参见图3，本实施例的方法包括：
步骤S301、服务器基于第一参数的第一预设判断条件，分析第二周期包括的多个时间单元下的第一参数的预测数值，得到第二周期内第一参数的第一异常信息。
其中，服务器在得到第二周期包括的多个时间单元下的第一参数的预测数值后，基于第一参数的第一预设判断条件，分析第一参数的预测数值。其中，第一预设判断条件包括但不限于：
(1)第一参数在第二周期内的整体变化趋势为上升趋势，则判断第二周期内第一参数异常，否则判断第二周期内第一参数正常。
该第一预设判断条件对应第一参数越大越有利于第一对象的场景。此时，第一异常信息可指示第一参数在第二周期内异常且异常情况为整体变化趋势上升。
(2)第一参数在第二周期内的整体变化趋势为下降趋势，则判断第二周期内第一参数异常，否则判断第二周期内第一参数正常。
该第一预设判断条件对应第一参数越小越有利于第一对象的场景。此时，此时，第一异常信息可指示第一参数在第二周期内异常且异常情况为整体变化趋势下降。
(3)在第二周期中至少有h个时间单元下的第一参数的值小于或等于第一预设数值，则判断为第二周期内第一参数异常，否则判断为第二周期内第一参数正常。h为小于H的正整数，H为第二周期包括的时间单元数，在第一周期和第二周期相同时，H＝N。可选地，h大于或等于2。其中，预设数值可以是第二周期之前连续L个周期包括的多个时间单元下的第一参数的数值的平均值，L可为大于或等于1的整数。
该第一预设判断条件对应第一参数越大越有利于第一对象的场景。
此时，第一异常信息可指示在第二周期第一参数异常且异常情况为在第二周期内有h1个时间单元下的第一参数的值小于预设数值，还可指示h1个时间单元。h1为大于或等于h且小于或等于H的整数。
(4)在第二周期中有h个时间单元下的第一参数的值大于或等于第一预设数值判断为第二周期内第一参数异常，否则判断为第二周期内第一参数正常。其中，预设数值可以是第二周期之前连续L个周期包括的多个时间单元下的第一参数的数值的平均值。
该第一预设判断条件对应第一参数越小越有利于第一对象的场景。
此时，第一异常信息可指示在第二周期第一参数异常且异常情况为在第二周期内有h2个时间单元下的第一参数的值小于预设数值，还可指示h2个时间单元。h2为大于或等于h且小于或等于H的整数。
可以理解的是，上述第一预设判断条件仅为示例，还可为其它形式的第一预设判断条件，此处不再赘述。
可选地，服务器还可根据第二周期包括的多个时间单元下的第一参数的预测数值，获取第一参数在第二周期内的变化趋势曲线。
步骤S302、服务器向第一终端设备发送第一异常信息。
服务器在得到第一异常信息后，向第一终端设备发送第一异常信息。
可选地，服务器还可向第一终端设备发送第二周期包括的多个时间单元下的第一参数的预测数值。
可选地，在服务器获取第一参数在第二周期内的变化趋势曲线的情况下，服务器还可向第一终端设备发送第一参数在第二周期内的变化趋势曲线。
步骤S303、第一终端设备基于第一异常信息，显示第一参数在第二周期内的异常情况。
可选地，若第一终端设备接收到了第二周期包括的多个时间单元下的第一参数的预测数值，还可显示第二周期包括的多个时间单元下的第一参数的预测数值。此时，在没有接收到服务器发送的第一参数在第二周期内的变化趋势曲线时，还可包括根据第二周期包括的多个时间单元下的第一参数的预测数值，获取第一参数在第二周期内的变化趋势曲线，显示该变化趋势曲线。
可选地，本实施例中，第一终端设备显示第二周期包括的多个时间单元下的第一参数的预测数值，包括：第一终端设备以第一显示状态显示第二周期包括的多个时间单元下的第一参数的预测数值。第一显示状态可以包括如下的至少一项：以预设颜色显示、以预设字体显示、以预设大小显示、显示背景为预设背景、以预设字体格式显示。
可选地，在第一预设判断条件为上述的(3)或(4)时，还可包括：第一终端设备以第一显示状态显示第二周期包括的h1或h2个时间单元下的第一参数的预测数值，第二周期其它的时间单元下的第一参数的预测数值以第二显示状态显示。
本实施例给出了在第一参数在第二周期内异常时，服务器向第一终端设备发送在第二周期内第一参数的异常信息，以使用户可及时获知第一参数在第二周期内异常，此时，用户可采取相应的措施以阻止第一参数在第二周期内异常，提高了第一对象的维护可靠性。
可以理解的是，在服务器基于第一参数的第一预设判断条件，分析第二周期包括的多个时间单元下的第一参数的预测数值，确定第二周期内第一参数正常时，服务器可以不向第一终端设备发送任何信息，或者，服务器向终端设备发送第二周期内第一参数正常的信息和/或第二周期包括的多个时间单元下的第一参数的预测数值。
此外，服务器还可以不分析第二周期包括的多个时间单元下的第一参数的预测数值，在得到第二周期包括的多个时间单元下的第一参数的预测数值，发送至第一终端设备，以使第一终端设备显示第二周期包括的多个时间单元下的第一参数的预测数值，用户自行根据第二周期包括的多个时间单元下的第一参数的预测数值判断第二周期内第一参数是否正常。
服务器在基于第一参数的第一预设判断条件，分析分析第二周期包括的多个时间单元下的第一参数的预测数值，得到第一异常信息之后，服务器还可分析造成第一参数在第二周期异常的原因，以辅助用户采取相应的措施阻止第一参数在第二周期异常，进一步提高对象维护可靠性。下面采用具体的实施例对该情况下的数据处理方法进行说明。图4为本申请实施例提供的数据处理方法的流程图三，参见图4，本实施例的方法包括：
步骤S401、服务器根据第一周期内接收到的用户请求所对应的用户的多种属性，确定引起第二周期内第一参数异常的目标属性。
本实施例中的用户请求的含义同上述各实施例中的用户请求的含义，即能够影响第一对象的第一参数的用户请求。
用户请求所对应的用户是指发起用户请求的用户。发起用户请求的每个用户均具有多种属性。在第一对象为第一金融***时，用户的属性包括但不限于如下中的至少一种：年龄、性别、地域、手机型号、学历、用户在预设应用上的购买力(其中，预设应用为与第一金融***关联的应用，但不是第一金融***应用本身)、用户对预设应用的忠诚度、用户对于预设应用的价值、用户近p天在预设应用上购买物品时是否使用过白条订单分期功能(p为大于等于2的整数，比如30)，用户近p天的白条订单分期金额、是否购买第一金融***的理财产品，购买第一金融***的理财产品的总价值、在第一周期内是否进行了主动交易、在第一周期内进行的主动交易的总价值、在第一周期内拥有的第一金融***的理财产品的总价值是否超过千元。
一种方式中，服务器确定引起第二周期内第一参数异常的目标属性，包括如下的a1～a2：
a1、对于每种属性，服务器获取该种属性对第一参数的影响系数。
服务器可将该种属性的基尼(GINI)系数作为该种属性对第一参数的影响系数。此时，服务器获取该种属性对第一参数的影响系数，包括：服务器获取该种属性对应的至少一个类别，根据用户总数和每种类别的用户数，获取该种属性对第一参数的影响系数。其中，基尼(GINI)系数是一种与信息熵类似的做特征选择的方式，可以用来根据数据的不纯度，衡量信息的不确定性。
其中，服务器根据用户总数和每种类别的用户数，获取该种属性对第一参数的影响系数，包括：对于该种属性对应的每个类别，获取属于该种别的用户数和用户总数的比值的平方值，将1与各平方值的和的差值作为该种属性对第一参数的影响系数。
其中，获取该种属性对第一参数的影响系数Gini(p)的方法可表示为如下的公式：
Figure BDA0002552700280000161
其中，K表示该种属性对应的类别总数，|Ck|表示属于第k个类别的用户数，|D|表示用户请求对应的用户的总数。
示例性地，对于性别这一种属性，包括男和女两类。用户请求对应的用户总数为100，男用户的数量为40，男用户的数量为60，则
Figure BDA0002552700280000162
Figure BDA0002552700280000163
a2、根据各种属性对第一参数的影响系数，确定第一目标属性。
其中，第一目标属性即为引起第二周期内第一参数异常的主要原因。
各种属性被按照影响系数从大到小的顺序排序后，排序位于前T的T种属性均作为第一目标属性。其中，T为大于等于1的整数，比如T＝5。
步骤S402、服务器向第一终端设备发送第一目标属性。
步骤S403、第一终端设备显示第一目标属性。
本实施例中通过服务器分析引起第二周期内第一参数异常的原因，并向第一终端设备发送该原因，可以使得用户及时获知引起第二周期内第一参数异常的原因，以辅助用户采取相应的措施阻止第一参数在第二周期发生异常，进一步提高对象维护可靠性。
如上所述，为了节省服务器的功耗，可以对预设参数集合中的参数自动进行下一周期内多个时间单元下的数值。那么对于能够影响第一对象的其它的参数，可在接收到用户的分析请求后，分析其历史时间段内是否正常即可。下面采用具体的实施例对该情况下的数据处理方法进行说明。图5为本申请实施例提供的数据处理方法的流程图四，参见图5，本实施例的方法包括：
步骤S501、第一终端设备向服务器发送分析请求，分析请求用于请求分析第二参数在第一历史时间段内的数值，第二参数不为预设参数集合中的参数。
其中，第一历史时间段可以是任意的一天、一周、一月、一年等。
步骤S502、服务器响应分析请求，基于第二参数的第二预设判断条件，分析第二参数在第一历史时间段内的数值，得到在第一历史时间段内第二参数的第二异常信息。
第二预设判断条件包括但不限于：
(1)整体变化趋势上升判断为第一历史时间段内第二参数异常，否则判断为第一历史时间段内第二参数正常。
该第二预设判断条件对应第二参数越大越有利于第一对象的场景。此时，第二异常信息可指示第二参数在第一历史时间段内异常且异常情况为整体变化趋势上升。
(2)整体变化趋势下降判断为第一历史时间段内第二参数异常，否则判断为第一历史时间段内第二参数正常。
该第二预设判断条件对应第二参数越小越有利于第一对象的场景。此时，此时，第二异常信息可指示第二参数在第一历史时间段内异常且异常情况为整体变化趋势下降。
(3)在第一历史时间段中至少有m个时间单元下的第二参数的值小于或等于第二预设数值判断为第一历史时间段内第二参数异常，否则判断为第一历史时间段内第二参数正常。其中，m为大于或等于1且小于M的正整数，M为第一历史时间段包括的时间单元总数。第二预设数值可以是第一历史时间段之前的连续多个时间单元的第二参数的数值的平均值。
该第二预设判断条件对应第二参数越大越有利于第一对象的场景。
此时，第二异常信息可指示在第一历史时间段内第二参数异常且异常情况为在在第一历史时间段中有m1个时间单元下的第二参数的值小于或等于第二预设数值，还可指示m1个时间单元。m1大于或等于m且小于或等于M。
(4)在第一历史时间段中至少有m个时间单元下的第二参数的值大于或等于第二预设数值判断为第一历史时间段内第二参数异常，否则判断为第一历史时间段内第二参数正常。m为大于或等于1且小于M的正整数，M为第一历史时间段包括的时间单元总数。其中，第二预设数值可以是第一历史时间段之前的连续多个时间单元的第二参数的数值的平均值。
该第二预设判断条件对应第二参数越小越有利于第一对象的场景。
此时，第二异常信息可指示在第一历史时间段内第二参数异常且异常情况为在第一历史时间段中有m2个时间单元下的第二参数的值大于或等于第二预设数值，还可指示m2个时间单元。m2大于或等于m且小于或等于M。
(5)在第一历史时间段至少存在m个时间单元下的第二参数的值相对于第二时间段的环比值的绝对值大于或等于第三预设数值判断为第一历史时间段内第二参数异常，否则判断为第一历史时间段内第二参数正常。此时，第二时间段可以携带在分析请求中，也可以是预设的。
对于第一历史时间段包括的任意的一个第一时间单元，第一时间单元下的第二参数的第一值相对于第二时间段的环比值的计算方法如下：(第一值-第二时间段内第二参数的平均值)/第二时间段内第二参数的平均值。
此时，第二异常信息可指示在第一历史时间段内第二参数异常且异常情况为在第一历史时间段存在m3个时间单元下的第二参数的值相对于第二时间段的环比值的绝对值大于或等于第三预设数值，还可指示m3个时间单元。m3大于或等于m且小于或等于M。
(6)在第一历史时间段内第二参数的平均值相对于第二时间段的环比值的绝对值大于或等于第四预设数值判断为第一历史时间段内第二参数异常，否则判断为第一历史时间段内第二参数正常。此时，第二时间段可以携带在分析请求中，也可以是预设的。
对于第一历史时间段内第二参数的平均值相对于第二时间段的环比值的计算方法如下：(第一历史时间段内第二参数的平均值-第二时间段内第二参数的平均值)/第二时间段内第二参数的平均值。
此时，第二异常信息可指示在第一历史时间段内第二参数异常且异常情况为在第一历史时间段内第二参数的平均值相对于第二时间段的环比值的绝对值大于或等于第四预设数值。
步骤S503、服务器向第一终端设备发送第二异常信息。
可以理解的是，若服务器分析第二参数在第一历史时间段内正常，则服务器向第一终端设备发送在第一历史时间段第二参数正常的信息。
步骤S504、第一终端设备基于第二异常信息，显示第二参数在第一历史时间段内的异常情况。
可以理解的是，若服务器向第一终端设备发送在第一历史时间段第二参数正常的信息，则第一终端设备显示在第一历史时间段第二参数正常的信息。
此外，对于预设参数集合中的参数，除了可以自动预测在下一周期内多个时间单元下该参数的预测数值，也可以在采用本实施例中的方法在接收到用户的分析请求后，分析历史时间段内是否正常。
本实施例给出了在预设集合参数中包括影响第一对象的部分参数，对于未在预设参数集合中包括的第二参数，分析第二参数在第一历史时间段内的数值的方法，且在用户触发时分析第二参数在第一历史时间段内的数值的方法，减少了服务器的功耗。
可以理解的是，在服务器基于第二参数的第二预设判断条件，分析第一时间段内第二参数的预测数值，确定第一时间段内第二参数正常时，服务器向终端设备发送第一时间段内第二参数正常的信息。
此外，在服务器在基于第二参数的第二预设判断条件，分析第二参数在第一历史时间段内的数值，得到在第一历史时间段内第二参数的第二异常信息时，服务器还可分析造成第二参数在第一历史时间段异常的原因，以辅助用户采取相应的措施使得第二参数回归正常，进一步提高对象维护可靠性。下面采用具体的实施例对该情况下的数据处理方法进行说明。图6为本申请实施例提供的数据处理方法的流程图五，参见图6，本实施例的方法包括：
步骤S601、服务器根据第一历史时间段内接收到的用户请求所对应的用户的多种属性，确定引起第一历史时间段内第二参数异常的第二目标属性。
本实施例中的用户请求为能够影响第一对象的第二参数的用户请求。
用户请求所对应的用户是指发起用户请求的用户。发起用户请求的每个用户均具有多种属性，用户的多种属性参照图4所示的实施例中的阐述，此处不再赘述。
一种方式中，服务器确定引起第一历史时间段内第二参数异常的第二目标属性，包括如下的b1～b2：
b1、对于每种属性，服务器获取该种属性对第二参数的影响系数。
服务器获取该种属性对第二参数的影响系数的具体方法参照图4所示的实施例中“服务器获取该种属性对第一参数的影响系数”的方法，此处不再赘述。
b2、根据各种属性对第二参数的影响系数，确定第二目标属性。
服务器根据各种属性对第二参数的影响系数，确定第二目标属性的具体方法参照图4所示的实施例中“根据各种属性对第一参数的影响系数，确定第一目标属性”的方法，此处不再赘述。
步骤S602、服务器向第一终端设备发送第二目标属性。
步骤S603、第一终端设备显示第二目标属性。
本实施例的方法中，服务器可分析造成第二参数在第一历史时间段异常的原因，并将其发生至第一终端设备，可以使得用户及时获知引起第二参数在第一历史时间段异常的原因，以辅助用户采取相应的措施使得第二参数回归正常，进一步提高对象维护可靠性。
以上对本申请所涉及的应用处理方法进行了说明，下面对本申请所涉及的装置进行说明。
图7为本申请实施例提供的数据处理装置的示意图。如图7所示，该装置可以是服务器，也可以是服务器的部件(例如，集成电路，芯片等等)。该装置,可以是第一终端设备，也可以是第一终端设备的部件(例如，集成电路，芯片等等)。该装置包括:处理模块702(处理单元)。可选的，还可以包括收发模块701(收发单元)和存储模块703(存储单元)。
在一种可能的实施方式中，数据处理装置可包括收发模块701和处理模块702。所述数据处理装置应用于服务器。
所述处理模块702，用于基于在第一周期内接收到的至少一个客户端发送的针对第一对象的用户请求，获取所述第一周期包括的多个时间单元下的第一参数的数值，所述用户请求能够影响第一对象的第一参数的数值；所述处理模块702，还用于根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值，所述第二周期为所述第一周期的下一周期。
在一种可能实施方式中，所述处理模块702具体用于：利用所述历史数值，使用神经网络模型获取所述预测数值；其中，所述神经网络模型是基于多个训练样本训练得到的，所述训练样本包括相邻的两个历史周期各自包括的多个时间单元下的所述第一参数的数值。
在一种可能实施方式中，所述处理模块702，还用于基于所述第一参数的预设判断条件，分析所述预测数值，得到所述第二周期内所述第一参数的第一异常信息；收发模块701，用于向终端设备发送所述第一异常信息。
在一种可能实施方式中，在所述处理模块702得到所述第二周期内所述第一参数的第一异常信息之后：所述处理模块702，还用于根据所述用户请求所对应的用户的多种属性，确定引起所述第二周期内所述第一参数异常的目标属性；所述收发模块701，还用于向终端设备发送所述目标属性。
在一种可能实施方式中，所述处理模块702具体用于：对于每种属性，获取该种属性对所述第一参数的影响系数；根据各种属性对所述第一参数的影响系数，从所述多种属性中确定所述目标属性。
在一种可能实施方式中，所述处理模块702具体用于：获取该种属性对应的至少一个类别；根据所述用户的总数和每种类别的用户数，获取该种属性对所述第一参数的影响系数。
在一种可能实施方式中，在所述处理模块702根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值之前：所述处理模块702，还用于接收来自终端设备的预测请求，所述预测请求用于请求预测所述第二周期包括的多个时间单元下的所述第一参数的预测数值；所述收发模块701，还用于向所述终端设备发送所述第二周期包括的多个时间单元下的所述第一参数的预测数值。
在一种可能实施方式中，所述第一参数为预设参数集合中的参数。
在一种可能实施方式中，所述收发模块701，用于接收来自终端设备的分析请求，所述分析请求用于分析第二参数在第一历史时间段内的数值，所述第二参数不属于所述预设参数集合；所述处理模块702，还用于响应所述分析请求，分析所述第二参数在所述第一历史时间段内的数值，得到在所述第一历史时间段所述第二参数的第二异常信息；所述收发模块701，还用于向终端设备发送所述第二异常信息。
在一种可能实施方式中，所述处理模块702，还用于根据所述预测数值得到所述第一参数在所述第二周期内的预测变化曲线；所述收发模块701，用于向终端设备发送所述预测变化曲线。
在一种可能实施方式中，还包括：向终端设备发送所述预测数值。
在一种可能实施方式中，所述第一对象为与金融相关的对象。
该种实施方式的装置，可以用于执行上述方法实施例中服务器对应的技术方案，其实现原理和技术效果类似，此处不再赘述。
图8为本申请实施例提供的一种电子设备的示意图。如图8所示，电子设备800可用于实现上述方法实施例中描述的方法，具体参见上述方法实施例中的说明。其中，电子设备800可为服务器或第一终端设备
所述电子设备800可以包括一个或多个处理器801，所述处理器801也可以称为处理单元，控制执行上述方法实施例中的方法。所述处理器801可以是通用处理器或者专用处理器等。例如可以是基带处理器、或中央处理器。基带处理器可以用于对通信协议以及通信数据进行处理，中央处理器可以用于对通信装置进行控制，执行软件程序，处理软件程序的数据。
可选的，处理器801也可以存有指令803或者数据(例如中间数据)。其中，所述指令803可以被所述处理器运行，使得所述电子设备800执行上述方法实施例中描述的方法。
可选的，所述电子设备800中可以包括一个或多个存储器802，其上可以存有指令804，所述指令可在所述处理器上被运行，使得所述电子设备800执行上述方法实施例中描述的方法。
可选的，所述存储器中也可以是存储有数据。所述处理器801和存储器802可以单独设置，也可以集成在一起。
可选的，所述电子设备800还可以包括收发器805和/或天线806。所述收发器805可以称为收发单元、收发机、收发电路、或者收发器等，用于实现通信装置的收发功能。
本申请中描述的处理器801和收发器805可实现在集成电路(integratedcircuit，IC)、模拟IC、射频集成电路(radio frequency integrated circuit，RFIC)、混合信号IC、专用集成电路(application specific integrated circuit，ASIC)、印刷电路板(printed circuit board，PCB)、电子设备等上。该处理器和收发器也可以用各种1C工艺技术来制造，例如互补金属氧化物半导体(complementary metal oxide semiconductor，CMOS)、N型金属氧化物半导体(nMetal-oxide-semiconductor，NMOS)、P型金属氧化物半导体(positive channel metal oxide semiconductor，PMOS)、双极结型晶体管(BipolarJunction Transistor，BJT)、双极CMOS(BiCMOS)、硅锗(SiGe)、砷化镓(GaAs)等。
应理解，本申请实施例中提及的处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
本申请实施例还提供一种计算机存储介质，包括：计算机可执行指令，当所述程序或指令在计算机上运行时，上述任一方法实施例中服务器对应的方或者第一终端设备对应的方法被执行。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (16)

1.一种数据处理方法，其特征在于，应用于服务器，包括：
基于在第一周期内接收到的至少一个客户端发送的针对第一对象的用户请求，获取所述第一周期包括的多个时间单元下的第一参数的数值，所述用户请求能够影响第一对象的第一参数的数值；
根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值，所述第二周期为所述第一周期的下一周期。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值，包括：
利用所述历史数值，使用神经网络模型获取所述预测数值；
其中，所述神经网络模型是基于多个训练样本训练得到的，所述训练样本包括相邻的两个历史周期各自包括的多个时间单元下的所述第一参数的数值。
3.根据权利要求1所述的方法，其特征在于，还包括：
基于所述第一参数的预设判断条件，分析所述预测数值，得到所述第二周期内所述第一参数的第一异常信息；
向终端设备发送所述第一异常信息。
4.根据权利要求3所述的方法，其特征在于，在得到所述第二周期内所述第一参数的第一异常信息之后，还包括：
根据所述用户请求所对应的用户的多种属性，确定引起所述第二周期内所述第一参数异常的目标属性；
向终端设备发送所述目标属性。
5.根据权利要求4所述的方法，其特征在于，所述确定引起所述第二周期内所述第一参数异常的目标类属性，包括：
对于每种属性，获取该种属性对所述第一参数的影响系数；
根据各种属性对所述第一参数的影响系数，从所述多种属性中确定所述目标属性。
6.根据权利要求5所述的方法，其特征在于，所述获取该种属性对所述第一参数的影响系数，包括：
获取该种属性对应的至少一个类别；
根据所述用户的总数和每种类别的用户数，获取该种属性对所述第一参数的影响系数。
7.根据权利要求1～6任一项所述的方法，其特征在于，在所述根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值之前，还包括：
接收来自终端设备的预测请求，所述预测请求用于请求预测所述第二周期包括的多个时间单元下的所述第一参数的预测数值；
向所述终端设备发送所述第二周期包括的多个时间单元下的所述第一参数的预测数值。
8.根据权利要求1～6任一项所述的方法，其特征在于，所述第一参数为预设参数集合中的参数。
9.根据权利要求8所述的方法，其特征在于，还包括：
接收来自终端设备的分析请求，所述分析请求用于分析第二参数在第一历史时间段内的数值，所述第二参数不属于所述预设参数集合；
响应所述分析请求，分析所述第二参数在所述第一历史时间段内的数值，得到在所述第一历史时间段所述第二参数的第二异常信息；
向终端设备发送所述第二异常信息。
10.根据权利要求1～6任一项所述的方法，其特征在于，还包括：
根据所述预测数值得到所述第一参数在所述第二周期内的预测变化曲线；
向终端设备发送所述预测变化曲线。
11.根据权利要求1～6任一项所述的方法，其特征在于，还包括：
向终端设备发送所述预测数值。
12.一种数据处理方法，其特征在于，应用于服务器，包括：
获取第一周期包括的多个时间单元下的所述第一参数的数值；
根据第一周期包括的多个时间单元下的所述第一参数的数值，获取第二周期包括的多个时间单元下的所述第一参数的预测数值，所述第二周期为所述第一周期的下一周期。
13.一种数据处理装置，其特征在于，包括：
处理模块，用于基于在第一周期内接收到的至少一个客户端发送的针对第一对象的用户请求，获取所述第一周期包括的多个时间单元下的第一参数的数值，所述用户请求能够影响第一对象的第一参数的数值；
所述处理模块，还用于根据所述多个时间单元下的第一参数的历史数值，预测第二周期包括的多个时间单元下的所述第一参数的预测数值，所述第二周期为所述第一周期的下一周期。
14.一种数据处理装置，其特征在于，包括：
处理模块，用于获取第一周期包括的多个时间单元下的所述第一参数的数值；
所述处理模块，还用于根据第一周期包括的多个时间单元下的所述第一参数的数值，获取第二周期包括的多个时间单元下的所述第一参数的预测数值，所述第二周期为所述第一周期的下一周期。
15.一种计算机设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至12任一项所述的数据处理方法。
16.一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12任一项所述的数据处理方法。
CN202010579634.2A 2020-06-23 2020-06-23 数据处理方法、装置、设备和存储介质 Pending CN111738765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010579634.2A CN111738765A (zh) 2020-06-23 2020-06-23 数据处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010579634.2A CN111738765A (zh) 2020-06-23 2020-06-23 数据处理方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN111738765A true CN111738765A (zh) 2020-10-02

Family

ID=72650649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010579634.2A Pending CN111738765A (zh) 2020-06-23 2020-06-23 数据处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111738765A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109241418A (zh) * 2018-08-22 2019-01-18 中国平安人寿保险股份有限公司 基于随机森林的异常用户识别方法及装置、设备、介质
CN109840637A (zh) * 2019-02-20 2019-06-04 中国银行股份有限公司 现金需求量预测方法、装置和设备
CN109996269A (zh) * 2017-12-30 2019-07-09 ***通信集团湖北有限公司 一种无线通信网络异常原因确定方法、装置、设备及介质
CN110163752A (zh) * 2019-04-16 2019-08-23 阿里巴巴集团控股有限公司 一种外汇交易量预测方法、装置及***
CN110390408A (zh) * 2018-04-16 2019-10-29 北京京东尚科信息技术有限公司 交易对象预测方法和装置
CN110517768A (zh) * 2019-08-28 2019-11-29 泰康保险集团股份有限公司 异常预测方法、异常预测装置、电子设备及存储介质
CN110858346A (zh) * 2018-08-22 2020-03-03 阿里巴巴集团控股有限公司 数据处理方法、装置和机器可读介质
CN111242387A (zh) * 2020-01-21 2020-06-05 河北工业大学 一种人才离职预测方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109996269A (zh) * 2017-12-30 2019-07-09 ***通信集团湖北有限公司 一种无线通信网络异常原因确定方法、装置、设备及介质
CN110390408A (zh) * 2018-04-16 2019-10-29 北京京东尚科信息技术有限公司 交易对象预测方法和装置
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
CN109241418A (zh) * 2018-08-22 2019-01-18 中国平安人寿保险股份有限公司 基于随机森林的异常用户识别方法及装置、设备、介质
CN110858346A (zh) * 2018-08-22 2020-03-03 阿里巴巴集团控股有限公司 数据处理方法、装置和机器可读介质
CN109840637A (zh) * 2019-02-20 2019-06-04 中国银行股份有限公司 现金需求量预测方法、装置和设备
CN110163752A (zh) * 2019-04-16 2019-08-23 阿里巴巴集团控股有限公司 一种外汇交易量预测方法、装置及***
CN110517768A (zh) * 2019-08-28 2019-11-29 泰康保险集团股份有限公司 异常预测方法、异常预测装置、电子设备及存储介质
CN111242387A (zh) * 2020-01-21 2020-06-05 河北工业大学 一种人才离职预测方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王宇韬，钱妍竹: "《Python大数据分析与机器学习商业案例实战》", 北京：机械工业出版社, pages: 116 - 117 *

Similar Documents

Publication Publication Date Title
US11188928B2 (en) Marketing method and apparatus based on deep reinforcement learning
Chen et al. Using IoT technology for computer-integrated manufacturing systems in the semiconductor industry
WO2021081962A1 (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
Fu et al. Probably approximately correct MDP learning and control with temporal logic constraints
CA2944165C (en) Systems and methods for context-based event triggered product and/or services offerings
US8417650B2 (en) Event prediction in dynamic environments
El Babsiri et al. Contemporaneous asymmetry in GARCH processes
US20180189674A1 (en) Processing real-time processing requests using machine learning models
Tian et al. Modeling interest rate volatility: a realized GARCH approach
US11087396B1 (en) Context aware predictive activity evaluation
US11941690B2 (en) Reducing account churn rate through intelligent collaborative filtering
JP2023086659A (ja) 情報処理装置、プログラム及び情報処理方法
AU2013100804A4 (en) Predictive delivery of information based on device history
US20170098240A1 (en) Systems and methods for establishing and utilizing a hierarchical bayesian framework for ad click through rate prediction
CN108932582A (zh) 风险信息确定方法、装置、计算机设备和存储介质
CN111160983A (zh) 广告投放效果的评估方法、装置、计算机设备及存储介质
US20220261591A1 (en) Data processing method and apparatus
US20170330231A1 (en) Method and system to display targeted ads based on ranking output of transactions
US20230342797A1 (en) Object processing method based on time and value factors
CN112598472A (zh) 产品推荐方法、装置、***、介质和程序产品
Chen A heterogeneous fuzzy collaborative intelligence approach for forecasting the product yield
CN115146437A (zh) 工程预算处理方法、装置、计算机设备及存储介质
US20220083915A1 (en) Discriminative machine learning system for optimization of multiple objectives
Kole et al. Portfolio implications of systemic crises
CN111738765A (zh) 数据处理方法、装置、设备和存储介质

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
CB02 Change of applicant information

Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Jingdong Technology Holding Co.,Ltd.

Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant before: Jingdong Digital Technology Holding Co.,Ltd.

Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Jingdong Digital Technology Holding Co.,Ltd.

Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176

Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd.

CB02 Change of applicant information