CN117196064A - 模型训练方法、对象属性值确定方法、装置、设备及介质 - Google Patents

Abstract

本申请提供一种模型训练方法、对象属性值确定方法、装置、设备及介质。涉及人工智能技术领域。包括：确定初始模型，初始模型为季节性差分自回归滑动平均SARIMA模型，初始模型包括多个处理层；确定初始模型中各处理层的处理阶数；根据各处理层的处理阶数，对初始模型进行初始化处理，得到待训练模型；确定训练样本，训练样本包括预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息；通过训练样本对待训练模型进行训练，得到目标模型，目标模型用于确定预设对象在未来时段的对象属性值。以上方案，通过SARIMA模型进行数据预测，可以从训练样本中提取数据的季节性规律，从而结合季节性规律以多个因素进行数据预测，提升数据预测的准确性。

Description

模型训练方法、对象属性值确定方法、装置、设备及介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种模型训练方法、对象属性值确定方法、装置、设备及介质。

背景技术

在人工智能领域中，可以通过分析历史数据从中提取数据规律，从而预测未来某一时刻的数据。数据预测可在多个应用场景改善用户的生产以及生活，例如预测商品价格以及预测网络流量等场景，通过数据预测可以指导用户的生产以及生活。

在相关技术中，数据预测基于时序数据进行预测，时序数据包括多个时段以及每个时段对应的数据，数据预测通过提取时段与数据之间的规律，预测未来时段的预测数据。

然而，实际应用中，数据受多种因素影响，仅提取时段与数据之间的规律不能考虑到多种因素，导致模型预测不准确。

发明内容

本申请提供一种模型训练方法、对象属性值确定方法、装置、设备及介质，用以提升预测准确性。

第一方面，本申请提供一种模型训练方法，包括：确定初始模型，所述初始模型为季节性差分自回归滑动平均(Seasonal Autoregressive Integrated Moving Average，简称SARIMA)模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层、差分层、移动平均层和季节性差分层；确定所述初始模型中各处理层的处理阶数；根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息；通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值。

在一种可能的设计中，确定所述初始模型中各处理层的处理阶数，包括：获取多个第一历史对象数据，所述第一历史对象数据中包括所述预设对象在多个历史时刻的历史属性值；根据所述多个第一历史对象数据，确定对象属性值与时间之间的自相关信息和偏自相关信息；根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数。

在一种可能的设计中，所述自相关信息为自相关图，所述偏自相关信息为偏自相关图；根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数，包括：确定所述自相关图的第一滞后阶数，并将所述第一滞后阶数确定为所述自回归层的处理阶数；确定所述偏自相关图的第二滞后阶数，并将所述第二滞后阶数确定为所述移动平均层的处理阶数；确定所述自相关图和所述偏自相关图的差分阶数，并将所述差分阶数确定为所述差分层的处理阶数；根据所述自相关图和所述偏自相关图的截尾信息和衰减信息，确定所述季节性差分层的处理阶数。

在一种可能的设计中，确定训练样本，包括：确定多个第二历史对象数据，所述第二历史对象数据包括所述预设对象在多个历史时刻的历史属性值；确定所述多个历史时段，并确定每个历史时段对应的至少一个第二历史对象数据，所述历史时段对应的至少一个第二历史对象数据中的历史时刻位于所述历史时段内；针对任意一个历史时段，根据所述历史时段对应的至少一个第二历史对象数据中的历史属性值，确定所述历史时段对应的对象属性值；确定每个历史时段的季节信息；根据所述多个历史时段、每个历史时段对应的对象属性值、以及每个历史时段的季节信息，生成所述训练样本。

在一种可能的设计中，确定多个第二历史对象数据，包括：获取多个初始历史对象数据，所述初始历史对象数据包括所述预设对象在多个历史时刻的历史属性值；对所述初始历史对象数据进行预处理，得到所述第二历史对象数据，所述预处理包括如下至少一种：缺失值填充处理、异常值剔除处理、非线性化处理和平稳型检测处理。

在一种可能的设计中，通过所述训练样本对所述待训练模型进行训练，得到目标模型之后，还包括：获取验证数据集，所述验证数据集中包括验证输入数据和验证输出数据，所述验证输入数据包括所述预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息，所述验证输出数据包括所述预设对象在验证时刻的标注对象属性值，所述多个历史时段位于所述验证时刻之前；通过所述目标模型对所述验证输入数据进行处理，得到实际输出数据，所述实际输出数据包括所述预设对象在所述验证时刻的预测对象属性值；根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度。

在一种可能的设计中，根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度之后，还包括：若所述精确度小于或等于预设阈值，则更新所述目标模型的模型参数，或者更新所述目标模型中各处理层的处理阶数。

第二方面，本申请提供一种对象属性值确定方法，包括：获取预设对象在多个历史时段内的对象属性值；通过目标模型对所述预设对象在多个历史时段内的对象属性值进行处理，得到所述预设对象在未来时段的对象属性值，其中，所述目标模型为通过第一方面所述的方法训练得到的。

第三方面，本申请提供一种模型训练装置，包括：确定模块，用于确定初始模型，所述初始模型为季节性差分自回归滑动平均SARIMA模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层、差分层、移动平均层和季节性差分层；获取模块，用于确定所述初始模型中各处理层的处理阶数；初始化模块，用于根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；执行模块，用于确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息；训练模块，用于通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值。

在一种可能的设计中，所述获取模块，具体用于获取多个第一历史对象数据，所述第一历史对象数据中包括所述预设对象在多个历史时刻的历史属性值；所述获取模块，具体还用于根据所述多个第一历史对象数据，确定对象属性值与时间之间的自相关信息和偏自相关信息；所述获取模块，具体还用于根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数。

在一种可能的设计中，所述自相关信息为自相关图，所述偏自相关信息为偏自相关图；所述获取模块，具体用于确定所述自相关图的第一滞后阶数，并将所述第一滞后阶数确定为所述自回归层的处理阶数；所述获取模块，具体还用于确定所述偏自相关图的第二滞后阶数，并将所述第二滞后阶数确定为所述移动平均层的处理阶数；所述获取模块，具体还用于确定所述自相关图和所述偏自相关图的差分阶数，并将所述差分阶数确定为所述差分层的处理阶数；所述获取模块，具体还用于根据所述自相关图和所述偏自相关图的截尾信息和衰减信息，确定所述季节性差分层的处理阶数。

在一种可能的设计中，所述装置还包括：生成模块，用于确定多个第二历史对象数据，所述第二历史对象数据包括所述预设对象在多个历史时刻的历史属性值；所述生成模块，还用于确定所述多个历史时段，并确定每个历史时段对应的至少一个第二历史对象数据，所述历史时段对应的至少一个第二历史对象数据中的历史时刻位于所述历史时段内；所述生成模块，还用于针对任意一个历史时段，根据所述历史时段对应的至少一个第二历史对象数据中的历史属性值，确定所述历史时段对应的对象属性值；所述生成模块，还用于确定每个历史时段的季节信息；所述生成模块，还用于根据所述多个历史时段、每个历史时段对应的对象属性值、以及每个历史时段的季节信息，生成所述训练样本。

在一种可能的设计中，所述生成模块，具体用于获取多个初始历史对象数据，所述初始历史对象数据包括所述预设对象在多个历史时刻的历史属性值；所述生成模块，具体还用于对所述初始历史对象数据进行预处理，得到所述第二历史对象数据，所述预处理包括如下至少一种：缺失值填充处理、异常值剔除处理、非线性化处理和平稳型检测处理。

在一种可能的设计中，所述装置还包括：验证模块，用于获取验证数据集，所述验证数据集中包括验证输入数据和验证输出数据，所述验证输入数据包括所述预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息，所述验证输出数据包括所述预设对象在验证时刻的标注对象属性值，所述多个历史时段位于所述验证时刻之前；所述验证模块，还用于通过所述目标模型对所述验证输入数据进行处理，得到实际输出数据，所述实际输出数据包括所述预设对象在所述验证时刻的预测对象属性值；所述验证模块，还用于根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度。

在一种可能的设计中，所述装置还包括：优化模块，用于若所述精确度小于或等于预设阈值，则更新所述目标模型的模型参数，或者更新所述目标模型中各处理层的处理阶数。

第四方面，本申请提供一种对象属性值确定装置，包括：应用模块，用于获取预设对象在多个历史时段内的对象属性值；预测模块，用于通过目标模型对所述预设对象在多个历史时段内的对象属性值进行处理，得到所述预设对象在未来时段的对象属性值，其中，所述目标模型为通过第一方面所述的方法训练得到的。

第五方面，本申请实施例提供一种电子设备，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的模型训练方法。

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，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的模型训练方法。

第七方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上第一方面以及第一方面各种可能的设计所述的模型训练方法。

本申请提供的模型训练方法、对象属性值确定方法、装置、设备及介质，确定初始模型，所述初始模型为季节性差分自回归滑动平均SARIMA模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层、差分层、移动平均层和季节性差分层；确定所述初始模型中各处理层的处理阶数；根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息；通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值。以上方案，通过SARIMA模型季节性差分层可以处理季节性规律数据，通过SARIMA模型进行数据预测，可以从训练样本中提取数据的季节性规律，从而结合季节性规律以多个因素进行数据预测，提升数据预测的准确性。

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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的一种模型训练方法的应用场景示意图；

图2为本申请实施例提供的一种模型训练方法的流程示意图；

图3为本申请实施例提供的一种模型训练方法的流程示意图；

图4为本申请实施例提供的生成待训练模型示意图；

图5为本申请实施例提供的模型验证示意图；

图6为本申请实施例提供的一种模型训练装置的结构示意图；

图7为本申请实施例提供的一种模型训练装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，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申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

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申请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、本申请的一些方面相一致的装置和方法的例子。

需要说明的是，本申请的技术方案中，所涉及的金融数据或用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

图1为现有技术的模型训练的应用场景图。如图1所示，获取历史时段以及历史时段对应的历史数据，以历史时段作为输入，以历史数据作为标签进行模型训练，得到目标模型。

现有技术中，目标模型提取历史时段与历史数据之间的规律，可以以未来时段作为输入，预测未来时段对应的未来数据。然而历史数据的产生是多种因素共同影响的结果，仅依靠历史时段与历史数据之间的规律

针对上述技术问题，本申请提出如下技术构思：将训练数据对应的季节信息引入训练样本进行模型训练，得到的目标模型的预测过程中引入季节性规律因素，从而增加目标模型预测的因素，提升数据预测的准确性。

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一种模型训练方法的流程示意图，该方法包括以下步骤：

S201、确定初始模型，所述初始模型为季节性差分自回归滑动平均SARIMA模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层、差分层、移动平均层和季节性差分层。

作为示例，该实施例的执行主体可以为模型训练装置，该模型训练装置的实现有多种。例如，可以为程序软件，也可以为存储有相关计算机程序的介质，例如，U盘等；或者，该装置还可以为集成或安装有相关计算机程序的实体设备，例如，芯片、智能终端、电脑、服务器等。

其中，SARIMA模型为在差分自回归滑动平均ARIMA模型的基础上，增加了季节性的参数得到，SARIMA模型相比于ARIMA模型，可以提取季节性规律。

S202、确定所述初始模型中各处理层的处理阶数。

其中，处理阶数用于确定各处理层的结构。

可选的，根据使用场景调整处理阶数。

可以理解，通过阶数可以对模型进行灵活调整，以使模型匹配应用的场景。

S203、根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型。

可选的，对待训练模型的拟合效果进行评估，若评估结果符合要求，则确定待训练模型，若评估结果不符合要求，则调整各处理层的处理阶数，直至评估结果符合要求。

S204、确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息。

可选的，历史时段可以为1周，若历史时段为1周，则对象属性值可以为每周的数据平均值。

可选的，季节信息根据历史数据的类型确定，季节信息可以为1个月、3个月、6个月或者1年等。

S205、通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值。

可选的，以历史时段以及历史时段的季节信息作为输入，以历史时段内的对象属性值作为标签进行模型训练，得到目标模型。

再可选的，将未来时段以及未来时段对应的季节信息作为目标模型的输入，得到未来时段的对象属性值。

本申请实施例提供的模型训练方法，确定初始模型，所述初始模型为季节性差分自回归滑动平均SARIMA模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层、差分层、移动平均层和季节性差分层；确定所述初始模型中各处理层的处理阶数；根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息；通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值。以上方案，通过SARIMA模型季节性差分层可以处理季节性规律数据，通过SARIMA模型进行数据预测，可以从训练样本中提取数据的季节性规律，从而结合季节性规律以多个因素进行数据预测，提升数据预测的准确性。

在上述任意一个实施例的基础上，下面，结合图3，对模型训练的详细过程进行说明。

图3为本申请实施例提供的一种模型训练方法的流程示意图。如图3所示，该方法包括：

S301、确定初始模型，所述初始模型为季节性差分自回归滑动平均SARIMA模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层、差分层、移动平均层和季节性差分层。

需要说明的是，S301的执行过程参见S201，此处不再赘述。

S302、获取多个第一历史对象数据，所述第一历史对象数据中包括所述预设对象在多个历史时刻的历史属性值。

其中，第一历史对象数据为时序数据，即第一历史对象数据包括多个时刻或者时段，以及每个时刻或者时段对应的数值。

可选的，第一历史对象数据用于确定初始模型中各处理层的处理阶数，第一历史对象数据与目标模型的应用场景相同。

举例来说，目标模型用于预测物品的价格，第一历史对象数据为同类型的物品的价格。

S303、根据所述多个第一历史对象数据，确定对象属性值与时间之间的自相关信息和偏自相关信息。

其中，自相关信息用于描述第一历史对象数据自身的相关性，自相关信息描述的相关性中包括多个随机变量。偏自相关信息用于描述第一历史对象数据自身的相关性，偏自相关信息描述的相关性中不包括多个随机变量。

S304、根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数。

一种可行的实现方式，所述自相关信息为自相关图，所述偏自相关信息为偏自相关图；根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数，包括：确定所述自相关图的第一滞后阶数，并将所述第一滞后阶数确定为所述自回归层的处理阶数；确定所述偏自相关图的第二滞后阶数，并将所述第二滞后阶数确定为所述移动平均层的处理阶数；确定所述自相关图和所述偏自相关图的差分阶数，并将所述差分阶数确定为所述差分层的处理阶数；根据所述自相关图和所述偏自相关图的截尾信息和衰减信息，确定所述季节性差分层的处理阶数。

可选的，开发人员根据模型的应用场景确定差分阶数范围。

结合场景示例来说，差分处理用于得到平稳数据，通过对自相关图和偏自相关图进行多次差分处理，直至自相关图和偏自相关图的数据分布在预设范围内，则停止差分，此时已进行的差分处理的次数为处理阶数。

在该种可行的实现方式中，通过差分处理，可以确定能够消除数据的非平稳性的处理阶数，从而提升预测的准确性。

S305、根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型。

下面，结合图4对生成待训练模型进行说明。

图4为本申请实施例提供的生成待训练模型示意图。如图4所示，根据第一历史对象数据，确定自相关信息和偏自相关信息，根据自相关信息和偏自相关信息确定每个处理层的处理阶数，根据每个处理层的处理阶数，设置对应处理层的参数，从而得到初始模型。

S306、获取多个初始历史对象数据，所述初始历史对象数据包括所述预设对象在多个历史时刻的历史属性值。

可选的，根据模型应用场景确定多个历史时刻的步长。

举例来说，设置步长为一天，则每隔一天确定一个历史时刻。

S307、对所述初始历史对象数据进行预处理，得到所述第二历史对象数据，所述预处理包括如下至少一种：缺失值填充处理、异常值剔除处理、非线性化处理和平稳型检测处理。

结合场景示例来说，初始历史对象数据中可能包括错误数据，错误数据会影响模型的效果，通过预处理去除错误数据，从而提升目标模型的精确度。

S308、确定所述多个历史时段，并确定每个历史时段对应的至少一个第二历史对象数据，所述历史时段对应的至少一个第二历史对象数据中的历史时刻位于所述历史时段内。

举例来说，每个历史时段为一周，历史时段中的每周至少包括一个第二历史对象数据。若历史时刻的步长为一天，则历史时段的一周内包括7个第二历史对象数据。

可选的，对每个历史时段进行检测，若检测到任一历史时段内不包括第二历史对象数据，则删除该历史时段。

S309、针对任意一个历史时段，根据所述历史时段对应的至少一个第二历史对象数据中的历史属性值，确定所述历史时段对应的对象属性值。

可选的，计算每个历史时段内的所有历史属性值的平均值，将该平均值确定为该历史时段的对象属性值。

S310、确定每个历史时段的季节信息。

可选的，先确定多个季节以及每个季节的范围，再根据每个历史时段所属的范围，确定每个历史时段的季节信息。

再可选的，根据第二历史对象数据的场景确定多个季节以及每个季节的范围。

S311、根据所述多个历史时段、每个历史时段对应的对象属性值、以及每个历史时段的季节信息，生成所述训练样本。

需要说明的是，S311的执行过程参见S204，此处不再赘述。

一种可行的实现方式，通过所述训练样本对所述待训练模型进行训练，得到目标模型之后，还包括：获取验证数据集，所述验证数据集中包括验证输入数据和验证输出数据，所述验证输入数据包括所述预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息，所述验证输出数据包括所述预设对象在验证时刻的标注对象属性值，所述多个历史时段位于所述验证时刻之前；通过所述目标模型对所述验证输入数据进行处理，得到实际输出数据，所述实际输出数据包括所述预设对象在所述验证时刻的预测对象属性值；根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度。

可选的，将历史时段的最后预设数量个时刻确定为验证时刻。

可选的，根据标注对象属性值和预测对象属性值进行残差分析，具体的，通过绘制残差图进行残差分析，若残差图显示出任一规律性结构，例如趋势性或周期性，则说明对应的模型未能捕捉到数据的所有特征，需要优化目标模型。

再可选的，通过标注对象属性值和预测对象属性值之间的均方根误差、平均绝对误差或者平均绝对百分比误差等误差参数，对目标模型进行验证，直至误差参数小于阈值，则说明目标模型的精度符合要求。

结合场景示例来说，在数据预测中，针对多种因素影响的数据，数据的规律较复杂，通过对目标模型进行验证，可以确定目标模型是否可以针对多种因素影响的数据进行准确预测。

在该种可行的实现方式中，通过对目标模型进行验证，可以保证目标模型的精确度。

进一步的，一种可行的实现方式，根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度之后，还包括：若所述精确度小于或等于预设阈值，则更新所述目标模型的模型参数，或者更新所述目标模型中各处理层的处理阶数。

可选的，模型优化方法包括调整模型的参数和阶数，例如增加/减少自回归、差分或移动平均的阶数，或者增加季节性的阶数等。

下面，结合图5对模型验证进行说明。

图5为本申请实施例提供的模型验证示意图。如图5所示，通过标注对象属性值以及预测对象属性值对目标模型进行模型验证，得到验证结果。若验证通过则完成模型训练，若验证未通过则进行模型优化。模型的参数可以调整，调整模型的参数直至调整后的模型通过验证。

本申请实施例提供的一种对象属性值确定方法，包括：获取预设对象在多个历史时段内的对象属性值；通过目标模型对所述预设对象在多个历史时段内的对象属性值进行处理，得到所述预设对象在未来时段的对象属性值，其中，所述目标模型为通过本申请的模型训练方法训练得到的。

可选的，每种目标模型用于预测对应的预设对象。

结合场景示例来说，目标模型的应用场景中，输入预设对象的未来时段，目标模型输出预设对象在未来时段的预测对象属性值。

基于以上实施方式，通过多个因素的数据训练的目标模型在预测场景中可以提升预测的准确性。

图6为本申请实施例提供的一种模型训练装置的结构示意图。如图6所示，该模型训练装置60可以包括：确定模块61、获取模块62、初始化模块63、执行模块64、以及训练模块65，其中，

所述确定模块64，用于确定初始模型，所述初始模型为季节性差分自回归滑动平均SARIMA模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层、差分层、移动平均层和季节性差分层。

所述获取模块62，用于确定所述初始模型中各处理层的处理阶数。

所述初始化模块63，用于根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型。

所述执行模块64，用于确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息。

所述训练模块65，用于通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值。

可选的，确定模块61可以执行图2实施例中的S201。

可选的，获取模块62可以执行图2实施例中的S202。

可选的，初始化模块63可以执行图2实施例中的S203。

可选的，执行模块64可以执行图2实施例中的S204。

可选的，训练模块65可以执行图2实施例中的S205。

需要说明的是，本申请实施例所示的模型训练装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。

在一种可能的实施方式中，所述获取模块62，具体用于：

获取多个第一历史对象数据，所述第一历史对象数据中包括所述预设对象在多个历史时刻的历史属性值；

根据所述多个第一历史对象数据，确定对象属性值与时间之间的自相关信息和偏自相关信息；

根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数。

在一种可能的实施方式中，所述自相关信息为自相关图，所述偏自相关信息为偏自相关图；所述获取模块62，具体用于：

确定所述自相关图的第一滞后阶数，并将所述第一滞后阶数确定为所述自回归层的处理阶数；

确定所述偏自相关图的第二滞后阶数，并将所述第二滞后阶数确定为所述移动平均层的处理阶数；

确定所述自相关图和所述偏自相关图的差分阶数，并将所述差分阶数确定为所述差分层的处理阶数；

根据所述自相关图和所述偏自相关图的截尾信息和衰减信息，确定所述季节性差分层的处理阶数。

图7为本申请实施例提供的一种模型训练装置的结构示意图。在图6所示实施例的基础上，如图7所示，该模型训练装置70还包括：生成模块66、验证模块67以及优化模块68，其中：

所述生成模块66，用于：

确定多个第二历史对象数据，所述第二历史对象数据包括所述预设对象在多个历史时刻的历史属性值；

确定所述多个历史时段，并确定每个历史时段对应的至少一个第二历史对象数据，所述历史时段对应的至少一个第二历史对象数据中的历史时刻位于所述历史时段内；

针对任意一个历史时段，根据所述历史时段对应的至少一个第二历史对象数据中的历史属性值，确定所述历史时段对应的对象属性值；

确定每个历史时段的季节信息；

根据所述多个历史时段、每个历史时段对应的对象属性值、以及每个历史时段的季节信息，生成所述训练样本。

在一种可能的实施方式中，所述生成模块66，具体用于：

获取多个初始历史对象数据，所述初始历史对象数据包括所述预设对象在多个历史时刻的历史属性值；

对所述初始历史对象数据进行预处理，得到所述第二历史对象数据，所述预处理包括如下至少一种：缺失值填充处理、异常值剔除处理、非线性化处理和平稳型检测处理。

所述验证模块67，用于：

获取验证数据集，所述验证数据集中包括验证输入数据和验证输出数据，所述验证输入数据包括所述预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息，所述验证输出数据包括所述预设对象在验证时刻的标注对象属性值，所述多个历史时段位于所述验证时刻之前；

通过所述目标模型对所述验证输入数据进行处理，得到实际输出数据，所述实际输出数据包括所述预设对象在所述验证时刻的预测对象属性值；

根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度。

所述优化模块68，用于：

若所述精确度小于或等于预设阈值，则更新所述目标模型的模型参数，或者更新所述目标模型中各处理层的处理阶数。

所述预测模块69，用于：

确定所述预设对象的未来时段；

将所述未来时段输入所述目标模型，得到所述预设对象在所述未来时段的对象属性值。

本申请实施例提供的一种对象属性值确定装置，包括：

应用模块，用于获取预设对象在多个历史时段内的对象属性值；

预测模块，用于通过目标模型对所述预设对象在多个历史时段内的对象属性值进行处理，得到所述预设对象在未来时段的对象属性值，其中，所述目标模型为通过本申请的模型训练方法训练得到的。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。各模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上各模块的功能。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

图8为本申请实施例提供的电子设备的结构示意图。如图8所示，该电子设备可以包括：收发器81、处理器82、存储器83。

处理器82执行存储器存储的计算机执行指令，使得处理器82执行上述实施例中的方案。处理器82可以是通用处理器，包括中央处理器CPU、网络处理器(network processor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列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。

存储器83通过***总线与处理器82连接并完成相互间的通信，存储器83用于存储计算机程序指令。

收发器81可以用于获取待运行任务和待运行任务的配置信息。

***总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。***总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccess memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)。

本申请实施例提供的电子设备，可以是上述实施例的终端设备。

本申请实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中模型训练方法的技术方案。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例模型训练方法的技术方案。

本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时可实现上述实施例中模型训练方法的技术方案。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例方法的部分步骤。

应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。

总线可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电控单元或主控设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (19)

1.一种模型训练方法，其特征在于，包括：

确定初始模型，所述初始模型为季节性差分自回归滑动平均SARIMA模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层、差分层、移动平均层和季节性差分层；

确定所述初始模型中各处理层的处理阶数；

根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；

确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息；

通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值。

2.根据权利要求1所述的方法，其特征在于，确定所述初始模型中各处理层的处理阶数，包括：

获取多个第一历史对象数据，所述第一历史对象数据中包括所述预设对象在多个历史时刻的历史属性值；

根据所述多个第一历史对象数据，确定对象属性值与时间之间的自相关信息和偏自相关信息；

根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数。

3.根据权利要求2所述的方法，其特征在于，所述自相关信息为自相关图，所述偏自相关信息为偏自相关图；根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数，包括：

确定所述自相关图的第一滞后阶数，并将所述第一滞后阶数确定为所述自回归层的处理阶数；

确定所述偏自相关图的第二滞后阶数，并将所述第二滞后阶数确定为所述移动平均层的处理阶数；

确定所述自相关图和所述偏自相关图的差分阶数，并将所述差分阶数确定为所述差分层的处理阶数；

根据所述自相关图和所述偏自相关图的截尾信息和衰减信息，确定所述季节性差分层的处理阶数。

4.根据权利要求1-3任一项所述的方法，其特征在于，确定训练样本，包括：

确定多个第二历史对象数据，所述第二历史对象数据包括所述预设对象在多个历史时刻的历史属性值；

确定所述多个历史时段，并确定每个历史时段对应的至少一个第二历史对象数据，所述历史时段对应的至少一个第二历史对象数据中的历史时刻位于所述历史时段内；

针对任意一个历史时段，根据所述历史时段对应的至少一个第二历史对象数据中的历史属性值，确定所述历史时段对应的对象属性值；

确定每个历史时段的季节信息；

根据所述多个历史时段、每个历史时段对应的对象属性值、以及每个历史时段的季节信息，生成所述训练样本。

5.根据权利要求4所述的方法，其特征在于，确定多个第二历史对象数据，包括：

获取多个初始历史对象数据，所述初始历史对象数据包括所述预设对象在多个历史时刻的历史属性值；

对所述初始历史对象数据进行预处理，得到所述第二历史对象数据，所述预处理包括如下至少一种：缺失值填充处理、异常值剔除处理、非线性化处理和平稳型检测处理。

6.根据权利要求1-5任一项所述的方法，其特征在于，通过所述训练样本对所述待训练模型进行训练，得到目标模型之后，还包括：

获取验证数据集，所述验证数据集中包括验证输入数据和验证输出数据，所述验证输入数据包括所述预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息，所述验证输出数据包括所述预设对象在验证时刻的标注对象属性值，所述多个历史时段位于所述验证时刻之前；

通过所述目标模型对所述验证输入数据进行处理，得到实际输出数据，所述实际输出数据包括所述预设对象在所述验证时刻的预测对象属性值；

根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度。

7.根据权利要求6所述的方法，其特征在于，根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度之后，还包括：

若所述精确度小于或等于预设阈值，则更新所述目标模型的模型参数，或者更新所述目标模型中各处理层的处理阶数。

8.一种对象属性值确定方法，其特征在于，包括：

获取预设对象在多个历史时段内的对象属性值；

通过目标模型对所述预设对象在多个历史时段内的对象属性值进行处理，得到所述预设对象在未来时段的对象属性值，其中，所述目标模型为通过权利要求1-7任一项所述的方法训练得到的。

9.一种模型训练装置，其特征在于，包括：

确定模块，用于确定初始模型，所述初始模型为季节性差分自回归滑动平均SARIMA模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层、差分层、移动平均层和季节性差分层；

获取模块，用于确定所述初始模型中各处理层的处理阶数；

初始化模块，用于根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；

执行模块，用于确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息；

训练模块，用于通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值。

10.根据权利要求9所述的装置，其特征在于，

所述获取模块，具体用于获取多个第一历史对象数据，所述第一历史对象数据中包括所述预设对象在多个历史时刻的历史属性值；

所述获取模块，具体还用于根据所述多个第一历史对象数据，确定对象属性值与时间之间的自相关信息和偏自相关信息；

所述获取模块，具体还用于根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数。

11.根据权利要求10所述的装置，其特征在于，所述自相关信息为自相关图，所述偏自相关信息为偏自相关图；

所述获取模块，具体用于确定所述自相关图的第一滞后阶数，并将所述第一滞后阶数确定为所述自回归层的处理阶数；

所述获取模块，具体还用于确定所述偏自相关图的第二滞后阶数，并将所述第二滞后阶数确定为所述移动平均层的处理阶数；

所述获取模块，具体还用于确定所述自相关图和所述偏自相关图的差分阶数，并将所述差分阶数确定为所述差分层的处理阶数；

所述获取模块，具体还用于根据所述自相关图和所述偏自相关图的截尾信息和衰减信息，确定所述季节性差分层的处理阶数。

12.根据权利要求9-11任一项所述的装置，其特征在于，所述装置还包括：

生成模块，用于确定多个第二历史对象数据，所述第二历史对象数据包括所述预设对象在多个历史时刻的历史属性值；

所述生成模块，还用于确定所述多个历史时段，并确定每个历史时段对应的至少一个第二历史对象数据，所述历史时段对应的至少一个第二历史对象数据中的历史时刻位于所述历史时段内；

所述生成模块，还用于针对任意一个历史时段，根据所述历史时段对应的至少一个第二历史对象数据中的历史属性值，确定所述历史时段对应的对象属性值；

所述生成模块，还用于确定每个历史时段的季节信息；

所述生成模块，还用于根据所述多个历史时段、每个历史时段对应的对象属性值、以及每个历史时段的季节信息，生成所述训练样本。

13.根据权利要求12所述的装置，其特征在于，

所述生成模块，具体用于获取多个初始历史对象数据，所述初始历史对象数据包括所述预设对象在多个历史时刻的历史属性值；

所述生成模块，具体还用于对所述初始历史对象数据进行预处理，得到所述第二历史对象数据，所述预处理包括如下至少一种：缺失值填充处理、异常值剔除处理、非线性化处理和平稳型检测处理。

14.根据权利要求9-13任一项所述的装置，其特征在于，所述装置还包括：

验证模块，用于获取验证数据集，所述验证数据集中包括验证输入数据和验证输出数据，所述验证输入数据包括所述预设对象在多个历史时段内的对象属性值、以及各历史时段的季节信息，所述验证输出数据包括所述预设对象在验证时刻的标注对象属性值，所述多个历史时段位于所述验证时刻之前；

所述验证模块，还用于通过所述目标模型对所述验证输入数据进行处理，得到实际输出数据，所述实际输出数据包括所述预设对象在所述验证时刻的预测对象属性值；

所述验证模块，还用于根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度。

15.根据权利要求14所述的装置，其特征在于，所述装置还包括：

优化模块，用于若所述精确度小于或等于预设阈值，则更新所述目标模型的模型参数，或者更新所述目标模型中各处理层的处理阶数。

16.一种对象属性值确定装置，其特征在于，包括：

应用模块，用于获取预设对象在多个历史时段内的对象属性值；

预测模块，用于通过目标模型对所述预设对象在多个历史时段内的对象属性值进行处理，得到所述预设对象在未来时段的对象属性值，其中，所述目标模型为通过权利要求9-15任一项所述的装置训练得到的。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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1-8中任一项所述的方法。

19.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法。