[發明專利]一種數據預測方法、裝置及電子設備

在審

• 申請號: 201810201828.1
• 申請日: 2018-03-12
• 公開（公告）號: CN108427658A
• 公開（公告）日: 2018-08-21
• 發明（設計）人: 趙知緯
• 申請（專利權）人: 北京奇藝世紀科技有限公司
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06K9/62
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 項京;馬敬

1.一種數據預測方法，其特征在于，所述方法包括：

根據待測初始特征向量和預先訓練的集成樹模型，得到所述待測初始特征向量對應的交疊特征向量，其中，所述集成樹模型是根據訓練樣本和預設的集成樹擬合算法訓練得到的，所述訓練樣本包括多組樣本初始特征向量和所述多組樣本初始特征向量對應的各樣本結果；

拼接所述待測初始特征向量和所述交疊特征向量，得到目標特征向量；

根據所述目標特征向量和預先訓練的線性回歸模型，得到預測結果，其中，所述線性回歸模型是根據所述訓練樣本和預設的線性回歸模型算法訓練得到的。

2.根據權利要求1所述的方法，其特征在于，所述集成樹模型的訓練過程包括：

獲取訓練樣本，所述訓練樣本包括多組樣本初始特征向量和所述多組樣本初始特征向量對應的各樣本結果；

根據所述訓練樣本和預設的集成樹模型擬合算法，訓練得到集成樹模型。

3.根據權利要求1或2所述的方法，其特征在于，所述集成樹模型為梯度提高集成樹模型。

4.根據權利要求1或2所述的方法，其特征在于，所述線性回歸模型的訓練過程包括：

獲取所述訓練樣本，所述訓練樣本包括多組樣本初始特征向量和所述多組樣本初始特征向量對應的各樣本結果；

根據所述多組樣本初始特征向量和所述集成樹模型，得到所述多組樣本初始特征向量對應的各樣本交疊特征向量；

拼接所述多組樣本初始特征向量和對應的樣本交疊特征向量，得到多組樣本目標特征向量；

根據所述多組樣本目標特征向量和對應的樣本結果，以及預設的線性回歸模型算法，訓練得到線性回歸模型。

5.根據權利要求4所述的方法，其特征在于，所述預設的線性回歸模型算法為最小二乘法。

6.一種數據預測裝置，其特征在于，所述裝置包括：

交疊特征模塊，用于根據待測初始特征向量和預先訓練的集成樹模型，得到所述待測初始特征向量對應的交疊特征向量，其中，所述集成樹模型是根據訓練樣本和預設的集成樹擬合算法訓練得到的，所述訓練樣本包括多組樣本初始特征向量和所述多組樣本初始特征向量對應的各樣本結果；

拼接模塊，用于拼接所述待測初始特征向量和所述交疊特征向量，得到目標特征向量；

預測模塊，用于根據所述目標特征向量和預先訓練的線性回歸模型，得到預測結果，其中，所述線性回歸模型是根據所述訓練樣本和預設的線性回歸模型算法訓練得到的。

7.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：

第一獲取模塊，用于獲取訓練樣本，所述訓練樣本包括多組樣本初始特征向量和所述多組樣本初始特征向量對應的各樣本結果；

第一訓練模塊，用于根據所述訓練樣本和預設的集成樹模型擬合算法，訓練得到集成樹模型。

8.根據權利要求6或7所述的裝置，其特征在于，所述集成樹模型為梯度提高集成樹模型。

9.根據權利要求6或7所述的裝置，其特征在于，所述裝置還包括：

第二獲取模塊，用于獲取所述訓練樣本，所述訓練樣本包括多組樣本初始特征向量和所述多組樣本初始特征向量對應的各樣本結果；

第一確定模塊，用于根據所述多組樣本初始特征向量和所述集成樹模型，得到所述多組樣本初始特征向量對應的各樣本交疊特征向量；

第二確定模塊，用于拼接所述多組樣本初始特征向量和對應的樣本交疊特征向量，得到多組樣本目標特征向量；

第二訓練模塊，用于根據所述多組樣本目標特征向量和對應的樣本結果，以及預設的線性回歸模型算法，訓練得到線性回歸模型。

10.根據權利要求9所述的裝置，其特征在于，所述預設的線性回歸模型算法為最小二乘法。

11.一種電子設備，其特征在于，所述電子設備包括處理器、通信接口、存儲器和通信總線，其中，所述處理器、所述通信接口、所述存儲器通過所述通信總線完成相互間的通信；

所述存儲器，用于存放計算機程序；

所述處理器，用于執行所述存儲器上所存放的程序時，實現權利要求1-5任一所述的方法步驟。