[發明專利]基于大數據的效果預測方法、裝置、介質及電子設備在審
| 申請號： | 201811246907.0 | 申請日： | 2018-10-24 |
| 公開（公告）號： | CN109658124A | 公開（公告）日： | 2019-04-19 |
| 發明（設計）人： | 陳偉源 | 申請（專利權）人： | 中國平安人壽保險股份有限公司 |
| 主分類號： | G06Q30/02 | 分類號： | G06Q30/02 |
| 代理公司： | 深圳市隆天聯鼎知識產權代理有限公司 44232 | 代理人： | 劉抗美 |
| 地址： | 518000 廣東省深圳市福田區益田路503*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 時間段 關鍵影響 歷史數據 大數據 機器學習模型 電子設備 效果預測 預測目標 時間序列 輸出結果 數據預測 數值輸入 訓練機器 影響參數 預測數據 訓練集 預測 學習 | ||
1.一種基于大數據的效果預測方法，其特征在于，包括：
按照時間序列獲取歷史數據對應的多個時間段，并從歷史數據的多個影響參數中確定各時間段對應的關鍵影響參數；
將各時間段對應的歷史數據與所述各時間段對應的關鍵影響參數的參數值作為訓練集，訓練機器學習模型；
確定待預測目標時間段的關鍵影響參數，并將所述關鍵影響參數的多個參數值輸入訓練后的所述機器學習模型；
根據所述機器學習模型的輸出結果，確定所述待預測目標時間段的預測數據，以得到預測效果。
2.根據權利要求1所述的基于大數據的效果預測方法，其特征在于，得到所述待預測目標時間段的預測數據之后包括：
計算所述待預測目標時間段的預測數據在所述歷史數據基礎上的提升比例，以得到所述預測數據的預測效果。
3.根據權利要求2所述的基于大數據的效果預測方法，其特征在于，得到所述待預測目標時間段的預測數據之后還包括：
獲取待預測目標時間段的真實數據，驗證所述提升比例是否正確；
在所述提升比例不正確時，將所述真實數據和所述關鍵影響參數的多個參數值加入所述機器學習模型的訓練集，訓練所述機器學習模型。
4.根據權利要求1所述的基于大數據的效果預測方法，其特征在于，所述從歷史數據的多個影響參數中確定各時間段對應的關鍵影響參數包括：
分析各時間段對應的歷史數據與所述多個影響參數的相關性；
選取所述相關性最大的影響參數作為對應時間段的關鍵影響參數。
5.根據權利要求1所述的基于大數據的效果預測方法，其特征在于，所述將所述關鍵影響參數的多個參數值輸入訓練后的所述機器學習模型包括：
根據待預測目標時間段對應的所述歷史數據，增大或減小所述關鍵影響參數對應的參數值。
6.根據權利要求1所述的基于大數據的效果預測方法，其特征在于，所述從歷史數據的多個影響參數中確定各時間段對應的關鍵影響參數包括：
獲取包含所述歷史數據的多個樣本；
根據所述多個時間段，統計各影響參數的樣本數量；
選取每一時間段中所述樣本數量最多的影響參數作為每一時間段的關鍵影響參數。
7.根據權利要求1所述的基于大數據的效果預測方法，其特征在于，所述從歷史數據的多個影響參數中確定各時間段對應的關鍵影響參數包括：
從所述影響參數中確定各時間段對應的一個或多個關鍵影響參數。
8.一種基于大數據的效果預測裝置，其特征在于，包括：
獲取數據單元，用于按照時間序列獲取歷史數據對應的多個時間段，并從歷史數據的多個影響參數中確定各時間段對應的關鍵影響參數；
獲取模型單元，用于將各時間段對應的歷史數據與所述各時間段對應的關鍵影響參數的參數值作為訓練集，訓練機器學習模型；
預測單元，用于確定待預測目標時間段的關鍵影響參數，并將所述關鍵影響參數的多個參數值輸入訓練后的所述機器學習模型；
確定預測結果單元，用于根據所述機器學習模型的輸出結果，確定所述待預測目標時間段的預測數據，以得到預測效果。
9.一種計算機可讀介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時實現如權利要求1至8中任一項所述的基于大數據的效果預測方法。
10.一種電子設備，其特征在于，包括：
一個或多個處理器；
存儲裝置，用于存儲一個或多個程序，當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現如權利要求1至8中任一項所述的基于大數據的效果預測方法。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國平安人壽保險股份有限公司，未經中國平安人壽保險股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811246907.0/1.html，轉載請聲明來源鉆瓜專利網。
