WO2019056499A1 - 预测模型训练方法、数据监控方法、装置、设备及介质 - Google Patents

预测模型训练方法、数据监控方法、装置、设备及介质 Download PDF

Info

Publication number
WO2019056499A1
WO2019056499A1 PCT/CN2017/108533 CN2017108533W WO2019056499A1 WO 2019056499 A1 WO2019056499 A1 WO 2019056499A1 CN 2017108533 W CN2017108533 W CN 2017108533W WO 2019056499 A1 WO2019056499 A1 WO 2019056499A1
Authority
WO
WIPO (PCT)
Prior art keywords
service data
predicted
monitoring
data
time
Prior art date
Application number
PCT/CN2017/108533
Other languages
English (en)
French (fr)
Inventor
张川
顾青山
金鑫
温善安
李磊
王定鑫
李泳章
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2019056499A1 publication Critical patent/WO2019056499A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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

Definitions

  • the present application relates to the field of data monitoring, and in particular, to a predictive model training method, a data monitoring method, a device, a device, and a medium.
  • the embodiment of the present application provides a prediction model training method, a data monitoring method, a device, a device, and a medium, so as to solve the problem that the current data prediction result has a low accuracy rate.
  • an embodiment of the present application provides a prediction model training method, including:
  • the training set is trained by using a long-short-time memory cyclic neural network model to obtain an original prediction model
  • the original prediction model is tested by using the test set to obtain a target prediction model.
  • an embodiment of the present application provides a data monitoring method, including:
  • monitoring service data is specific historical service data that is opposite to the monitoring indicator within the preset time period before the current time;
  • the monitoring service data is predicted by using the target prediction model, and the predicted service data is obtained.
  • an embodiment of the present application provides a predictive model training apparatus, including:
  • the training service data obtaining module is configured to perform time labeling on the original service data and divide the data according to a preset period to obtain training service data carrying the timing status;
  • a data dividing module configured to divide the training service data into a training set and a test set according to a preset ratio
  • the original prediction model acquisition module is configured to train the long and short time memory cyclic neural network model by using the training set to obtain an original prediction model
  • the target prediction model acquisition module is configured to test the original prediction model by using the test set to obtain a target prediction model.
  • the embodiment of the present application provides a data monitoring apparatus, including:
  • a data monitoring instruction acquiring module configured to acquire a data monitoring instruction, where the data monitoring instruction includes a current time, a preset time period, and a monitoring indicator;
  • the monitoring service data obtaining module is configured to acquire the monitoring service data according to the data monitoring instruction, where the monitoring service data is specific historical service data that is opposite to the monitoring indicator within the preset time period before the current time;
  • a predicted service data obtaining module configured to predict the monitoring service data by using the target prediction model, and obtain predicted service data.
  • an embodiment of the present application provides a terminal device, including a memory, a processor, and computer readable instructions stored in the memory and executable on the processor, where the processor executes the computer The following steps are implemented when reading the instruction:
  • the training set is trained by using a long-short-time memory cyclic neural network model to obtain an original prediction model
  • the original prediction model is tested by using the test set to obtain a target prediction model.
  • an embodiment of the present application provides a terminal device, including a memory, a processor, and computer readable instructions stored in the memory and executable on the processor, where the processor executes the computer The following steps are implemented when reading the instruction:
  • monitoring service data is specific historical service data that is opposite to the monitoring indicator within the preset time period before the current time;
  • the monitoring service data is predicted by using a target prediction model, and the predicted service data is obtained; wherein the target prediction model is a model acquired by using the prediction model training method.
  • an embodiment of the present application provides a computer readable storage medium, where the computer readable storage medium stores computer readable instructions, and when the computer readable instructions are executed by a processor, the following steps are implemented:
  • the training set is trained by using a long-short-time memory cyclic neural network model to obtain an original prediction model
  • the original prediction model is tested by using the test set to obtain a target prediction model.
  • monitoring service data is specific historical service data that is opposite to the monitoring indicator within the preset time period before the current time;
  • the monitoring service data is predicted by using a target prediction model, and the predicted service data is obtained; wherein the target prediction model is a model acquired by using the prediction model training method.
  • the original service data obtained by the time is marked and time-divisionally divided according to a preset period, thereby obtaining training service data carrying the time-series state, thereby increasing the training service data.
  • the timing is improved to improve the accuracy of the prediction model.
  • the long-term and short-term memory cycle neural network model is used to train, and the original prediction model is obtained, which makes the original prediction model training have the advantages of high efficiency and high accuracy.
  • the original prediction model is tested by the training service data in the test set, and the target prediction model is obtained to improve the accuracy of the target prediction model for prediction. Because the training service data has time series, the acquired target prediction model also has timing. Sex.
  • the target business model is used to monitor the historical service data, that is, the monitoring service data, which is opposite to the monitoring index within the preset time limit before the current time, and has a strong time series.
  • the high accuracy rate increases the timing and accuracy of data monitoring results.
  • FIG. 1 is a flowchart of a prediction model training method provided in Embodiment 1 of the present application.
  • FIG. 2 is a specific schematic diagram of step S130 in FIG. 1.
  • FIG. 3 is a specific schematic diagram of step S131 of FIG. 2.
  • FIG. 4 is a schematic diagram of a predictive model training device provided in Embodiment 2 of the present application.
  • FIG. 5 is a flowchart of a data monitoring method provided in Embodiment 3 of the present application.
  • FIG. 6 is another flowchart of the data monitoring method provided in Embodiment 3 of the present application.
  • FIG. 7 is still another flowchart of the data monitoring method provided in Embodiment 3 of the present application.
  • FIG. 8 is a schematic diagram of a data monitoring apparatus provided in Embodiment 4 of the present application.
  • FIG. 9 is a schematic diagram of a terminal device provided in Embodiment 6 of the present application.
  • Fig. 1 is a flow chart showing a prediction model training method in this embodiment.
  • the predictive model training method is applied to financial institutions such as banks, securities, insurance, or other terminal equipment, and is used to perform predictive model training using business data generated by financial institutions or other institutions, so as to predict the future based on the trained predictive model.
  • Business data is predicted to achieve the purpose of artificial intelligence monitoring.
  • the predictive model training method includes the following steps:
  • S110 Perform time labeling on the original service data and divide according to a preset period to obtain training service data carrying the timing status.
  • the original business data is the business data formed in the production and operation process of financial institutions or other institutions.
  • the business data includes, but is not limited to, data such as sales amount, signing amount, salesman attendance rate, number of receiving customers, and amount of promotional activities in the embodiment.
  • performing time labeling on the original service data means that the original service data carries a time label, and the time label may be a time when the original service data is formed. If the original business data is sales on June 7, the time stamp of the original business data is June 7.
  • the Hadoop big data platform is used to collect the original business formed by financial institutions or other institutions every day. Data, and time stamping of the statistical raw business data.
  • the Hadoop Big Data platform enables users to develop distributed programs without the knowledge of distributed underlying details, and to perform high-speed operations and storage to improve the efficiency of raw business data collection.
  • Hadoop refers to a distributed system infrastructure
  • Hadoop implements a distributed file system (Hadoop Distributed File System, hereinafter referred to as HDFS).
  • HDFS is highly fault-tolerant and designed to be deployed on low-cost hardware and provides high throughput to access application data. It is suitable for applications with very large data sets, enabling the original business with Hadoop big data platform.
  • the data has the advantage of high collection efficiency.
  • the preset period is a predetermined period for dividing the training service data with the timing state, and the preset period may be 1 month, 2 months, half a year or other period value. If the preset period is one month, when the original service data is time-stamped and divided according to the preset period, one of the original service data carrying the time label formed by time-stamping the original service data is consecutively one. The original business data in the month is used as one training service data carrying the timing status. That is, if the preset period is one month, the prediction model to be trained is to use the original service data within the preset period to predict the future service data of the 1-N days after the preset period, and the training service data with the timing state formed is formed.
  • the training service data is divided into a training set and a test set according to a preset ratio.
  • the preset ratio is a preset ratio for classifying the training service data.
  • the preset ratio may be a ratio obtained based on historical experience.
  • the training set is a learning sample data set, and the classifier is built by matching some parameters, that is, training the machine learning model by using the training business data in the training set to determine the parameters of the machine learning model.
  • the test set is used to test the resolving power of a trained machine learning model, such as recognition rate.
  • the training service data can be classified according to a ratio of 9:1, and 90% of the training service data can be used as the training set, and the remaining 10% of the data is used as the test set.
  • the training set is trained by using the long and short time memory cyclic neural network model to obtain the original prediction model.
  • the long-short term memory (LSTM) model is a time recurrent neural network model suitable for processing and predicting important events with time series and relatively long time series intervals and delays.
  • the LSTM model has a time memory function and is therefore used to process training service data carrying timing states.
  • the LSTM model is one of the neural network models with long-term memory capability, and has a three-layer network structure of an input layer, a hidden layer, and an output layer.
  • the input layer is the first layer of the LSTM model and is used to receive external signals, that is, to receive the training set. Training service data carrying timing states.
  • the output layer is the last layer of the LSTM model and is used to output signals to the outside world, which is responsible for outputting the calculation results of the LSTM model.
  • the hidden layer is the layer other than the input layer and the output layer in the LSTM model, and is used to process the training service data in the training set to obtain the calculation result of the LSTM model.
  • the original prediction model uses the LSTM model to perform multiple iterations of the training service data carrying the timing state in the training set and verify the obtained model. It can be understood that the model training using the LSTM model increases the timing of training business data, thereby improving the accuracy of the prediction model.
  • the output layer of the LSTM model is subjected to regression processing using Softmax (Regression Model) for classifying the output weight matrix.
  • Softmax regression model
  • Softmax is a classification function commonly used in neural networks. It maps the output of multiple neurons to the interval [0,1], which can be understood as probability. It is simple and convenient to calculate, so as to carry out multi-classification. Output to make its output more accurate.
  • the training set is trained by using the long-short-time memory cyclic neural network model to obtain the original prediction model, and the training service data carrying the time-series state in the training concentrated part can also be divided into a validation set.
  • the verification set can adjust the parameters of the classifier of the learned model, determine the network structure or control the parameters of the complex program of the model.
  • the training service data in the original training set is classified into the training service data in a ratio of 8:1, so that the ratio of the training service data in the training set, the verification set, and the test set is 8:1:1.
  • step S130 the training set is trained by using the long-short-time memory cycle neural network model to obtain the original prediction model, which specifically includes the following steps:
  • the Backpropagation Through Time (BPTT) algorithm is an optimization algorithm applied in a neural network model based on time series data.
  • the BPTT algorithm is a very intuitive method.
  • the propagation path is a cyclic path and the propagation path
  • the parameters are shareable parameters.
  • the BPTT algorithm includes a Forward Propagation algorithm and a Back Propagation algorithm. Among them, the Forward Propagation algorithm is processed in time order; and the Back Propagation algorithm is to transfer the accumulated residuals from the last time and perform neural network model training.
  • the original state model refers to the model obtained by multiple iterations of the BPTT algorithm.
  • the BPTT algorithm is applied to the training set in the LSTM model, specifically, the forward propagation (Forward Propagation) algorithm and the Back Propagation algorithm are used to process the training service data in the training set.
  • the forward propagation (Forward Propagation) algorithm and the Back Propagation algorithm are used to process the training service data in the training set.
  • step S131 the training set is trained by using a back-propagation algorithm with time to obtain the original state model, which specifically includes the following steps:
  • S1311 The training set is trained by the forward propagation algorithm to obtain the first state parameter of the original state model; the calculation formula of the forward propagation algorithm is with Where, S t represents the output of the hidden layer at the current time; Indicates the weight of the hidden layer from the moment to the current moment; Indicates the weight of the input layer to the output layer; Indicates the predicted output of the current time; Represents the weight of the hidden layer to the output layer.
  • the training of the training set by using the Forward Propagation algorithm refers to training the training service data by using the forward propagation calculation formula according to the sequence of the timing states carried in the training service data.
  • the first state parameter refers to a parameter obtained by performing an initial iterative process when the model is trained based on the training service data.
  • the front propagation algorithm is the output S hidden unit input X t at the current time and the previous time point t-1, i.e. LSTM model hidden output S of memory cells within the layer t-1 as a hidden layer, input, then tanh (hyperbolic tangent) S conversion output obtained at the current time t through the hidden layer activation function, the predicted output at time t is a Representation, U represents the weight of the hidden layer to the current moment, W represents the weight from the input layer to the hidden layer, and V represents the weight from the hidden layer to the output layer.
  • S1312 Performing error calculation on the first state parameter by using a backward propagation algorithm to obtain a second state parameter of the original state model; the calculation formula of the backward propagation algorithm is among them, Indicates the predicted output at time t ; o t represents the time t and Corresponding true value.
  • the error calculation of the first state parameter by using the Back Propagation algorithm refers to updating the optimization parameters in the order of time reversal, that is, the three weight parameters U, V, and W in this embodiment.
  • the error calculation is to calculate the loss function at the t-th time of the backward propagation as the cross entropy, that is, the formula is adopted. Calculation.
  • the partial derivative of each layer is calculated according to the chain derivation method. with The three weight parameters U, V, and W are updated based on the three rates of change to obtain the adjusted state parameters. among them, It can be seen that we only need to calculate the partial derivatives of the loss function at each moment and then add them to obtain the above three rates of change and update the weight parameters. Since the gradient will increase with the increase of the number of back propagation layers, the gradient disappears.
  • the cross entropy loss function and the tanh activation function can solve the problem of gradient disappearance and increase the accuracy of training. rate.
  • the original state model is a model formed after the second state parameter is converged after the second state parameter acquired in step S1312 is repeated.
  • the cross entropy loss function and the activation function tanh can solve the problem of gradient disappearance and increase the accuracy of training; and, the activation function tanh (Hyperbolic tangent) has the advantage of fast convergence, which can save training time and increase training efficiency.
  • R-square is called the coefficient of determination of the equation, and the closer to 1, between 0-1, the stronger the ability of the equation to interpret y.
  • the original state model acquired in step S1313 is verified by using the training service data in the verification set as the test sample. It can be understood that the degree of fitting of the original state model is verified by the R-square method by using the training service data in the verification set, thereby determining the structure of the model to obtain the original prediction model.
  • the formula of the R-square method is To return to the sum of squares, The sum of the squares of the total deviations. Understandably, the size of the R-square determines how well the model fits. The larger the R-square of the model, the better the degree of fit.
  • an R-square value is obtained, and the R-square value is compared with a preset fitting value. If the R-square value is greater than a preset fitting value, the original state is indicated. The model fits well, that is, the convergence effect is better, and the original state model can be used as the original prediction target.
  • the training service data in the training set is trained by the back propagation algorithm with time, because the forward propagation algorithm has the advantages of strong timing and fast convergence, and the backward propagation algorithm can make the prediction model.
  • Training has the advantages of high efficiency and high accuracy.
  • the R-square method is used to further verify the original state model by using the training service data in the verification set, which improves the accuracy of the original prediction model.
  • the test set is centralized.
  • the original business data within the preset time limit in the training business data is input into the original prediction model for testing, and the original predicted data is obtained; Comparing the original prediction data with the original service data of the 1-N days after the real preset period in the training service data, obtaining the difference between the two, and determining whether the difference is within a preset range; if the difference is Within the preset range, the prediction result is determined to be accurate; conversely, if the difference is not within the preset range, the prediction result is determined to be inaccurate.
  • the preset range is a range value for evaluating whether the prediction result is accurate.
  • step S140 all training service data in the test set is input into the original prediction model for testing, and the probability that the prediction result is accurate is obtained (that is, the exact number of all prediction results is divided by the number of all training service data in the training set). If the probability that the prediction result is accurate is greater than the preset probability, if the probability that the prediction result is accurate is greater than the preset probability, the original prediction model is determined to be more accurate, so that the original prediction model is used as the target prediction model; otherwise, if the prediction result is accurate If the probability is not greater than the preset probability, it is determined that the original prediction result is not accurate enough, and the test is performed again after performing the training in steps S110-S130.
  • the obtained original service data is time-labeled and divided according to a preset period, thereby obtaining training service data carrying the time-series state, thereby increasing the sequence of the training service data and improving Predict the accuracy of the model.
  • the long-term and short-term memory cycle neural network model is used to train, and the original prediction model is obtained, which makes the original prediction model training have the advantages of high efficiency and high accuracy.
  • the original prediction model is tested by the training service data in the test set, and the target prediction model is obtained to improve the accuracy of the target prediction model for prediction. Because the training service data has time series, the acquired target prediction model also has timing. Sex.
  • Fig. 4 is a block diagram showing the principle of the predictive model training device corresponding to the predictive model training method of the first embodiment.
  • the predictive model training device includes a training service data acquiring module 110, a data dividing module 120, an original predictive model acquiring module 130, and a target predictive model acquiring module 140.
  • the implementation functions of the training service data obtaining module 110, the data dividing module 120, the original predictive model obtaining module 130, and the target predictive model obtaining module 140 correspond to the steps corresponding to the predictive model training method in the first embodiment, in order to avoid redundancy, This embodiment will not be described in detail.
  • the training service data obtaining module 110 is configured to perform time labeling on the original service data and divide the data according to a preset period to obtain training service data carrying the timing status.
  • the data dividing module 120 is configured to divide the training service data into a training set and a test set according to a preset ratio.
  • the original prediction model acquisition module 130 is configured to train the training set by using a long and short time memory cyclic neural network model Practice and get the original prediction model.
  • the original prediction model acquisition module 130 includes an original state model acquisition unit 131 and an original prediction model acquisition unit 132.
  • the original state model obtaining unit 131 is configured to train the training set by using a back-propagation algorithm with time to obtain the original state model.
  • the original prediction model obtaining unit 132 is configured to perform an original state model by using an R-square method to obtain an original prediction model.
  • the original state model acquisition unit 131 includes a first state parameter acquisition sub-unit 1311, a second state parameter acquisition sub-unit 1312, and an original state model acquisition sub-unit 1313.
  • the first state parameter obtaining sub-unit 1311 is configured to train the training set by using a forward propagation algorithm to obtain a first state parameter of the original state model.
  • the second state parameter obtaining sub-unit 1312 is configured to perform error calculation on the first state parameter by using a backward propagation algorithm, and acquire a second state parameter of the original state model.
  • the original state model acquisition sub-unit 1313 is configured to acquire the original state model based on the second state parameter.
  • the target prediction model acquisition module 140 is configured to test the original prediction model by using a test set to obtain a target prediction model.
  • Fig. 5 shows the data monitoring method in this embodiment.
  • the data monitoring method can be applied to a terminal device configured by a financial institution such as a bank, a securities, an insurance or another institution that needs to perform data monitoring, so as to implement monitoring of future business data based on the collected original business data, and timely adjust the strategy.
  • a financial institution such as a bank, a securities, an insurance or another institution that needs to perform data monitoring, so as to implement monitoring of future business data based on the collected original business data, and timely adjust the strategy.
  • FIG. N the data monitoring method includes the following steps:
  • S210 Acquire a data monitoring instruction, where the data monitoring instruction includes a current time, a preset period, and a monitoring indicator.
  • the data monitoring instruction refers to an instruction for controlling the terminal device to perform service data monitoring.
  • the current time is the system time of the terminal device, and the current time is the specific system day.
  • the monitoring indicator refers to the type of business data to be monitored, and the monitoring indicator can correspond to a specific service data. Therefore, monitoring indicators include, but are not limited to, sales, signing volume, salesman attendance, number of customers received, and amount of promotional activities.
  • the preset period is a preset period for determining historical service data corresponding to the monitoring prediction.
  • the preset deadline in the embodiment is the same as the preset deadline in the embodiment 1, so as to ensure that the target prediction model obtained by the training in the embodiment 1 can be applied to monitor the service data in the embodiment, and improve the accuracy of the data prediction. .
  • S220 Obtain monitoring service data based on the data monitoring instruction, and the monitoring service data is preset before the current time. Historical business data as opposed to monitoring indicators during the term.
  • the historical business data is the business data formed by the financial institution or other institutions in the production and operation process before the current time, and the historical business data is stored in the Hadoop big data platform.
  • the terminal device may acquire all historical service data corresponding to the monitoring indicator based on the monitoring indicator in the data monitoring instruction, and select a history before the current time and within a preset period from all historical service data.
  • Business data is used as monitoring business data.
  • the monitoring service data is specific to the historical service data that is opposite to the monitoring indicator within the preset time limit before the current time, and the monitoring service data is determined by using the “scrolling” method in this embodiment. That is, if the preset period is T and the current time is the first day of the forecast, the historical service data of the past T time before the first day of the forecast is used as the monitoring service data; if the current time is the second day of the forecast, The historical business data of the first day of the forecast and the past T-1 days is used as the monitoring business data; if the preset period is 30 days and the current time is July 1, the monitoring business data is June 1st - June 30th. The historical business data of the 30 days of the day, the business data to be predicted is the data after July 1 or July 1. This "rolling" method determines the monitoring of business data, which makes the monitoring business data more time-series and increases the accuracy of monitoring results.
  • S230 predicting the monitoring service data by using the target prediction model, and acquiring the predicted service data.
  • the target prediction model is a model obtained by using the prediction model training method in Embodiment 1, and the target prediction model has the advantages of good timing, fast prediction efficiency, and high accuracy, so that the step S230 adopts the target prediction model to monitor the service.
  • the step S230 adopts the target prediction model to monitor the service.
  • the method further includes the following steps:
  • the standard business data refers to the business data pre-established by the enterprise, and the standard business data is applied in conjunction with the annual plan of the enterprise. For example, when an enterprise plans to make an annual plan, it needs to make monthly plans for business data such as monthly sales, number of orders, sales attendance, number of customers received, and amount of publicity activities, and determine monthly business data as standard business data. Or, when making monthly plans, companies need to plan business data such as daily sales, signing volume, salesman attendance, number of customers received, and amount of publicity activities to determine daily standard business data. It can be understood that the standard business data can be a standard value or a standard range.
  • S250 Determine, according to the predicted service data and the standard service data, whether the predicted service data conforms to the standard service data.
  • the predicted service data is obtained by predicting the monitoring service data by using the target prediction model in step S230.
  • the data taken which is the predicted value.
  • the predicted service data is greater than or less than the standard service data to determine whether the predicted service data conforms to the standard service data. For example, when the predicted business data is the sales volume, when the predicted service data is larger than the standard service data, the predicted service data conforms to the standard service data; otherwise, when the predicted service data is not greater than the standard service data, the predicted service data does not conform to the standard service data, and needs to be reminded Monitor personnel attention.
  • the predicted business data is the customer complaint amount
  • the predicted service data when the predicted service data is smaller than the standard service data, the measured service data conforms to the standard service data; otherwise, if the predicted service data is not less than the standard service data, the measured service data does not conform to the standard service data, and Remind the monitoring staff to pay attention.
  • the standard service data is a standard range, when the predicted service data is within the standard range, it is determined that the predicted service data conforms to the standard service data; otherwise, when the predicted service data is not within the standard range, it is determined that the predicted service data does not conform to the standard service data.
  • step S250 when it is determined according to step S250 that the predicted service data does not conform to the standard service data, the monitoring result of the monitoring data abnormality is obtained, so that the monitoring personnel of the enterprise make a decision adjustment based on the monitoring result.
  • the obtained predicted service data is compared with the standard service data preset by the user by using steps S240-S260 to determine whether there is a monitoring result of the monitoring data abnormality, thereby The monitoring results remind the internal management of the company to make decision adjustments.
  • the predicted service data is obtained by predicting the monitoring service data by using the target prediction model obtained in Embodiment 1, and can quickly obtain more accurate predicted service data, so that the enterprise can understand the current trend based on the predicted service data. Possible business data for decision making adjustments.
  • the data monitoring instruction acquired in step S210 in this embodiment may further include monitoring the mailbox.
  • the predicted service data may be sent to the monitoring mailbox, so that the user of the monitoring mailbox can understand the current trend of the enterprise according to the predicted service data, and make a decision adjustment accordingly.
  • the terminal device performs the monitoring result of the abnormality of the monitoring data in steps S240-S260, the monitoring result is sent to the monitoring mailbox, so that the use of the monitoring mailbox can be understood according to the current development trend of the enterprise according to the monitoring result, and whether the monitoring result can be realized.
  • Standard business data pre-established by the company to determine whether adjustments are needed to optimize the company's production and operation activities.
  • the data monitoring instruction acquired in step S210 in this embodiment is specifically a real-time monitoring instruction
  • the timing monitoring instruction includes not only the current time, the preset time limit, and the monitoring indicator, but also the triggering time point and the monitoring mailbox.
  • the triggering time point is a time point for triggering the terminal device to perform steps S220-S230 or perform steps S230-S260.
  • the triggering time in the timing monitoring command can be set to 1 o'clock every night to control the terminal device to perform at 1 o'clock every night.
  • the steps S220-S230 are performed or the steps S230-S260 are performed.
  • the predicted service data may be sent to the monitoring mailbox, so that the user of the monitoring mailbox can understand the current trend of the enterprise according to the predicted service data, and Make decision adjustments accordingly.
  • the terminal device obtains the monitoring result of the abnormality of the monitoring data based on the timing monitoring instruction executing steps S240-S260, the monitoring result is sent to the monitoring mailbox, so that the use of the monitoring mailbox can be understood according to the current development trend of the enterprise according to the monitoring result.
  • the company can pre-establish standard business data to determine whether it needs to make decision adjustments to optimize the company's production and operation activities.
  • the step S210-S230 can obtain a predicted service data, where the predicted service data corresponds to a target time, and the target time is a time corresponding to the predicted service data.
  • the predicted business data can be a predicted value of one of the sales data, the amount of the ticket, the attendance of the salesperson, the number of the customer received, and the amount of the promotional activity. Therefore, steps S210-S230 may be repeatedly performed to acquire at least two predicted service data of the same target time. As shown in FIG. 7 , in the data monitoring method provided by the specific implementation, at least two predicted service data of the same target time are acquired, and then the following steps are further included:
  • the historical service data is subjected to regression processing by using a linear regression algorithm in advance, and the weight of the predicted service data corresponding to the historical service data is obtained.
  • x (i) represents the i-th element in the vector x, ie the i-th type of business data
  • y (i) represents the i-th element in the vector y, ie the sales corresponding to the i-th business data
  • h ⁇ (x (i) ) represents a known hypothesis function
  • m is the number of kinds of business data.
  • the expression of the gradient descent method is The weight corresponding to each historical service data is obtained by calculating the value of each ⁇ , that is, the weight corresponding to each predicted service data is obtained.
  • the predicted indicator value is a value obtained by performing weighting operation processing on at least two predicted service data. It can be understood that the predicted indicator value is an evaluation value obtained after comprehensively evaluating at least two predicted service data. Since in the process of determining the forecast indicator data, part of the predicted service data plays a positive role on the predicted index value (the larger the value is, the better), the calculation needs to make the part of the predicted service data take the positive value of the respective weights; Predicting the reverse effect of the business data on the predicted indicator value (the smaller the value, the better, such as the amount of customer complaints, etc.), the calculation needs to make the part of the predicted business data take the negative value of the respective weights.
  • S233 Acquire a target indicator value corresponding to the target time.
  • the target indicator value is an indicator value for comprehensively evaluating at least two business data preset by the enterprise.
  • the target indicator value is a standard value obtained by using the weighting operation algorithm according to at least two standard service data, and the target indicator value is stored in a database connected to the terminal device, so as to be directly based on the target time when used.
  • the segment is called to improve the efficiency of obtaining the target indicator value.
  • steps S231-S232 and the step S233 are not performed in the sequence order.
  • the steps S231-S232 may be performed first and then the step S233 may be performed, or the step S233 may be performed first and then the steps S231-S232 may be performed.
  • S234 Determine whether the predicted indicator value meets the target index value.
  • the predicted index value acquired in step S232 and the target index value acquired in step S233 determine whether the predicted index value meets the target index value.
  • the predicted index value is determined to be in accordance with the target index value; otherwise, if the predicted index value is not greater than the target index value , it is determined that the predicted indicator value does not meet the target indicator value.
  • the predicted index value when both the predicted index value and the target index value are in the data range, if the predicted index value is within the data range corresponding to the target index value, it is determined that the predicted index value meets the target index value; conversely, if the predicted index value is not in the target index value Within the corresponding data range, it is determined that the predicted indicator value does not meet the target index value.
  • the reminder information is acquired, so that the monitoring personnel of the enterprise make a decision adjustment based on the reminder information.
  • the data monitoring instruction acquired in step S210 in this embodiment may further include monitoring a mailbox or a contact phone; after performing step S231-S235 to obtain the reminder information, the reminder information is sent to the monitoring mailbox or the contact phone to Relevant personnel can understand the current development trend of the company according to the reminder information, and then decide whether it needs to make decision adjustment.
  • steps S231-S235 are adopted to enable related personnel of the enterprise to understand the current development trend of the enterprise from a macro level according to the obtained reminding information, so that the enterprise can adjust the strategy in time, thereby optimizing the enterprise. Production and operation activities.
  • Fig. 8 is a block diagram showing the principle of the data monitoring apparatus corresponding to the data monitoring method in the third embodiment.
  • the data monitoring apparatus includes a data monitoring instruction acquiring module 210, a monitoring service data acquiring module 220, a predicted service data acquiring module 230, a standard service data acquiring module 240, a predicted service data determining module 250, and a monitoring result obtaining module. 260.
  • the data monitoring apparatus further includes a weight acquisition module 231, a prediction index value acquisition module 232, a target indicator value acquisition module 233, a prediction indicator value determination module 234, and a reminder information acquisition module 235.
  • the implementation functions of the data monitoring instruction acquisition module 210, the monitoring service data obtaining module 220, the predicted service data obtaining module 230, the standard service data obtaining module 240, the predicted service data determining module 250, and the monitoring result obtaining module 260 are the same as those in the third embodiment.
  • the steps corresponding to the data monitoring method are in one-to-one correspondence. To avoid redundancy, the present embodiment is not described in detail.
  • the data monitoring instruction obtaining module 210 is configured to acquire a data monitoring instruction, where the data monitoring instruction includes a current time, a preset period, and a monitoring indicator.
  • the monitoring service data obtaining module 220 is configured to acquire monitoring service data based on the data monitoring instruction, where the monitoring service data is historical service data that is opposite to the monitoring indicator within a preset time period before the current time.
  • the predicted service data obtaining module 230 is configured to predict the monitoring service data by using the target prediction model, and obtain the predicted service data.
  • the standard service data obtaining module 240 is configured to acquire standard service data corresponding to the monitoring indicator.
  • the predicted service data judging module 250 is configured to judge whether the predicted service data conforms to the standard service data based on the predicted service data and the standard service data.
  • the monitoring result obtaining module 260 is configured to obtain a monitoring result of the monitoring data abnormality if the predicted service data does not conform to the standard service data.
  • the weight obtaining module 231 is configured to obtain a weight corresponding to each predicted service data.
  • the predicted indicator value obtaining module 232 is configured to process the at least two predicted service data and the corresponding weights by using a weighting operation algorithm to obtain a predicted index value of the target time.
  • the target indicator value obtaining module 233 is configured to acquire a target indicator value corresponding to the target time.
  • the predicted indicator value determining module 234 is configured to determine whether the predicted index value meets the target index value.
  • the reminder information obtaining module 235 obtains the reminder information if the predicted index value does not meet the target index value.
  • the embodiment provides a computer readable storage medium having stored thereon computer readable instructions, which are implemented by a processor to implement the predictive model training method of Embodiment 1, in order to avoid repetition, here No longer.
  • the functions of the modules/units in the predictive model training device in Embodiment 2 are implemented. To avoid repetition, details are not described herein again.
  • the functions of the steps in the data monitoring method in Embodiment 3 are implemented when the computer readable instructions are executed by the processor. To avoid repetition, details are not described herein.
  • the functions of the modules/units in the data monitoring apparatus in Embodiment 4 are implemented when the computer readable instructions are executed by the processor. To avoid repetition, details are not described herein.
  • FIG. 9 is a schematic diagram of a terminal device according to an embodiment of the present application.
  • the terminal device 90 of this embodiment includes a processor 91, a memory 92, and computer readable instructions 93 stored in the memory 92 and operable on the processor 91.
  • the processor 91 implements the steps in the various embodiments of the predictive model training method described above when the computer readable instructions 93 are executed, such as steps S110 through S140 shown in FIG.
  • the processor 91 executes the computer readable instructions 93, the functions of the modules/units in the various apparatus embodiments described above are implemented, such as the functions of the modules 110 to 140 shown in FIG.
  • the processor 91 implements the steps in the various embodiments of the data monitoring method described above when the computer readable instructions 93 are executed, such as steps S210 through S230 shown in FIG. Alternatively, for example, steps S210 to S260 shown in FIG. Alternatively, for example, steps S231 to S235 shown in FIG. Alternatively, when the processor 91 executes the computer readable instructions 93, the functions of the modules/units in the various apparatus embodiments described above are implemented, such as the functions of the modules 210 to 260 shown in FIG.
  • computer readable instructions 93 may be partitioned into one or more modules/units, one or more modules/units being stored in memory 92 and executed by processor 91 to complete the application.
  • the one or more modules/units can be a series of computer readable instruction segments capable of performing a particular function for describing the execution of computer readable instructions 93 in the terminal device 90.
  • the computer readable instructions 93 may be divided into the training service data acquisition module 110, the data division module 120, the original prediction model acquisition module 130, and the target prediction model acquisition module 140 in Embodiment 2, or the data monitoring in Embodiment 4.
  • the standard service data obtaining module 240, the predicted service data determining module 250, and the monitoring result obtaining module 260, the specific functions of each module are as described in the second embodiment or the fourth embodiment, and are not described herein.
  • the terminal device 90 can be a computing device such as a desktop computer, a notebook, a palmtop computer, and a cloud server.
  • the terminal device may include, but is not limited to, a processor 91, a memory 92.
  • FIG. 9 only It is only an example of the terminal device 90, and does not constitute a limitation on the terminal device 90. It may include more or less components than those illustrated, or may combine certain components, or different components, for example, the terminal device may also include input and output. Equipment, network access equipment, bus, etc.
  • the processor 91 may be a central processing unit (CPU), or may be another general-purpose processor, a digital signal processor (DSP), or an application specific integrated circuit (ASIC). Field-Programmable Gate Array (FPGA) or other programmable logic device, discrete gate or transistor logic device, discrete hardware components, etc.
  • the general purpose processor may be a microprocessor or the processor or any conventional processor or the like.
  • the memory 92 may be an internal storage unit of the terminal device 90, such as a hard disk or a memory of the terminal device 90.
  • the memory 92 may also be an external storage device of the terminal device 90, such as a plug-in hard disk equipped with the terminal device 90, a smart memory card (SMC), a Secure Digital (SD) card, and a flash memory card (Flash). Card) and so on.
  • the memory 92 may also include both an internal storage unit of the terminal device 90 and an external storage device.
  • Memory 92 is used to store computer readable instructions as well as other programs and data required by the terminal device.
  • the memory 92 can also be used to temporarily store data that has been output or is about to be output.
  • each functional unit in each embodiment of the present application may be integrated into one processing unit, or each unit may exist physically separately, or two or more units may be integrated into one unit.
  • the above integrated unit can be implemented in the form of hardware or in the form of a software functional unit.
  • the integrated modules/units if implemented in the form of software functional units and sold or used as separate products, may be stored in a computer readable storage medium.
  • the present application implements all or part of the processes in the foregoing embodiments, and may also be implemented by computer readable instructions, which may be stored in a computer readable storage medium.
  • the computer readable instructions when executed by a processor, may implement the steps of the various method embodiments described above.
  • the computer readable instructions comprise computer readable instruction code, which may be in the form of source code, an object code form, an executable file or some intermediate form or the like.
  • the computer readable medium can include any entity or device capable of carrying the computer readable instruction code, a recording medium, a USB flash drive, a removable hard drive, a magnetic disk, an optical disk, a computer memory, a read only memory (ROM, Read-Only) Memory), Random access memory (RAM), electrical carrier signals, telecommunications signals, and software distribution media.
  • a recording medium a USB flash drive
  • a removable hard drive a magnetic disk, an optical disk
  • a computer memory a read only memory (ROM, Read-Only) Memory
  • RAM Random access memory

Landscapes

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

Abstract

一种预测模型训练方法、数据监控方法、装置、设备及介质。该预测模型训练方法包括：对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据(S110)；将所述训练业务数据按预设比例划分成训练集和测试集(S120)；采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型(S130)；采用所述测试集对所述原始预测模型进行测试，获取目标预测模型(S140)。该预测模型训练方法进行预测时具有时序性强、准确率高的优点。

Description

预测模型训练方法、数据监控方法、装置、设备及介质
本专利申请以2017年9月20日提交的申请号为201710853244.8，名称为“预测模型训练方法、数据监控方法、装置、设备及介质”的中国发明专利申请为基础，并要求其优先权。
技术领域
本申请涉及数据监控领域，尤其涉及一种预测模型训练方法、数据监控方法、装置、设备及介质。
背景技术
随着市场经济的发展，企业之间的竞争也越来越激烈，为了提高的企业的竞争力，企业通过对历史业务数据进行大数据分析，以预测未来的业务发展趋势，从而进行策略调整。当前采用SVM(Support Vector Machine，支持向量机)模型对历史业务数据进行大数据分析，这种方式缺乏对本身数据自相关性的考虑，不具备对时序数据预测的能力，使得数据预测结果的准确率较低。
发明内容
本申请实施例提供一种预测模型训练方法、数据监控方法、装置、设备及介质，以解决当前数据预测结果准确率较低的问题。
第一方面，本申请实施例提供一种预测模型训练方法，包括：
对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；
将所述训练业务数据按预设比例划分成训练集和测试集；
采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型；
采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。
第二方面，本申请实施例提供一种数据监控方法，包括：
获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；
基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；
采用所述目标预测模型对所述监控业务数据进行预测，获取预测业务数据。
第三方面，本申请实施例提供一种预测模型训练装置，包括：
训练业务数据获取模块，用于对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；
数据划分模块，用于将所述训练业务数据按预设比例划分成训练集和测试集；
原始预测模型获取模块，用于采用所述训练集对长短时记忆循环神经网络模型进行训练，获取原始预测模型；
目标预测模型获取模块，用于采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。
第四方面，本申请实施例提供一种数据监控装置，包括:
数据监控指令获取模块，用于获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；
监控业务数据获取模块，用于基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；
预测业务数据获取模块，用于采用所述目标预测模型对所述监控业务数据进行预测，获取预测业务数据。
第五方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；
将所述训练业务数据按预设比例划分成训练集和测试集；
采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型；
采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。
第六方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；
基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；
采用目标预测模型对所述监控业务数据进行预测，获取预测业务数据；其中，所述目标预测模型是采用所述预测模型训练方法获取到的模型。
第七方面，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存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：
对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；
将所述训练业务数据按预设比例划分成训练集和测试集；
采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型；
采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。
获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；
基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；
采用目标预测模型对所述监控业务数据进行预测，获取预测业务数据；其中，所述目标预测模型是采用所述预测模型训练方法获取到的模型。
本申请实施例提供的预测模型训练方法、装置、设备及介质中，通过获取到的原始业务数据进行时间标注并按照预设期限进行划分，得到携带时序状态的训练业务数据，从而增加训练业务数据的时序性，提高预测模型的准确率。然后采用长短时记忆循环神经网络模型进行训练，得到原始预测模型，使得原始预测模型训练具有效率快且准确率高的优点。最后再采用测试集中的训练业务数据对原始预测模型进行测试，得到目标预测模型，以提高目标预测模型进行预测的准确率，并且由于训练业务数据具有时序性，使得获取的目标预测模型也具有时序性。
本申请实施例提供的数据监控方法、装置、设备及介质中，通过采用目标预测模型对当前时间以前预设期限内的与监控指标相对的历史业务数据即监控业务数据进行监控，具有时序性强、准确率高的优点从而增加了数据监控结果的时序性和准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例， 对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例1中提供的预测模型训练方法的一流程图。
图2是图1中步骤S130的一具体示意图。
图3是图2中步骤S131的一具体示意图。
图4是本申请实施例2中提供的预测模型训练装置的一示意图。
图5是本申请实施例3中提供的数据监控方法的一流程图。
图6是本申请实施例3中提供的数据监控方法的另一流程图。
图7是本申请实施例3中提供的数据监控方法的又一流程图。
图8是本申请实施例4中提供的数据监控装置的一示意图。
图9是本申请实施例6中提供的终端设备的一示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例1
图1示出本实施例中预测模型训练方法的流程图。该预测模型训练方法应用在银行、证券、保险等金融机构或者其他机构配置的终端设备上，用于利用金融机构或其他机构产生的业务数据进行预测模型训练，以便基于训练好的预测模型对未来业务数据进行预测，以实现人工智能监控的目的。如图1所示，该预测模型训练方法包括如下步骤：
S110：对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据。
其中，原始业务数据是金融机构或其他机构中生产经营过程中形成的业务数据。该业务数据包括但不限于本实施例中的销售额、签单量、业务员出勤率、接待客户数和宣传活动量等数据。具体地，对原始业务数据进行时间标注是指使原始业务数据携带时间标签，该时间标签可以是形成原始业务数据当天的时间。如若原始业务数据为6月7号的销售额，则其原始业务数据的时间标签为6月7日。
本实施例中，采用Hadoop大数据平台采集金融机构或其他机构每天形成的原始业务 数据，并对统计的原始业务数据进行时间标注。Hadoop大数据平台可使用户在不了解分布式底层细节的情况下，开发分布式程序，并进行高速运算和存储，以提高原始业务数据的采集效率。其中，Hadoop是指一种分布式***基础架构，Hadoop实现了一个分布式文件***(Hadoop Distributed File System，以下简称HDFS)。HDFS有高容错性的特点，并设计用来部署在低廉的硬件上，且可提供高吞吐量来访问应用程序的数据，适合有着超大数据集的应用程序，使得采用Hadoop大数据平台采用原始业务数据具有采集效率高的优点。
具体地，预设期限是预先设定好的用于划分带有时序状态的训练业务数据的期限，该预设期限可以是1个月、2个月、半年或者其他期限值。若预设期限为1个月，则在对原始业务数据进行时间标注并按预设期限进行划分时，需将对原始业务数据进行时间标注后形成的携带时间标签的原始业务数据中连续1个月中的原始业务数据作为1个携带时序状态的训练业务数据。即若预设期限为1个月，所要训练的预测模型为采用预设期限内的原始业务数据预测预设期限后1-N天的未来业务数据时，其形成的携带时序状态的训练业务数据可以采用(预设期限内的原始业务数据，预设期限后1-N天的原始业务数据)这种形式表示。其中，N为大于1的整数。如本实施例中可以采用(6月1号-6月30号的原始业务数据，7月1号的原始业务数据)、(6月2号-7月1号的原始业务数据，7月2号的原始业务数据)等作为一携带时序状态的训练业务数据。
S120：将训练业务数据按预设比例划分成训练集和测试集。
其中，预设比例是预先设定好的，用于对训练业务数据进行分类的比例。该预设比例可以是根据历史经验获取的比例。其中，训练集(training set)是学习样本数据集，是通过匹配一些参数来建立分类器，即采用训练集中的训练业务数据训练机器学习模型，以确定机器学习模型的参数。测试集(test set)是用于测试训练好的机器学习模型的分辨能力，如识别率。本实施例中，可按照9:1的比例对训练业务数据进行分类，即可将90％的训练业务数据作为训练集，剩余10％的数据作为测试集。
S130：采用长短时记忆循环神经网络模型对训练集进行训练，获取原始预测模型。
长短时递归神经网络(long-short term memory，以下简称LSTM)模型是一种时间递归神经网络模型，适合于处理和预测具有时间序列，且时间序列间隔和延迟相对较长的重要事件。LSTM模型具有时间记忆功能，因而用来处理携带时序状态的训练业务数据。LSTM模型是具有长时记忆能力的神经网络模型中的一种，具有输入层、隐藏层和输出层这三层网络结构。其中，输入层是LSTM模型的第一层，用于接收外界信号，即负责接收训练集 中的携带时序状态的训练业务数据。输出层是LSTM模型的最后一层，用于向外界输出信号，即负责输出LSTM模型的计算结果。隐藏层是LSTM模型中除输入层和输出层之外的各层，用于对训练集中的训练业务数据进行处理，获取LSTM模型的计算结果。其中，原始预测模型是采用LSTM模型对训练集中携带时序状态的训练业务数据进行多次迭代并验证所得到的模型。可以理解地，采用LSTM模型进行模型训练增加了训练业务数据的时序性，从而提高了预测模型的准确率。本实施例中，LSTM模型的输出层采用Softmax(回归模型)进行回归处理，用于分类输出权重矩阵。Softmax(回归模型)是一种常用于神经网络的分类函数，它将多个神经元的输出，映射到[0,1]区间内，可以理解成概率，计算起来简单方便，从而来进行多分类输出，使其输出结果更准确。
可以理解地，采用长短时记忆循环神经网络模型对训练集进行训练，以获取原始预测模型时，还可按一定比例将训练集中部分携带时序状态的训练业务数据划分为验证集(Validation set)。验证集可以调整学习出来的模型的分类器的参数，确定网络结构或者控制模型复杂程序的参数。本实施中，将原训练集中的训练业务数据，按8：1的比例对训练业务数据进行分类，使得训练集、验证集和测试集中的训练业务数据的比例为8：1：1。
在一具体实施方式中，如图2所示，步骤S130中，采用长短时记忆循环神经网络模型对训练集进行训练，以获取原始预测模型，具体包括如下步骤：
S131：采用随时间反向传播算法对训练集进行训练，获取原始状态模型。
随时间反向传播(Backpropagation Through Time，以下简称BPTT)算法是应用在基于时序数据的神经网络模型中的优化算法，BPTT算法是一种非常直观的方法，传播路径是个循环路径，并且传播路径上的参数是可共享参数。BPTT算法包括前向传播(Forward Propagation)算法和反向传播(Back Propagation)算法。其中，前向传播(Forward Propagation)算法是依据时间的顺序进行处理；而反向传播(Back Propagation)算法是从最后一个时间将累积的残差传递回来并进行神经网络模型训练。其中，原始状态模型是指经过BPTT算法的多次迭代所得到的模型。本实施例中，将BPTT算法应用在LSTM模型中对训练集进行训练，具体为采用前向传播(Forward Propagation)算法和反向传播(Back Propagation)算法对训练集中的训练业务数据进行处理，以获取原始状态模型，具有时序性强、准确率高的优点。
在一具体实施方式中，如图3所示，步骤S131中，采用随时间反向传播算法对训练集进行训练，获取原始状态模型，具体包括如下步骤：
S1311：采用前向传播算法对训练集进行训练，获取原始状态模型的第一状态参数；前向传播算法的计算公式为
Figure PCTCN2017108533-appb-000001
和
Figure PCTCN2017108533-appb-000002
其中，St表示当前时刻隐藏层的输出；
Figure PCTCN2017108533-appb-000003
表示隐藏层上一时刻到当前时刻的权值；
Figure PCTCN2017108533-appb-000004
表示输入层到输出层的权值；
Figure PCTCN2017108533-appb-000005
表示当前时刻的预测输出；
Figure PCTCN2017108533-appb-000006
表示隐藏层到所述输出层的权值。
其中，采用前向传播(Forward Propagation)算法对训练集进行训练，是指依据训练集中训练业务数据所携带的时序状态的先后顺序，采用前向传播计算公式对训练业务数据进行训练。其中，第一状态参数是指基于训练业务数据进行模型训练时初始迭代过程所得到的参数。
可以理解地，前向传播算法是将当前时刻的输入Xt以及上一时刻的隐藏单元的输出St-1，即LSTM模型中隐藏层内的记忆单元的输出St-1作为隐藏层的输入，之后通过激活函数tanh(双曲正切)的变换得到隐藏层当前时刻的输出St，t时刻的预测输出则用
Figure PCTCN2017108533-appb-000007
表示，U表示隐藏层上一时刻到当前时刻的权值，W表示从输入层到隐藏层的权值，V表示从隐藏层到输出层的权值。由此可知，预测输出
Figure PCTCN2017108533-appb-000008
与当前时刻的输出St相关，St包括了t时刻的输入与t-1时刻的状态，使得预测输出保留了时间序列上所有的信息，具有时序性。由于线性模型的表达能力不够，本实施例中采用tanh(双曲正切)作为激活函数，可加入非线性因素使得训练出的原始预测模型能够解决更复杂的问题。并且，激活函数tanh(双曲正切)具有收敛速度快的优点，可以节省训练时间，增加训练效率。
S1312：采用后向传播算法对第一状态参数进行误差计算，获取原始状态模型的第二状态参数；后向传播算法的计算公式为
Figure PCTCN2017108533-appb-000009
其中，
Figure PCTCN2017108533-appb-000010
表示t时刻的预测输出；ot表示t时刻与
Figure PCTCN2017108533-appb-000011
对应的真实值。
具体地，采用后向传播(Back Propagation)算法对第一状态参数进行误差计算，是指按照时间反向的顺序更新优化参数，即本实施例中的U、V和W这三个权重参数。本实施例中，误差计算是将后向传播第t时刻的损失函数定义为交叉熵来进行计算，即采用公式
Figure PCTCN2017108533-appb-000012
进行计算。最后根据链式求导法计算出每一层的偏导即计算出
Figure PCTCN2017108533-appb-000013
和
Figure PCTCN2017108533-appb-000014
基于这三个变化率来更新U、V和W这三个权值参数，以获取调节后的状态参数。其 中，
Figure PCTCN2017108533-appb-000015
由此可知我们只需对每一时刻的损失函数计算偏导数再相加即可得到上述三个变化率从而更新权重参数。由于梯度会随着反向传播层数的递增而成指数增长造成梯度消失的现象，本实施例中采用交叉熵损失函数与tanh激活函数配合能够很好的解决梯度消失的问题，增加训练的准确率。
S1313：基于第二状态参数，获取原始状态模型。
其中，原始状态模型是基于步骤S1312获取到的第二状态参数经过多次迭代后，使第二状态参数收敛后形成的模型。本实施例中，步骤S1311-S1313的训练过程中，采用交叉熵损失函数与激活函数tanh(双曲正切)配合能够很好的解决梯度消失的问题，增加训练的准确率；并且，激活函数tanh(双曲正切)具有收敛速度快的优点，可以节省训练时间，增加训练效率。
S132：采用R-square方法对原始状态模型进行检验，获取原始预测模型。
其中，R-square称为方程的确定系数，0-1之间，越接近1，表明方程的变量对y的解释能力越强。本实施例中，利用验证集中的训练业务数据作为检验样本，来检验由步骤S1313获取到的原始状态模型。可以理解地，利用验证集中的训练业务数据通过R-square方法对原始状态模型的拟合程度进行检验，从而确定模型的结构，以获取原始预测模型。
具体地，R-square方法的公式为，
Figure PCTCN2017108533-appb-000016
Figure PCTCN2017108533-appb-000017
为回归平方和，
Figure PCTCN2017108533-appb-000018
为总偏差平方和。可以理解地，R-square的大小决定模型拟合程度的好坏，模型的R-square越大说明拟合程度越好。本实施例中，在每次迭代运算过程，获取R-square值，并将R-square值与预设拟合值进行比较，若R-square值大于预设拟合值，则说明该原始状态模型拟合较好，即收敛效果较好，可将该原始状态模型作为原始预测目标。
本实施例中，采用随时间反向传播算法对训练集中的训练业务数据进行训练，由于前向传播算法处理过程具有时序性强和收敛速度快的优点，而后向传播算法处理过程可使预测模型训练具有效率快且准确率高的优点。而且，采用R-square方法利用验证集中的训练业务数据对原始状态模型做进一步的验证，提高了原始预测模型的准确率。
S140：采用测试集对原始预测模型进行测试，获取目标预测模型。
本实施例中，由于测试集中携带时序状态的训练业务数据可以采用(预设期限内的原始业务数据，预设期限后1-N天的原始业务数据)这种形式表示，将测试集中每一训练业务数据中预设期限内的原始业务数据输入原始预测模型进行测试，获取得到原始预测数据； 再将该原始预测数据与训练业务数据中真实的预设期限后1-N天的原始业务数据进行比较，获取两者的差值，判断该差值是否在预设范围内；若该差值在预设范围内，则认定预测结果准确；反之，若该差值不在预设范围内，则认定预测结果不准确。该预设范围是用于评价预测结果是否准确的范围值。
可以理解地，步骤S140中，将测试集中所有训练业务数据输入原始预测模型进行测试，获取预测结果准确的概率(即将所有预测结果准确的数量除以训练集中所有训练业务数据的数量)。再判断预测结果准确的概率是否大于预设概率，若预测结果准确的概率大于预设概率，则认定该原始预测模型较准确，以将该原始预测模型作为目标预测模型；反之，若预测结果准确的概率不大于预设概率，则认定该原始预测结果不够准确，仍需再采用步骤S110-S130进行训练后，再次进行测试。
本实施例中所提供的预测模型训练方法中，通过获取到的原始业务数据进行时间标注并按照预设期限进行划分，得到携带时序状态的训练业务数据，从而增加训练业务数据的时序性，提高预测模型的准确率。然后采用长短时记忆循环神经网络模型进行训练，得到原始预测模型，使得原始预测模型训练具有效率快且准确率高的优点。最后再采用测试集中的训练业务数据对原始预测模型进行测试，得到目标预测模型，以提高目标预测模型进行预测的准确率，并且由于训练业务数据具有时序性，使得获取的目标预测模型也具有时序性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例2
图4示出与实施例1中预测模型训练方法一一对应的预测模型训练装置的原理框图。如图4所示，该预测模型训练装置包括训练业务数据获取模块110、数据划分模块120、原始预测模型获取模块130和目标预测模型获取模块140。其中，训练业务数据获取模块110、数据划分模块120、原始预测模型获取模块130和目标预测模型获取模块140的实现功能与实施例1中预测模型训练方法对应的步骤一一对应，为避免赘述，本实施例不一一详述。
训练业务数据获取模块110，用于对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据。
数据划分模块120，用于将训练业务数据按预设比例划分成训练集和测试集。
原始预测模型获取模块130，用于采用长短时记忆循环神经网络模型对训练集进行训 练，获取原始预测模型。
优选地，原始预测模型获取模块130包括原始状态模型获取单元131和原始预测模型获取单元132。
原始状态模型获取单元131，用于采用随时间反向传播算法对训练集进行训练，获取原始状态模型。
原始预测模型获取单元132，用于采用R-square方法对原始状态模型进行检验，获取原始预测模型。
优选地，原始状态模型获取单元131包括第一状态参数获取子单元1311、第二状态参数获取子单元1312和原始状态模型获取子单元1313。
第一状态参数获取子单元1311，用于采用前向传播算法对训练集进行训练，获取原始状态模型的第一状态参数。
第二状态参数获取子单元1312，用于采用后向传播算法对第一状态参数进行误差计算，获取原始状态模型的第二状态参数。
原始状态模型获取子单元1313，用于基于第二状态参数，获取原始状态模型。
目标预测模型获取模块140，用于采用测试集对原始预测模型进行测试，获取目标预测模型。
实施例3
图5示出本实施例中的数据监控方法。该数据监控方法可应用在银行、证券、保险等金融机构或者需进行数据监控的其他机构配置的终端设备上，以便基于采集到的原始业务数据实现对未来业务数据的监控，及时作出调整策略。如图N所示，该数据监控方法包括如下步骤：
S210：获取数据监控指令，数据监控指令包括当前时间、预设期限和监控指标。
其中，数据监控指令是指用于控制终端设备执行业务数据监控的指令。当前时间是终端设备的***时间，该当前时间具体***当天。监控指标是指所要监控的业务数据的类别，该监控指标可对应一具体业务数据。因此，监控指标包括但不限于销售额、签单量、业务员出勤率、接待客户数和宣传活动量等数据。预设期限是预先设定好的期限，该预设期限用于确定监控预测所对应的历史业务数据。本实施例中的预设期限与实施例1中的预设期限相同，以保证实施例1中训练获取到的目标预测模型可应用在本实施例中进行业务数据监控，提高数据预测的准确性。
S220：基于数据监控指令获取监控业务数据，监控业务数据具体为当前时间以前预设 期限内的与监控指标相对的历史业务数据。
其中，历史业务数据是当前时间以前金融机构或其他机构在生产经营过程中形成的业务数据，该历史业务数据存储在Hadoop大数据平台中。终端设备在获取数据监控指令后，可基于该数据监控指令中的监控指标获取与该监控指标相对应的所有历史业务数据，在从所有历史业务数据中选取当前时间以前并且预设期限内的历史业务数据作为监控业务数据。
具体地，监控业务数据具体为当前时间以前预设期限内的与监控指标相对的历史业务数据，说明本实施例中采用“滚动”方式确定监控业务数据。即若预设期限为T，当前时间为预测的第一天，则将预测的第一天以前过去T时间内的历史业务数据作为监控业务数据；若当前时间为预测的第二天，则将预测的第一天以及过去T-1天内的历史业务数据作为监控业务数据；如预设期限为30天，当前时间为7月1日，则其监控业务数据为6月1日-6月30日这30天的历史业务数据，其所要预测的业务数据为7月1日或7月1日以后的数据。这种“滚动”方式确定监控业务数据，可使得监控业务数据的时序性更强，增加监控结果的准确率。
S230：采用目标预测模型对监控业务数据进行预测，获取预测业务数据。
其中，目标预测模型是采用实施例1中的预测模型训练方法获取到的模型，该目标预测模型具有时序性好、预测效率快且准确率高的优点，使得步骤S230采用目标预测模型对监控业务数据进行预测时，可快速获取较准确的预测业务数据，以便企业基于该预测业务数据，了解按当前趋势发展可能的业务数据，以便进行决策调整。
在一具体实施方式中，如图6所示，该数据监控方法中，步骤S230之后还包括如下步骤：
S240：获取与监控指标对应的标准业务数据。
其中，标准业务数据是指企业预先制定的业务数据，该标准业务数据与企业年度规划相应用。如企业在制定年度规划时，需对每个月销售额、签单量、业务员出勤率、接待客户数和宣传活动量等业务数据进行月度规划，确定每月的业务数据为标准业务数据。或者，企业在制作月度规划时，需对每天销售额、签单量、业务员出勤率、接待客户数和宣传活动量等业务数据进行规划，确定每天的标准业务数据。可以理解地，该标准业务数据可以是一个标准值，也可以是一个标准范围。
S250：基于预测业务数据和标准业务数据，判断预测业务数据是否符合标准业务数据。
其中，预测业务数据是步骤S230中采用目标预测模型对监控业务数据进行预测后获 取的数据，其为预测值。在判断预测业务数据是否符合标准业务数据时，若标准业务数据为具体的标准值时，则判断预测业务数据是否大于或小于标准业务数据，以确定预测业务数据是否符合标准业务数据。如预测业务数据为销售量时，则预测业务数据大于标准业务数据时，预测业务数据符合标准业务数据；反之，预测业务数据不大于标准业务数据时，预测业务数据不符合标准业务数据，需提醒监控人员注意。如预测业务数据为客户投诉量，则预测业务数据小于标准业务数据时，测业务数据符合标准业务数据；反之，若预测业务数据不小于标准业务数据时，测业务数据不符合标准业务数据，需提醒监控人员注意。若标准业务数据为一标准范围，则预测业务数据在标准范围内时，认定预测业务数据符合标准业务数据；反之，预测业务数据不在标准范围内时，认定预测业务数据不符合标准业务数据。
S260：若预测业务数据不符合标准业务数据，则获取监控数据异常的监控结果。
可以理解地，根据步骤S250确定预测业务数据不符合标准业务数据时，获取到监控数据异常的监控结果，以使企业的监控人员基于该监控结果进行决策调整。
本实施例所提供的数据监控方法中，通过步骤S240-S260，以将获取到的预测业务数据与用户预先设置的标准业务数据进行比较判断，以确定是否存在监控数据异常的监控结果，从而基于该监控结果提醒企业内部管理人员进行决策调整。而且，该预测业务数据是采用实施例1中获取的目标预测模型对监控业务数据进行预测后获取的，可快速获取较准确的预测业务数据，以便企业基于该预测业务数据，了解按当前趋势发展可能的业务数据，以便进行决策调整。
进一步地，本实施例中步骤S210中获取的数据监控指令还可以包括监控邮箱。在终端设备执行步骤S210-S230获取预测业务数据时，可将预测业务数据发送到监控邮箱，以使监控邮箱的使用者可根据预测业务数据了解企业当前发送的趋势，并相应进行决策调整。或者，在终端设备执行步骤S240-S260获取监控数据异常的监控结果时，将该监控结果发送给监控邮箱，以使监控邮箱的使用都可根据该监控结果了解依据企业当前发展趋势，能否实现企业预先制定的标准业务数据，从而决定是否需要进行决策调整，从而优化企业的生产经营活动。
进一步地，本实施例中步骤S210中获取的数据监控指令具体为实时监控指令，该定时监控指令不仅包括当前时间、预设期限和监控指标，还可包括触发时间点和监控邮箱。触发时间点是用于触发终端设备执行步骤S220-S230或者执行步骤S230-S260的时间点。如可设置定时监控指令中触发时间点为每天晚上1点，以控制终端设备在每天晚上1点执 行步骤S220-S230或者执行步骤S230-S260操作。在终端设备基于定时监控指令执行步骤S220-S230的步骤获取预测业务数据时，可将预测业务数据发送到监控邮箱，以使监控邮箱的使用者可根据预测业务数据了解企业当前发送的趋势，并相应进行决策调整。或者，在终端设备基于定时监控指令执行步骤S240-S260获取监控数据异常的监控结果时，将该监控结果发送给监控邮箱，以使监控邮箱的使用都可根据该监控结果了解依据企业当前发展趋势，能否实现企业预先制定的标准业务数据，从而决定是否需要进行决策调整，从而优化企业的生产经营活动。
在一具体实施方式中，步骤S210-S230可获取到一个预测业务数据，该预测业务数据对应一目标时间，该目标时间为预测业务数据对应的时间。由于预测业务数据可以是销售额、签单量、业务员出勤率、接待客户数和宣传活动量等业务数据中一个的预测值。因此，可以重复执行步骤S210-S230，以获取同一目标时间的至少两个预测业务数据。如图7所示，在该具体实施方式所提供的数据监控方法，获取同一目标时间的至少两个预测业务数据，之后还包括如下步骤：
S231：获取每一预测业务数据对应的权重。
本实施例中，预先采用线性回归算法对历史业务数据进行回归处理，获取与历史业务数据相对应的预测业务数据的权重。其中，线性回归算法的计算公式为hθ(x)＝θ0+θ1x1+θ2x2+···+θnxn，其中，hθ(x)为假设函数，各个θ为输入值间的夹角向量，各个x为对应的多个变量向量，即每一种历史业务数据所对应的值。然后，构建代价函数(Cost Function)，若代价函数越小，说明线性回归的拟合程度越好。该代价函数(Cost Function)的表达式如下：
Figure PCTCN2017108533-appb-000019
其中，x(i)表示向量x中的第i个元素，即第i种业务数据；y(i)表示向量y中的第i个元素，即第i种业务数据所对应的销售额；hθ(x(i))表示已知的假设函数，m为业务数据的种类数量。之后，根据梯度下降法找出代价函数(cost function)的最小值，先确定向下一步的步伐大小，再任意给定一个初始值θ0,θ1，确定一个向下的方向，并向下走预先规定的步伐，并更新θ0,θ1，当下降的高度小于某个定义的值，则停止下降。该梯度下降法的表达式为
Figure PCTCN2017108533-appb-000020
通过计算每一θ的值获取每一种历史业务数据对应的权重，即获取每一预测业务数据对应的权重。
S232：采用加权运算算法对至少两个预测业务数据和对应的权重进行处理，以获取目标时间的预测指标值；加权运算算法为Pi＝Σ(±viwi)，其中，Pi为预测指标值，vi为预测业务数据，wi是每一种预测业务数据的权重。
其中，预测指标值是对至少两个预测业务数据进行加权运算处理后获取的值。可以理解地，预测指标值是对至少两个预测业务数据进行综合评估后获取的评估值。由于在预测指标数据确定过程中，部分预测业务数据对预测指标值起正向作用(其值越大越好)，计算时需使该部分预测业务数据以各自权重的值取正数；反之，部分预测业务数据对预测指标值越反向作用(其值越小越好，如客户投诉量等)，计算需使该部分预测业务数据以各自权重的值取负数。
S233：获取与目标时间对应的目标指标值。
其中，目标指标值是企业预先设定好的至少两个业务数据进行综合评估的指标值。本实施例中的，该目标指标值是根据至少两个标准业务数据采用上述加权运算算法获取到的标准值，该目标指标值存储在与终端设备相连的数据库中，以便使用时直接基于目标时间段进行调用，提高目标指标值的获取效率。
可以理解地，步骤S231-S232和步骤S233无执行先后顺序限制，可以先执行步骤S231-S232再执行步骤S233，也可以先执行步骤S233再执行步骤S231-S232。
S234：判断预测指标值是否符合目标指标值。
即判断步骤S232获取的预测指标值和步骤S233获取的目标指标值，判断预测指标值是否符合目标指标值。本实施例中，在预测指标值和目标指标值均为一具体数值时，若预测指标值大于目标指标值，则认定预测指标值符合目标指标值；反之，若预测指标值不大于目标指标值，则认定预测指标值不符合目标指标值。或者，在预测指标值和目标指标值均为数据范围时，若预测指标值在目标指标值对应的数据范围内，则认定预测指标值符合目标指标值；反之，若预测指标值不在目标指标值对应的数据范围内，则认定预测指标值不符合目标指标值。
S235：若预测指标值不符合目标指标值，则获取提醒信息。
可以理解地，根据步骤S234确定预测指标值不符合目标指标值时，获取提醒信息，以使企业的监控人员基于该提醒信息进行决策调整。进一步地，本实施例中步骤S210中获取的数据监控指令还可以包括监控邮箱或者联系电话；执行步骤S231-S235获取到提醒信息后，则将该提醒信息发送到监控邮箱或联系电话中，以使相关人员可根据提醒信息了解企业当前发展趋势，进而决定是否需要进行决策调整。
本实施例所提供的数据监控方法中，通过步骤S231-S235，以使企业的相关人员根据获取的提醒信息，从宏观层面了解企业当前发展趋势，以便于企业能够及时调整策略，进而优化企业的生产经营活动。
实施例4
图8示出与实施例3中数据监控方法一一对应的数据监控装置的原理框图。如图8所示，该数据监控装置包括数据监控指令获取模块210、监控业务数据获取模块220、预测业务数据获取模块230、标准业务数据获取模块240、预测业务数据判断模块250和监控结果获取模块260。而且，该数据监控装置还包括权重获取模块231、预测指标值获取模块232、目标指标值获取模块233、预测指标值判断模块234和提醒信息获取模块235。其中，数据监控指令获取模块210、监控业务数据获取模块220、预测业务数据获取模块230、标准业务数据获取模块240、预测业务数据判断模块250和监控结果获取模块260的实现功能与实施例3中数据监控方法对应的步骤一一对应，为避免赘述，本实施例不一一详述。
数据监控指令获取模块210，用于获取数据监控指令，数据监控指令包括当前时间、预设期限和监控指标。
监控业务数据获取模块220，用于基于数据监控指令获取监控业务数据，监控业务数据具体为当前时间以前预设期限内的与监控指标相对的历史业务数据。
预测业务数据获取模块230，用于采用目标预测模型对监控业务数据进行预测，获取预测业务数据。
标准业务数据获取模块240，用于获取与监控指标对应的标准业务数据。
预测业务数据判断模块250，用于基于预测业务数据和标准业务数据，判断预测业务数据是否符合标准业务数据。
监控结果获取模块260，用于若预测业务数据不符合标准业务数据，则获取监控数据异常的监控结果。
优选地，权重获取模块231，用于获取每一预测业务数据对应的权重。
预测指标值获取模块232，用于采用加权运算算法对至少两个预测业务数据和对应的权重进行处理，以获取目标时间的预测指标值。
目标指标值获取模块233，用于获取与目标时间对应的目标指标值。
预测指标值判断模块234，用于判断预测指标值是否符合目标指标值。
提醒信息获取模块235，若预测指标值不符合目标指标值，则获取提醒信息。
实施例5
本实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机可读指令，该计算机可读指令被处理器执行时实现实施例1中预测模型训练方法，为避免重复，这里不再赘述。或者，该计算机可读指令被处理器执行时实现实施例2中预测模型训练装置中各模块/单元的功能，为避免重复，这里不再赘述。或者，该计算机可读指令被处理器执行时实现实施例3中数据监控方法中各步骤的功能，为避免重复，此处不一一赘述。或者，该计算机可读指令被处理器执行时实现实施例4中数据监控装置中各模块/单元的功能，为避免重复，此处不一一赘述。
实施例6
图9是本申请一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备90包括：处理器91、存储器92以及存储在存储器92中并可在处理器91上运行的计算机可读指令93。处理器91执行计算机可读指令93时实现上述各个预测模型训练方法实施例中的步骤，例如图1所示的步骤S110至S140。或者，处理器91执行计算机可读指令93时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块110至140的功能。或者，处理器91执行计算机可读指令93时实现上述各个数据监控方法实施例中的步骤，例如图5所示的步骤S210至S230。或者，例如图6所示的步骤S210至S260。或者，例如图7所示的步骤S231至S235。或者，处理器91执行计算机可读指令93时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块210至260的功能。
示例性的，计算机可读指令93可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器92中，并由处理器91执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述计算机可读指令93在终端设备90中的执行过程。例如，计算机可读指令93可以被分割成实施例2中的训练业务数据获取模块110、数据划分模块120、原始预测模型获取模块130和目标预测模型获取模块140，或者实施例4中的数据监控指令获取模块210、监控业务数据获取模块220、预测业务数据获取模块230、权重获取模块231、预测指标值获取模块232、目标指标值获取模块233、预测指标值判断模块234、提醒信息获取模块235、标准业务数据获取模块240、预测业务数据判断模块250和监控结果获取模块260，各模块的具体功能如实施例2或实施例4所述，在此不一一赘述。
终端设备90可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器91、存储器92。本领域技术人员可以理解，图9仅 仅是终端设备90的示例，并不构成对终端设备90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，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器91可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，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。
存储器92可以是终端设备90的内部存储单元，例如终端设备90的硬盘或内存。存储器92也可以是终端设备90的外部存储设备，例如终端设备90上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。具体地，存储器92还可以既包括终端设备90的内部存储单元也包括外部存储设备。存储器92用于存储计算机可读指令以及终端设备所需的其他程序和数据。存储器92还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令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可读指令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是电载波信号和电信信号。
以上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精神和范围，均应包含在本申请的保护范围之内。

Claims (20)

  1. 一种预测模型训练方法，其特征在于，包括：
    对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；
    将所述训练业务数据按预设比例划分成训练集和测试集；
    采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型；
    采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。
  2. 如权利要求1所述的预测模型训练方法，其特征在于，所述采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型，包括：
    采用随时间反向传播算法对所述训练集进行训练，获取原始状态模型；
    采用R-square方法对所述原始状态模型进行检验，获取所述原始预测模型。
  3. 如权利要求2所述的预测模型训练方法，其特征在于，所述采用随时间反向传播算法对所述训练集进行训练，获取原始状态模型，包括：
    采用前向传播算法对所述训练集进行训练，获取所述原始状态模型的第一状态参数；所述前向传播算法的计算公式为
    Figure PCTCN2017108533-appb-100001
    和
    Figure PCTCN2017108533-appb-100002
    其中，St表示当前时刻隐藏层的输出；
    Figure PCTCN2017108533-appb-100003
    表示隐藏层上一时刻到所述当前时刻的权值；
    Figure PCTCN2017108533-appb-100004
    表示输入层到输出层的权值；
    Figure PCTCN2017108533-appb-100005
    表示所述当前时刻的预测输出；
    Figure PCTCN2017108533-appb-100006
    表示所述隐藏层到所述输出层的权值；
    采用后向传播算法对所述第一状态参数进行误差计算，获取所述原始状态模型的第二状态参数；所述后向传播算法的计算公式为
    Figure PCTCN2017108533-appb-100007
    其中，
    Figure PCTCN2017108533-appb-100008
    表示t时刻的预测输出；ot表示所述t时刻与
    Figure PCTCN2017108533-appb-100009
    对应的真实值；
    基于所述第二状态参数，获取所述原始状态模型。
  4. 一种数据监控方法，包括：
    获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；
    基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；
    采用目标预测模型对所述监控业务数据进行预测，获取预测业务数据；其中，所述目 标预测模型是采用权利要求1-3任一项所述预测模型训练方法获取到的模型。
  5. 如权利要求4所述的数据监控方法，其特征在于，所述采用所述目标预测模型对所述监控业务数据进行预测，获取预测业务数据，之后还包括：
    获取与所述监控指标对应的标准业务数据；
    基于所述预测业务数据和所述标准业务数据，判断所述预测业务数据是否符合所述标准业务数据；
    若所述预测业务数据不符合所述标准业务数据，则获取监控数据异常的监控结果。
  6. 如权利要求4所述的数据监控方法，其特征在于，所述获取预测业务数据，包括：获取同一目标时间的至少两个预测业务数据；
    所述获取同一目标时间的至少两个预测业务数据，之后还包括：
    获取每一所述预测业务数据对应的权重；
    采用加权运算算法对至少两个所述预测业务数据和对应的权重进行处理，以获取所述目标时间的预测指标值；所述加权运算算法为Pi＝Σ(±viwi)，其中，Pi为预测指标值，vi为所述预测业务数据，wi是每一种所述预测业务数据的权重；
    获取与所述目标时间对应的目标指标值；
    判断所述预测指标值是否符合所述目标指标值；
    若所述预测指标值不符合所述目标指标值，则获取提醒信息。
  7. 一种预测模型训练装置，其特征在于，包括：
    训练业务数据获取模块，用于对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；
    数据划分模块，用于将所述训练业务数据按预设比例划分成训练集和测试集；
    原始预测模型获取模块，用于采用所述训练集对长短时记忆循环神经网络模型进行训练，获取原始预测模型；
    目标预测模型获取模块，用于采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。
  8. 一种数据监控装置，其特征在于，包括：
    数据监控指令获取模块，用于获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；
    监控业务数据获取模块，用于基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；
    预测业务数据获取模块，用于采用目标预测模型对所述监控业务数据进行预测，获取预测业务数据，其中，所述目标预测模型是采用权利要求1-3任一项所述预测模型训练方法获取到的模型。
  9. 一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：
    对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；
    将所述训练业务数据按预设比例划分成训练集和测试集；
    采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型；
    采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。
  10. 如权利要求9所述的终端设备，其特征在于，所述采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型，包括：
    采用随时间反向传播算法对所述训练集进行训练，获取原始状态模型；
    采用R-square方法对所述原始状态模型进行检验，获取所述原始预测模型。
  11. 如权利要求10所述的终端设备，其特征在于，所述采用随时间反向传播算法对所述训练集进行训练，获取原始状态模型，包括：
    采用前向传播算法对所述训练集进行训练，获取所述原始状态模型的第一状态参数；所述前向传播算法的计算公式为
    Figure PCTCN2017108533-appb-100010
    和
    Figure PCTCN2017108533-appb-100011
    其中，St表示当前时刻隐藏层的输出；
    Figure PCTCN2017108533-appb-100012
    表示隐藏层上一时刻到所述当前时刻的权值；
    Figure PCTCN2017108533-appb-100013
    表示输入层到输出层的权值；
    Figure PCTCN2017108533-appb-100014
    表示所述当前时刻的预测输出；
    Figure PCTCN2017108533-appb-100015
    表示所述隐藏层到所述输出层的权值；
    采用后向传播算法对所述第一状态参数进行误差计算，获取所述原始状态模型的第二状态参数；所述后向传播算法的计算公式为
    Figure PCTCN2017108533-appb-100016
    其中，
    Figure PCTCN2017108533-appb-100017
    表示t时刻的预测输出；ot表示所述t时刻与
    Figure PCTCN2017108533-appb-100018
    对应的真实值；
    基于所述第二状态参数，获取所述原始状态模型。
  12. 一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下 步骤：
    获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；
    基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；
    采用目标预测模型对所述监控业务数据进行预测，获取预测业务数据；其中，所述目标预测模型是采用权利要求1-3任一项所述预测模型训练方法获取到的模型。
  13. 如权利要求12所述的终端设备，其特征在于，所述采用所述目标预测模型对所述监控业务数据进行预测，获取预测业务数据，之后还包括：
    获取与所述监控指标对应的标准业务数据；
    基于所述预测业务数据和所述标准业务数据，判断所述预测业务数据是否符合所述标准业务数据；
    若所述预测业务数据不符合所述标准业务数据，则获取监控数据异常的监控结果。
  14. 如权利要求12所述的终端设备，其特征在于，所述获取预测业务数据，包括：获取同一目标时间的至少两个预测业务数据；
    所述获取同一目标时间的至少两个预测业务数据，之后还包括：
    获取每一所述预测业务数据对应的权重；
    采用加权运算算法对至少两个所述预测业务数据和对应的权重进行处理，以获取所述目标时间的预测指标值；所述加权运算算法为Pi＝Σ(±viwi)，其中，Pi为预测指标值，vi为所述预测业务数据，wi是每一种所述预测业务数据的权重；
    获取与所述目标时间对应的目标指标值；
    判断所述预测指标值是否符合所述目标指标值；
    若所述预测指标值不符合所述目标指标值，则获取提醒信息。
  15. 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如下步骤：
    对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；
    将所述训练业务数据按预设比例划分成训练集和测试集；
    采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型；
    采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。
  16. 如权利要求15所述的计算机可读存储介质，其特征在于，所述采用长短时记忆循 环神经网络模型对所述训练集进行训练，获取原始预测模型，包括：
    采用随时间反向传播算法对所述训练集进行训练，获取原始状态模型；
    采用R-square方法对所述原始状态模型进行检验，获取所述原始预测模型。
  17. 如权利要求16所述的计算机可读存储介质，其特征在于，所述采用随时间反向传播算法对所述训练集进行训练，获取原始状态模型，包括：
    采用前向传播算法对所述训练集进行训练，获取所述原始状态模型的第一状态参数；所述前向传播算法的计算公式为
    Figure PCTCN2017108533-appb-100019
    和
    Figure PCTCN2017108533-appb-100020
    其中，St表示当前时刻隐藏层的输出；
    Figure PCTCN2017108533-appb-100021
    表示隐藏层上一时刻到所述当前时刻的权值；
    Figure PCTCN2017108533-appb-100022
    表示输入层到输出层的权值；
    Figure PCTCN2017108533-appb-100023
    表示所述当前时刻的预测输出；
    Figure PCTCN2017108533-appb-100024
    表示所述隐藏层到所述输出层的权值；
    采用后向传播算法对所述第一状态参数进行误差计算，获取所述原始状态模型的第二状态参数；所述后向传播算法的计算公式为
    Figure PCTCN2017108533-appb-100025
    其中，
    Figure PCTCN2017108533-appb-100026
    表示t时刻的预测输出；ot表示所述t时刻与
    Figure PCTCN2017108533-appb-100027
    对应的真实值；
    基于所述第二状态参数，获取所述原始状态模型。
  18. 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如下步骤：
    获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；
    基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；
    采用目标预测模型对所述监控业务数据进行预测，获取预测业务数据；其中，所述目标预测模型是采用权利要求1-3任一项所述预测模型训练方法获取到的模型。
  19. 如权利要求18所述的计算机可读存储介质，其特征在于，所述采用所述目标预测模型对所述监控业务数据进行预测，获取预测业务数据，之后还包括：
    获取与所述监控指标对应的标准业务数据；
    基于所述预测业务数据和所述标准业务数据，判断所述预测业务数据是否符合所述标准业务数据；
    若所述预测业务数据不符合所述标准业务数据，则获取监控数据异常的监控结果。
  20. 如权利要求18所述的计算机可读存储介质，其特征在于，所述获取预测业务数据， 包括：获取同一目标时间的至少两个预测业务数据；
    所述获取同一目标时间的至少两个预测业务数据，之后还包括：
    获取每一所述预测业务数据对应的权重；
    采用加权运算算法对至少两个所述预测业务数据和对应的权重进行处理，以获取所述目标时间的预测指标值；所述加权运算算法为Pi＝Σ(±viwi)，其中，Pi为预测指标值，vi为所述预测业务数据，wi是每一种所述预测业务数据的权重；
    获取与所述目标时间对应的目标指标值；
    判断所述预测指标值是否符合所述目标指标值；
    若所述预测指标值不符合所述目标指标值，则获取提醒信息。
PCT/CN2017/108533 2017-09-20 2017-10-31 预测模型训练方法、数据监控方法、装置、设备及介质 WO2019056499A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710853244.8 2017-09-20
CN201710853244.8A CN107730087A (zh) 2017-09-20 2017-09-20 预测模型训练方法、数据监控方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
WO2019056499A1 true WO2019056499A1 (zh) 2019-03-28

Family

ID=61206686

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/108533 WO2019056499A1 (zh) 2017-09-20 2017-10-31 预测模型训练方法、数据监控方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN107730087A (zh)
WO (1) WO2019056499A1 (zh)

Cited By (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163471A (zh) * 2019-04-10 2019-08-23 阿里巴巴集团控股有限公司 一种异常识别方法和装置
CN110188940A (zh) * 2019-05-24 2019-08-30 深圳市腾讯计算机***有限公司 业务处理方法及装置
CN110288193A (zh) * 2019-05-23 2019-09-27 中国平安人寿保险股份有限公司 任务监控处理方法、装置、计算机设备及存储介质
CN110309153A (zh) * 2019-06-28 2019-10-08 携程旅游信息技术（上海）有限公司 呼叫中心的监控数据的处理方法、***、设备和存储介质
CN110705598A (zh) * 2019-09-06 2020-01-17 中国平安财产保险股份有限公司 智能模型管理方法、装置、计算机设备及存储介质
CN110866528A (zh) * 2019-10-28 2020-03-06 腾讯科技（深圳）有限公司 一种模型训练方法、能耗使用效率预测方法、装置和介质
CN111026626A (zh) * 2019-11-29 2020-04-17 中国建设银行股份有限公司 Cpu消耗量预估、预估模型训练方法及装置
CN111178568A (zh) * 2019-12-31 2020-05-19 中国银行股份有限公司 业务预约请求的处理方法、装置、服务器和存储介质
CN111460913A (zh) * 2020-03-13 2020-07-28 北京理工大学 一种自适应的时序信号方向性预测方法
CN111461862A (zh) * 2020-03-27 2020-07-28 支付宝(杭州)信息技术有限公司 为业务数据确定目标特征的方法及装置
CN111694814A (zh) * 2020-05-27 2020-09-22 平安银行股份有限公司 日期分区表批量扩展方法、装置、计算机设备及存储介质
CN111708561A (zh) * 2020-06-17 2020-09-25 杭州海康消防科技有限公司 算法模型更新***、方法、装置及电子设备
CN111723942A (zh) * 2020-06-29 2020-09-29 南方电网科学研究院有限责任公司 一种企业用电负荷预测方法、电网业务子***及预测***
CN111738463A (zh) * 2020-06-17 2020-10-02 深圳华远云联数据科技有限公司 运维方法、装置、***、电子设备及存储介质
CN111756646A (zh) * 2020-07-08 2020-10-09 腾讯科技（深圳）有限公司 网络传输控制方法、装置、计算机设备及存储介质
CN111767938A (zh) * 2020-05-09 2020-10-13 北京奇艺世纪科技有限公司 一种异常数据检测方法、装置及电子设备
CN111833114A (zh) * 2020-07-27 2020-10-27 北京思特奇信息技术股份有限公司 一种渠道业务发展目标智能预测方法、***、介质及设备
CN111859783A (zh) * 2020-06-22 2020-10-30 重庆大学 水压预测方法、***、存储介质、设备、城市供水***
CN111985713A (zh) * 2020-08-19 2020-11-24 中国银行股份有限公司 数据指标波形预测方法及装置
CN112132394A (zh) * 2020-08-21 2020-12-25 西安交通大学 一种电厂循环水泵预测性状态评估方法及***
CN112148765A (zh) * 2019-06-28 2020-12-29 北京百度网讯科技有限公司 业务数据的处理方法、装置及存储介质
CN112288172A (zh) * 2020-10-30 2021-01-29 国家电网有限公司 台区线损率的预测方法、装置
CN112306788A (zh) * 2019-07-29 2021-02-02 北京京东振世信息技术有限公司 一种程序动态的监控方法和装置
CN112435035A (zh) * 2019-08-09 2021-03-02 阿里巴巴集团控股有限公司 数据的审核方法、装置及设备
CN112529236A (zh) * 2019-09-18 2021-03-19 泰康保险集团股份有限公司 目标对象识别方法、装置、电子设备及存储介质
CN112529158A (zh) * 2020-12-08 2021-03-19 华强方特（深圳）科技有限公司 位置预测方法、装置、计算机设备及存储介质
CN112529624A (zh) * 2020-12-15 2021-03-19 北京百度网讯科技有限公司 生成业务预测模型的方法、装置、设备以及存储介质
CN112560988A (zh) * 2020-12-25 2021-03-26 竹间智能科技（上海）有限公司 一种模型训练方法及装置
CN112560085A (zh) * 2020-12-10 2021-03-26 支付宝(杭州)信息技术有限公司 业务预测模型的隐私保护方法及装置
CN112613224A (zh) * 2020-11-25 2021-04-06 西人马联合测控（泉州）科技有限公司 桥梁结构检测模型的训练方法、检测方法、装置、设备
CN112650661A (zh) * 2020-12-29 2021-04-13 北京嘀嘀无限科技发展有限公司 数据处理质量控制方法、装置、计算机设备和存储介质
CN112686418A (zh) * 2019-10-18 2021-04-20 北京京东振世信息技术有限公司 一种履约时效预测方法和装置
CN112758100A (zh) * 2021-02-03 2021-05-07 洪丰 一种油门误踩的方法及装置
CN112766396A (zh) * 2021-01-27 2021-05-07 昆仑数智科技有限责任公司 一种设备异常的检测***、方法、计算机设备和介质
CN112801940A (zh) * 2020-12-31 2021-05-14 深圳市联影高端医疗装备创新研究院 模型评测方法、装置、设备及介质
CN112819239A (zh) * 2021-02-19 2021-05-18 北京骑胜科技有限公司 产品数量预测方法、装置、电子设备和可读存储介质
CN112835780A (zh) * 2019-11-25 2021-05-25 杭州海康威视***技术有限公司 一种业务检测方法及装置
CN112884159A (zh) * 2019-11-30 2021-06-01 华为技术有限公司 模型更新***、模型更新方法及相关设备
CN112990520A (zh) * 2019-12-13 2021-06-18 顺丰科技有限公司 网点接驳件量预测方法、装置、计算机设备和存储介质
CN113222057A (zh) * 2021-05-28 2021-08-06 中邮信息科技(北京)有限公司 数据预测模型训练、数据预测方法、装置、设备及介质
CN113256328A (zh) * 2021-05-18 2021-08-13 深圳索信达数据技术有限公司 预测目标客户的方法、装置、计算机设备及存储介质
CN113313439A (zh) * 2020-02-26 2021-08-27 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置
CN113379139A (zh) * 2021-06-22 2021-09-10 阳光电源股份有限公司 一种充电站管理方法及其应用装置
CN113486584A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 设备故障的预测方法、装置、计算机设备及计算机可读存储介质
CN113506175A (zh) * 2021-08-19 2021-10-15 北京中数智汇科技股份有限公司 中小企业风险预警模型优化方法、装置、设备和存储介质
CN113673866A (zh) * 2021-08-20 2021-11-19 上海寻梦信息技术有限公司 农作物决策方法、模型训练方法以及相关设备
CN113673080A (zh) * 2021-07-15 2021-11-19 北京奇艺世纪科技有限公司 应用续航时长预测、模型训练方法及装置、设备及介质
CN113703923A (zh) * 2021-08-31 2021-11-26 深信服科技股份有限公司 一种业务问题的识别方法、装置、设备和介质
CN113743688A (zh) * 2020-05-27 2021-12-03 鸿富锦精密电子(天津)有限公司 质量管控方法、装置、计算机装置及存储介质
CN113743642A (zh) * 2021-01-27 2021-12-03 北京沃东天骏信息技术有限公司 预测模型训练方法和装置、触达人数预测方法和装置
CN113762688A (zh) * 2021-01-06 2021-12-07 北京沃东天骏信息技术有限公司 业务分析***、方法以及存储介质
CN113792906A (zh) * 2021-08-05 2021-12-14 交控科技股份有限公司 列车长时间窗运行轨迹预测方法、装置、设备及存储介质
CN113822580A (zh) * 2021-09-24 2021-12-21 华润电力技术研究院有限公司 一种设备工况评估方法以及相关设备
CN113837289A (zh) * 2021-09-26 2021-12-24 创新奇智(重庆)科技有限公司 模型训练方法、故障预测方法、装置及电子设备
CN115002513A (zh) * 2022-05-25 2022-09-02 咪咕文化科技有限公司 音视频调度方法、装置、电子设备及计算机可读存储介质
CN115136225A (zh) * 2020-02-28 2022-09-30 大金工业株式会社 效率推定装置
CN115169605A (zh) * 2022-06-28 2022-10-11 国网山东省电力公司兰陵县供电公司 变电站一次设备的监测方法及***
CN115372200A (zh) * 2022-07-12 2022-11-22 蓝冰河(常州)精密测量技术有限责任公司 基于x射线的在线面密度测量方法及装置
CN115484188A (zh) * 2021-06-16 2022-12-16 ***通信集团广东有限公司 Tap设备监控方法和***、电子设备及可读存储介质
CN115600747A (zh) * 2022-10-24 2023-01-13 无锡瑞鼎电力科技有限公司（Cn） 一种基于物联网的隧道状态监测管理方法及***
CN115630830A (zh) * 2022-12-01 2023-01-20 北京忠业兴达科技有限公司 数据中心供配电方法、装置、设备及存储介质
CN116016223A (zh) * 2022-12-09 2023-04-25 国网湖北省电力有限公司信息通信公司 一种数据中心网络数据传输优化方法
CN116500426A (zh) * 2023-06-28 2023-07-28 东莞市兆恒机械有限公司 一种半导体检测设备高温测试标定的方法
CN116627991A (zh) * 2023-07-26 2023-08-22 山东朝阳轴承有限公司 基于物联网的企业信息化数据存储方法及***
CN116865787A (zh) * 2023-07-06 2023-10-10 贵州丕丕丕电子科技有限公司 一种智能选择电力载波信号传输时机的方法
CN117335416A (zh) * 2023-11-24 2024-01-02 国网浙江省电力有限公司 一种用电负荷优化的方法、装置、设备及存储介质
CN117370272A (zh) * 2023-10-25 2024-01-09 浙江星汉信息技术股份有限公司 基于档案热度的档案管理方法、装置、设备及存储介质
CN117932280A (zh) * 2024-03-25 2024-04-26 之江实验室 长序列数据预测方法、装置、计算机设备、介质和产品

Families Citing this family (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110709861A (zh) * 2018-03-13 2020-01-17 北京嘀嘀无限科技发展有限公司 用于训练非线性模型的方法和***
CN108549954B (zh) * 2018-03-26 2022-08-02 平安科技（深圳）有限公司 风险模型训练方法、风险识别方法、装置、设备及介质
CN108427854B (zh) * 2018-03-29 2022-06-07 深圳市智物联网络有限公司 一种数据分析方法及其相关设备
CN108446771A (zh) * 2018-04-02 2018-08-24 四川长虹电器股份有限公司 一种防止销售预测模型过拟合的方法
CN108734335A (zh) * 2018-04-03 2018-11-02 平安科技（深圳）有限公司 电子装置、金融数据处理方法和计算机可读存储介质
CN108830723A (zh) * 2018-04-03 2018-11-16 平安科技（深圳）有限公司 电子装置、债券收益率分析方法及存储介质
CN108446864B (zh) * 2018-04-10 2022-03-29 广州新科佳都科技有限公司 基于大数据分析的轨道交通设备的故障预警***及方法
CN108615360B (zh) * 2018-05-08 2022-02-11 东南大学 基于神经网络的交通需求逐日演变预测方法
CN108615096A (zh) * 2018-05-10 2018-10-02 平安科技（深圳）有限公司 服务器、金融时序数据的处理方法及存储介质
CN108764974A (zh) * 2018-05-11 2018-11-06 国网电子商务有限公司 一种基于深度学习的商品采购量预测方法及装置
CN108764572A (zh) * 2018-05-28 2018-11-06 安徽磐众信息科技有限公司 一种基于循环神经网络的金融数据预测方法
CN108846692B (zh) * 2018-06-05 2021-03-30 浙江大学城市学院 一种基于多因素循环神经网络的消费者消费行为预测方法
CN109028480B (zh) * 2018-06-08 2021-08-20 杭州博联智能科技股份有限公司 一种恒温恒湿控制***及其方法
CN108977854B (zh) * 2018-08-07 2020-04-24 中铝视拓智能科技有限公司 电解槽温度监控方法、装置、设备、***及可读存储介质
CN109272344A (zh) * 2018-08-07 2019-01-25 阿里巴巴集团控股有限公司 模型训练方法和装置、数据预测方法和装置、服务器
CN109194423A (zh) * 2018-08-13 2019-01-11 中国人民解放军陆军工程大学 基于优化的长短期记忆模型的单频点频谱预测方法
CN109190808B (zh) * 2018-08-15 2020-11-24 拍拍信数据服务（上海）有限公司 用户行为预测方法、装置、设备及介质
CN109308226A (zh) * 2018-08-22 2019-02-05 中国平安人寿保险股份有限公司 数据异常确定方法及装置、存储介质和电子设备
CN109034500A (zh) * 2018-09-04 2018-12-18 湘潭大学 一种多时序协同的中期电力负荷预测方法
CN109660419B (zh) * 2018-10-08 2022-06-17 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质
CN111104569B (zh) * 2018-10-25 2023-10-20 杭州海康威视数字技术股份有限公司 数据库表的区域切分方法、装置及存储介质
CN109378065A (zh) * 2018-10-30 2019-02-22 医渡云（北京）技术有限公司 医疗数据处理方法及装置、存储介质、电子设备
CN109672795B (zh) * 2018-11-14 2022-03-11 平安科技（深圳）有限公司 呼叫中心资源管理方法及装置、电子设备、存储介质
CN111221896A (zh) * 2018-11-27 2020-06-02 北京京东尚科信息技术有限公司 用户行为预测方法及装置、电子设备、存储介质
CN111245667A (zh) * 2018-11-28 2020-06-05 ***通信集团浙江有限公司 网络业务识别方法及装置
CN109740760B (zh) * 2018-12-25 2024-04-05 平安科技（深圳）有限公司 文本质检自动化训练方法、电子装置及计算机设备
CN110008079A (zh) * 2018-12-25 2019-07-12 阿里巴巴集团控股有限公司 监控指标异常检测方法、模型训练方法、装置及设备
CN109815487B (zh) * 2018-12-25 2023-04-18 平安科技（深圳）有限公司 文本质检方法、电子装置、计算机设备及存储介质
CN109685275A (zh) * 2018-12-27 2019-04-26 拉扎斯网络科技（上海）有限公司 配送团队负载压力预测方法、装置、电子设备及存储介质
CN109754175B (zh) * 2018-12-28 2023-04-07 广州明动软件股份有限公司 用于对行政审批事项的办结时限进行压缩预测的计算模型及其应用
CN109828888A (zh) * 2019-01-28 2019-05-31 中国联合网络通信集团有限公司 业务***状态监控方法、装置及计算机可读存储介质
CN109698836B (zh) * 2019-02-01 2021-07-23 重庆邮电大学 一种基于深度学习的无线局域网入侵检测方法和***
CN109978491B (zh) * 2019-02-12 2024-02-06 平安科技（深圳）有限公司 提醒预测方法、装置、计算机设备及存储介质
CN109976908B (zh) * 2019-03-15 2021-08-06 北京工业大学 一种基于rnn时间序列预测的服务器集群动态伸缩方法
CN109738939B (zh) * 2019-03-21 2022-06-21 蔡寅 一种地震前兆数据异常检测方法
CN110222840B (zh) * 2019-05-17 2023-05-05 中山大学 一种基于注意力机制的集群资源预测方法和装置
CN110148025A (zh) * 2019-05-22 2019-08-20 郑州智通互联电子有限公司 一种基于大数据的景区智能售票***
CN110472192B (zh) * 2019-07-23 2022-04-15 平安科技（深圳）有限公司 评价指标提取方法、装置、存储介质和服务器
CN110619423B (zh) * 2019-08-06 2023-04-07 平安科技（深圳）有限公司 多任务预测方法、装置、电子设备及存储介质
CN112506134A (zh) * 2019-09-16 2021-03-16 阿里巴巴集团控股有限公司 一种控制变量值的确定方法、装置及设备
CN110808988B (zh) * 2019-11-08 2021-09-10 国家计算机网络与信息安全管理中心山西分中心 一种基于信息特征熵和长短期记忆网络的物联网卡业务异常检测方法
CN111162949A (zh) * 2019-12-31 2020-05-15 国网山西省电力公司信息通信分公司 一种基于Java字节码嵌入技术的接口监测方法
CN111241688B (zh) * 2020-01-15 2023-08-25 北京百度网讯科技有限公司 复合生产工艺过程监控方法及装置
CN111258854B (zh) * 2020-01-21 2023-10-03 北京奇艺世纪科技有限公司 模型训练方法、基于预测模型的报警方法和相关装置
CN111476403A (zh) * 2020-03-17 2020-07-31 华为技术有限公司 预测模型构建方法和相关装置
CN111539479B (zh) * 2020-04-27 2023-08-08 北京百度网讯科技有限公司 生成样本数据的方法和装置
CN111652279B (zh) * 2020-04-30 2024-04-30 中国平安财产保险股份有限公司 基于时序数据的行为评价方法、装置及可读存储介质
CN113724795A (zh) * 2020-05-25 2021-11-30 中国石油化工股份有限公司 萃余过氧化氢浓度计算方法、装置、存储介质及处理器
CN111666191B (zh) * 2020-06-09 2023-09-29 贝壳技术有限公司 数据质量监控方法、装置、电子设备及存储介质
CN111737921B (zh) * 2020-06-24 2024-04-26 深圳前海微众银行股份有限公司 基于循环神经网络的数据处理方法、设备及介质
CN111738422A (zh) * 2020-06-24 2020-10-02 深圳前海微众银行股份有限公司 基于循环神经网络的数据处理方法、设备及介质
CN111858385B (zh) * 2020-08-04 2024-02-20 深圳市汉云科技有限公司 Sql数据库的测试方法、装置、设备及存储介质
CN112288126B (zh) * 2020-09-09 2022-06-17 广东石油化工学院 一种采样数据异常变化在线监测与诊断方法
CN112419076A (zh) * 2020-11-27 2021-02-26 好人生（上海）健康科技有限公司 一种基于大数据的健康保险核保***、方法及商保云平台
CN113420902A (zh) * 2020-12-09 2021-09-21 上海东普信息科技有限公司 件量预测模型训练方法、件量预测方法及相关设备
CN112613995A (zh) * 2020-12-30 2021-04-06 中国工商银行股份有限公司 异常诊断方法和装置
CN112785057B (zh) * 2021-01-21 2023-09-01 上海东普信息科技有限公司 基于指数平滑的件量预测方法、装置、设备及存储介质
CN113239272B (zh) * 2021-05-12 2022-11-29 烽火通信科技股份有限公司 一种网络管控***的意图预测方法和意图预测装置
CN113505532B (zh) * 2021-07-06 2023-12-29 新奥新智科技有限公司 设备剩余寿命预测方法、装置、计算机设备及介质
CN115836541A (zh) * 2021-07-16 2023-03-21 北京小米移动软件有限公司 通信处理方法、装置、通信设备及存储介质
CN113657628A (zh) * 2021-08-20 2021-11-16 武汉霖汐科技有限公司 工业设备监控方法、***、电子设备及存储介质
CN113746575B (zh) * 2021-09-03 2022-07-01 北京航空航天大学 一种同步静止轨道卫星的信道衰落确定方法及***
CN114091930B (zh) * 2021-11-25 2024-06-18 深圳前海微众银行股份有限公司 业务指标预警方法、装置、电子设备和存储介质
CN114266300B (zh) * 2021-12-16 2023-01-24 中国联合网络通信集团有限公司 特征预测模型训练、核心网业务异常检测方法及装置
CN114581159B (zh) * 2022-05-04 2022-08-12 爱迪森(北京)生物科技有限公司 基于大数据分析的仓储预测方法、***和可读存储介质
CN115470936B (zh) * 2022-09-23 2023-06-06 广州爱浦路网络技术有限公司 一种基于nwdaf的机器学习模型更新方法及装置
CN116703470B (zh) * 2023-08-09 2024-01-12 深圳市土地公网络科技有限公司 供应信息的预测方法、装置、设备及存储介质
CN117289671B (zh) * 2023-11-27 2024-02-02 博纯材料股份有限公司 高阶锗烷提纯生产控制***的状态监控方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150088606A1 (en) * 2013-09-20 2015-03-26 Tata Consultancy Services Ltd. Computer Implemented Tool and Method for Automating the Forecasting Process
CN105786830A (zh) * 2014-12-19 2016-07-20 阿里巴巴集团控股有限公司 计算机***中模型自适应调整方法、装置及***
CN106603293A (zh) * 2016-12-20 2017-04-26 南京邮电大学 虚拟网络环境下一种基于深度学习的网络故障诊断方法
CN106886846A (zh) * 2017-04-26 2017-06-23 中南大学 一种基于长短期记忆循环神经网络的银行网点备付金预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150088606A1 (en) * 2013-09-20 2015-03-26 Tata Consultancy Services Ltd. Computer Implemented Tool and Method for Automating the Forecasting Process
CN105786830A (zh) * 2014-12-19 2016-07-20 阿里巴巴集团控股有限公司 计算机***中模型自适应调整方法、装置及***
CN106603293A (zh) * 2016-12-20 2017-04-26 南京邮电大学 虚拟网络环境下一种基于深度学习的网络故障诊断方法
CN106886846A (zh) * 2017-04-26 2017-06-23 中南大学 一种基于长短期记忆循环神经网络的银行网点备付金预测方法

Cited By (107)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163471A (zh) * 2019-04-10 2019-08-23 阿里巴巴集团控股有限公司 一种异常识别方法和装置
CN110163471B (zh) * 2019-04-10 2023-08-18 创新先进技术有限公司 一种异常识别方法和装置
CN110288193B (zh) * 2019-05-23 2024-04-09 中国平安人寿保险股份有限公司 任务监控处理方法、装置、计算机设备及存储介质
CN110288193A (zh) * 2019-05-23 2019-09-27 中国平安人寿保险股份有限公司 任务监控处理方法、装置、计算机设备及存储介质
CN110188940A (zh) * 2019-05-24 2019-08-30 深圳市腾讯计算机***有限公司 业务处理方法及装置
CN110188940B (zh) * 2019-05-24 2023-09-05 深圳市腾讯计算机***有限公司 业务处理方法及装置
CN112148765B (zh) * 2019-06-28 2024-04-09 北京百度网讯科技有限公司 业务数据的处理方法、装置及存储介质
CN110309153B (zh) * 2019-06-28 2023-07-14 携程旅游信息技术（上海）有限公司 呼叫中心的监控数据的处理方法、***、设备和存储介质
CN110309153A (zh) * 2019-06-28 2019-10-08 携程旅游信息技术（上海）有限公司 呼叫中心的监控数据的处理方法、***、设备和存储介质
CN112148765A (zh) * 2019-06-28 2020-12-29 北京百度网讯科技有限公司 业务数据的处理方法、装置及存储介质
CN112306788A (zh) * 2019-07-29 2021-02-02 北京京东振世信息技术有限公司 一种程序动态的监控方法和装置
CN112435035A (zh) * 2019-08-09 2021-03-02 阿里巴巴集团控股有限公司 数据的审核方法、装置及设备
CN110705598A (zh) * 2019-09-06 2020-01-17 中国平安财产保险股份有限公司 智能模型管理方法、装置、计算机设备及存储介质
CN110705598B (zh) * 2019-09-06 2024-05-28 中国平安财产保险股份有限公司 智能模型管理方法、装置、计算机设备及存储介质
CN112529236A (zh) * 2019-09-18 2021-03-19 泰康保险集团股份有限公司 目标对象识别方法、装置、电子设备及存储介质
CN112686418A (zh) * 2019-10-18 2021-04-20 北京京东振世信息技术有限公司 一种履约时效预测方法和装置
CN110866528A (zh) * 2019-10-28 2020-03-06 腾讯科技（深圳）有限公司 一种模型训练方法、能耗使用效率预测方法、装置和介质
CN110866528B (zh) * 2019-10-28 2023-11-28 腾讯科技（深圳）有限公司 一种模型训练方法、能耗使用效率预测方法、装置和介质
CN112835780B (zh) * 2019-11-25 2024-02-02 杭州海康威视***技术有限公司 一种业务检测方法及装置
CN112835780A (zh) * 2019-11-25 2021-05-25 杭州海康威视***技术有限公司 一种业务检测方法及装置
CN111026626A (zh) * 2019-11-29 2020-04-17 中国建设银行股份有限公司 Cpu消耗量预估、预估模型训练方法及装置
CN112884159A (zh) * 2019-11-30 2021-06-01 华为技术有限公司 模型更新***、模型更新方法及相关设备
CN112990520A (zh) * 2019-12-13 2021-06-18 顺丰科技有限公司 网点接驳件量预测方法、装置、计算机设备和存储介质
CN111178568B (zh) * 2019-12-31 2023-06-23 中国银行股份有限公司 业务预约请求的处理方法、装置、服务器和存储介质
CN111178568A (zh) * 2019-12-31 2020-05-19 中国银行股份有限公司 业务预约请求的处理方法、装置、服务器和存储介质
CN113313439B (zh) * 2020-02-26 2024-04-05 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置
CN113313439A (zh) * 2020-02-26 2021-08-27 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置
CN115136225A (zh) * 2020-02-28 2022-09-30 大金工业株式会社 效率推定装置
CN111460913A (zh) * 2020-03-13 2020-07-28 北京理工大学 一种自适应的时序信号方向性预测方法
CN111461862B (zh) * 2020-03-27 2023-06-30 支付宝(杭州)信息技术有限公司 为业务数据确定目标特征的方法及装置
CN111461862A (zh) * 2020-03-27 2020-07-28 支付宝(杭州)信息技术有限公司 为业务数据确定目标特征的方法及装置
CN111767938B (zh) * 2020-05-09 2023-12-19 北京奇艺世纪科技有限公司 一种异常数据检测方法、装置及电子设备
CN111767938A (zh) * 2020-05-09 2020-10-13 北京奇艺世纪科技有限公司 一种异常数据检测方法、装置及电子设备
CN113743688B (zh) * 2020-05-27 2023-10-20 富联精密电子(天津)有限公司 质量管控方法、装置、计算机装置及存储介质
CN111694814A (zh) * 2020-05-27 2020-09-22 平安银行股份有限公司 日期分区表批量扩展方法、装置、计算机设备及存储介质
CN113743688A (zh) * 2020-05-27 2021-12-03 鸿富锦精密电子(天津)有限公司 质量管控方法、装置、计算机装置及存储介质
CN111694814B (zh) * 2020-05-27 2024-04-09 平安银行股份有限公司 日期分区表批量扩展方法、装置、计算机设备及存储介质
CN111708561A (zh) * 2020-06-17 2020-09-25 杭州海康消防科技有限公司 算法模型更新***、方法、装置及电子设备
CN111738463A (zh) * 2020-06-17 2020-10-02 深圳华远云联数据科技有限公司 运维方法、装置、***、电子设备及存储介质
CN111708561B (zh) * 2020-06-17 2024-01-05 杭州海康消防科技有限公司 算法模型更新***、方法、装置及电子设备
CN111859783A (zh) * 2020-06-22 2020-10-30 重庆大学 水压预测方法、***、存储介质、设备、城市供水***
CN111859783B (zh) * 2020-06-22 2023-10-13 重庆大学 水压预测方法、***、存储介质、设备、城市供水***
CN111723942B (zh) * 2020-06-29 2024-02-02 南方电网科学研究院有限责任公司 一种企业用电负荷预测方法、电网业务子***及预测***
CN111723942A (zh) * 2020-06-29 2020-09-29 南方电网科学研究院有限责任公司 一种企业用电负荷预测方法、电网业务子***及预测***
CN111756646B (zh) * 2020-07-08 2023-09-29 腾讯科技（深圳）有限公司 网络传输控制方法、装置、计算机设备及存储介质
CN111756646A (zh) * 2020-07-08 2020-10-09 腾讯科技（深圳）有限公司 网络传输控制方法、装置、计算机设备及存储介质
CN111833114A (zh) * 2020-07-27 2020-10-27 北京思特奇信息技术股份有限公司 一种渠道业务发展目标智能预测方法、***、介质及设备
CN111985713A (zh) * 2020-08-19 2020-11-24 中国银行股份有限公司 数据指标波形预测方法及装置
CN111985713B (zh) * 2020-08-19 2023-08-18 中国银行股份有限公司 数据指标波形预测方法及装置
CN112132394B (zh) * 2020-08-21 2024-03-29 西安交通大学 一种电厂循环水泵预测性状态评估方法及***
CN112132394A (zh) * 2020-08-21 2020-12-25 西安交通大学 一种电厂循环水泵预测性状态评估方法及***
CN112288172A (zh) * 2020-10-30 2021-01-29 国家电网有限公司 台区线损率的预测方法、装置
CN112613224A (zh) * 2020-11-25 2021-04-06 西人马联合测控（泉州）科技有限公司 桥梁结构检测模型的训练方法、检测方法、装置、设备
CN112529158A (zh) * 2020-12-08 2021-03-19 华强方特（深圳）科技有限公司 位置预测方法、装置、计算机设备及存储介质
CN112560085B (zh) * 2020-12-10 2023-09-19 支付宝(杭州)信息技术有限公司 业务预测模型的隐私保护方法及装置
CN112560085A (zh) * 2020-12-10 2021-03-26 支付宝(杭州)信息技术有限公司 业务预测模型的隐私保护方法及装置
CN112529624A (zh) * 2020-12-15 2021-03-19 北京百度网讯科技有限公司 生成业务预测模型的方法、装置、设备以及存储介质
CN112529624B (zh) * 2020-12-15 2024-01-09 北京百度网讯科技有限公司 生成业务预测模型的方法、装置、设备以及存储介质
CN112560988A (zh) * 2020-12-25 2021-03-26 竹间智能科技（上海）有限公司 一种模型训练方法及装置
CN112560988B (zh) * 2020-12-25 2023-09-19 竹间智能科技（上海）有限公司 一种模型训练方法及装置
CN112650661A (zh) * 2020-12-29 2021-04-13 北京嘀嘀无限科技发展有限公司 数据处理质量控制方法、装置、计算机设备和存储介质
CN112801940A (zh) * 2020-12-31 2021-05-14 深圳市联影高端医疗装备创新研究院 模型评测方法、装置、设备及介质
CN113762688A (zh) * 2021-01-06 2021-12-07 北京沃东天骏信息技术有限公司 业务分析***、方法以及存储介质
CN113743642A (zh) * 2021-01-27 2021-12-03 北京沃东天骏信息技术有限公司 预测模型训练方法和装置、触达人数预测方法和装置
CN112766396A (zh) * 2021-01-27 2021-05-07 昆仑数智科技有限责任公司 一种设备异常的检测***、方法、计算机设备和介质
CN112758100B (zh) * 2021-02-03 2023-03-14 洪丰 一种油门误踩检测方法及装置
CN112758100A (zh) * 2021-02-03 2021-05-07 洪丰 一种油门误踩的方法及装置
CN112819239A (zh) * 2021-02-19 2021-05-18 北京骑胜科技有限公司 产品数量预测方法、装置、电子设备和可读存储介质
CN112819239B (zh) * 2021-02-19 2024-05-14 北京骑胜科技有限公司 产品数量预测方法、装置、电子设备和可读存储介质
CN113256328B (zh) * 2021-05-18 2024-02-23 深圳索信达数据技术有限公司 预测目标客户的方法、装置、计算机设备及存储介质
CN113256328A (zh) * 2021-05-18 2021-08-13 深圳索信达数据技术有限公司 预测目标客户的方法、装置、计算机设备及存储介质
CN113222057A (zh) * 2021-05-28 2021-08-06 中邮信息科技(北京)有限公司 数据预测模型训练、数据预测方法、装置、设备及介质
CN115484188A (zh) * 2021-06-16 2022-12-16 ***通信集团广东有限公司 Tap设备监控方法和***、电子设备及可读存储介质
CN113379139A (zh) * 2021-06-22 2021-09-10 阳光电源股份有限公司 一种充电站管理方法及其应用装置
CN113486584A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 设备故障的预测方法、装置、计算机设备及计算机可读存储介质
CN113486584B (zh) * 2021-07-06 2023-12-29 新奥新智科技有限公司 设备故障的预测方法、装置、计算机设备及计算机可读存储介质
CN113673080B (zh) * 2021-07-15 2023-08-18 北京奇艺世纪科技有限公司 应用续航时长预测、模型训练方法及装置、设备及介质
CN113673080A (zh) * 2021-07-15 2021-11-19 北京奇艺世纪科技有限公司 应用续航时长预测、模型训练方法及装置、设备及介质
CN113792906B (zh) * 2021-08-05 2024-04-30 交控科技股份有限公司 列车长时间窗运行轨迹预测方法、装置、设备及存储介质
CN113792906A (zh) * 2021-08-05 2021-12-14 交控科技股份有限公司 列车长时间窗运行轨迹预测方法、装置、设备及存储介质
CN113506175A (zh) * 2021-08-19 2021-10-15 北京中数智汇科技股份有限公司 中小企业风险预警模型优化方法、装置、设备和存储介质
CN113673866A (zh) * 2021-08-20 2021-11-19 上海寻梦信息技术有限公司 农作物决策方法、模型训练方法以及相关设备
CN113703923A (zh) * 2021-08-31 2021-11-26 深信服科技股份有限公司 一种业务问题的识别方法、装置、设备和介质
CN113703923B (zh) * 2021-08-31 2024-05-28 深信服科技股份有限公司 一种业务问题的识别方法、装置、设备和介质
CN113822580A (zh) * 2021-09-24 2021-12-21 华润电力技术研究院有限公司 一种设备工况评估方法以及相关设备
CN113837289B (zh) * 2021-09-26 2024-03-19 创新奇智(重庆)科技有限公司 模型训练方法、故障预测方法、装置及电子设备
CN113837289A (zh) * 2021-09-26 2021-12-24 创新奇智(重庆)科技有限公司 模型训练方法、故障预测方法、装置及电子设备
CN115002513B (zh) * 2022-05-25 2023-10-20 咪咕文化科技有限公司 音视频调度方法、装置、电子设备及计算机可读存储介质
CN115002513A (zh) * 2022-05-25 2022-09-02 咪咕文化科技有限公司 音视频调度方法、装置、电子设备及计算机可读存储介质
CN115169605A (zh) * 2022-06-28 2022-10-11 国网山东省电力公司兰陵县供电公司 变电站一次设备的监测方法及***
CN115372200A (zh) * 2022-07-12 2022-11-22 蓝冰河(常州)精密测量技术有限责任公司 基于x射线的在线面密度测量方法及装置
CN115600747A (zh) * 2022-10-24 2023-01-13 无锡瑞鼎电力科技有限公司（Cn） 一种基于物联网的隧道状态监测管理方法及***
CN115600747B (zh) * 2022-10-24 2024-02-13 无锡瑞鼎电力科技有限公司 一种基于物联网的隧道状态监测管理方法及***
CN115630830A (zh) * 2022-12-01 2023-01-20 北京忠业兴达科技有限公司 数据中心供配电方法、装置、设备及存储介质
CN116016223A (zh) * 2022-12-09 2023-04-25 国网湖北省电力有限公司信息通信公司 一种数据中心网络数据传输优化方法
CN116016223B (zh) * 2022-12-09 2024-02-02 国网湖北省电力有限公司信息通信公司 一种数据中心网络数据传输优化方法
CN116500426B (zh) * 2023-06-28 2023-09-05 东莞市兆恒机械有限公司 一种半导体检测设备高温测试标定的方法
CN116500426A (zh) * 2023-06-28 2023-07-28 东莞市兆恒机械有限公司 一种半导体检测设备高温测试标定的方法
CN116865787B (zh) * 2023-07-06 2024-02-09 北京煜邦电力技术股份有限公司 一种智能选择电力载波信号传输时机的方法
CN116865787A (zh) * 2023-07-06 2023-10-10 贵州丕丕丕电子科技有限公司 一种智能选择电力载波信号传输时机的方法
CN116627991A (zh) * 2023-07-26 2023-08-22 山东朝阳轴承有限公司 基于物联网的企业信息化数据存储方法及***
CN116627991B (zh) * 2023-07-26 2023-09-26 山东朝阳轴承有限公司 基于物联网的企业信息化数据存储方法及***
CN117370272A (zh) * 2023-10-25 2024-01-09 浙江星汉信息技术股份有限公司 基于档案热度的档案管理方法、装置、设备及存储介质
CN117370272B (zh) * 2023-10-25 2024-06-11 浙江星汉信息技术股份有限公司 基于档案热度的档案管理方法、装置、设备及存储介质
CN117335416A (zh) * 2023-11-24 2024-01-02 国网浙江省电力有限公司 一种用电负荷优化的方法、装置、设备及存储介质
CN117335416B (zh) * 2023-11-24 2024-03-01 国网浙江省电力有限公司 一种用电负荷优化的方法、装置、设备及存储介质
CN117932280A (zh) * 2024-03-25 2024-04-26 之江实验室 长序列数据预测方法、装置、计算机设备、介质和产品

Also Published As

Publication number Publication date
CN107730087A (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
WO2019056499A1 (zh) 预测模型训练方法、数据监控方法、装置、设备及介质
CA3092306C (en) Method and system of dynamic model selection for time series forecasting
Lin et al. Short-term load forecasting based on LSTM networks considering attention mechanism
US11250449B1 (en) Methods for self-adaptive time series forecasting, and related systems and apparatus
Lai et al. Modeling long-and short-term temporal patterns with deep neural networks
Corizzo et al. Anomaly detection and repair for accurate predictions in geo-distributed big data
Valente et al. SVR-FFS: A novel forward feature selection approach for high-frequency time series forecasting using support vector regression
JP6837949B2 (ja) 予測システム及び方法
Tutun et al. A new forecasting framework for volatile behavior in net electricity consumption: A case study in Turkey
CN108985965A (zh) 一种结合神经网络和参数估计的光伏功率区间预测方法
CN109726865A (zh) 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
WO2019214455A1 (zh) 一种数据序列预测方法及计算设备
CN107067076A (zh) 一种基于时滞narx神经网络的客流预测方法
Wang et al. A support vector machine based MSM model for financial short-term volatility forecasting
Vu et al. Short-term forecasting of electricity spot prices containing random spikes using a time-varying autoregressive model combined with kernel regression
CN109003091A (zh) 一种风险防控处理方法、装置及设备
Zheng et al. A multiple kernel learning approach for air quality prediction
CN109508826A (zh) 基于梯度提升决策树的电动汽车集群可调度容量预测方法
Xu et al. A novel mobile personalized recommended method based on money flow model for stock exchange
Zhang et al. A novel hybrid deep learning model for sugar price forecasting based on time series decomposition
CN112561320A (zh) 机构风险预测模型的训练方法、机构风险预测方法和装置
Wu et al. Predication of futures market by using boosting algorithm
CN113450141B (zh) 一种基于电力大客户群体售电量特征的智能预测方法及装置
Zhang et al. Predicting carbon futures prices based on a new hybrid machine learning: Comparative study of carbon prices in different periods
Flesca et al. On forecasting non-renewable energy production with uncertainty quantification: A case study of the Italian energy market

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17925873

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 21/09/2020)

122 Ep: pct application non-entry in european phase

Ref document number: 17925873

Country of ref document: EP

Kind code of ref document: A1