[發明專利]基于機器學習的數據預測處理方法、裝置和計算機設備

在審

• 申請號: 201910172323.1
• 申請日: 2019-03-07
• 公開（公告）號: CN109935338A
• 公開（公告）日: 2019-06-25
• 發明（設計）人: 陳嫻嫻;阮曉雯;徐亮
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G16H50/80
• 分類號: G16H50/80;G06N20/00
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 王寧;劉剛

1.一種基于機器學習的數據預測處理方法，所述方法包括：

接收終端發送的數據預測請求，所述數據預測請求包括請求類型和請求信息；

識別所述請求信息中的字段因子，根據所述請求類型和所述字段因子獲取多個目標因素數據，所述目標因素數據包括多個字段數據；

對所述目標因素數據進行特征處理和特征提取，得到所述多個字段數據對應的特征向量；

根據所述請求類型獲取預設的數據預測模型，通過所述數據分析模型對所述特征變量進行訓練和分析，得到多個指標數據和對應的預測值；

根據所述多個指標數據和對應的預測值生成的預測結果數據，并將所述預測結果數據推送至所述終端。

2.根據權利要求1所述的方法，其特征在于，所述對所述目標因素數據進行特征處理和特征提取，得到所述多個字段數據對應的特征變量的步驟，包括：

對所述目標因素數據對應的多個字段數據進行向量化，得到多個字段數據對應的特征向量；

對所述特征變量進行衍生處理，得到處理后的多個特征向量；

根據預設的目標函數計算所述特征向量的多個特征維度值；

根據預設的距離算法和所述特征維度值計算多個特征向量之間的相似度；

提取出所述相似度達到預設閾值的特征向量。

3.根據權利要求1所述的方法，其特征在于，所述獲取預設的數據預測模型的步驟之前，還包括：

獲取多個歷史因素數據，根據所述多個歷史因素數據生成對應的訓練集數據和驗證集數據；

對所述訓練集數據中的多個歷史因素數據進行聚類分析，得到聚類結果；

對所述聚類結果進行特征提取，提取出多個特征變量；

獲取預設的神經網絡模型，通過所述神經網絡模型對所述訓練集數據進行訓練，得到多個特征變量對應的特征維度值和權重，根據多個特征變量對應的特征維度值和權重構建初始數據預測模型；

利用所述驗證集數據對所述數據預測模型進行進一步訓練和驗證，直到所述驗證集數據中滿足預設閾值的數量達到預設比值時，則停止訓練，得到所需的數據預測模型。

4.根據權利要求1所述的方法，其特征在于，所述通過所述數據分析模型對所述特征變量進行訓練和分析，得到多個指標數據和對應的預測值的步驟，包括：

將所述多個特征向量作為所述數據預測模型的輸入，根據所述數據預測模型中的預設函數計算多個特征向量對應的權重；

計算多個特征向量與目標特征數據之間的相關性；

根據所述特征向量的權重和所述相關性進行回歸分析，并通過所述數據預測模型中的輸出層輸出多個指標數據和對應的預測值。

5.根據權利要求1至4任意一項所述的方法，其特征在于，所述方法還包括：

根據預設頻率從預設數據庫中獲取多個歷史因素數據；

對多個歷史因素數據進行聚類分析，得到分析結果；

根據所述分析結果進行特征選擇，得到多個特征變量；

根據預設的算法計算多個特征變量的權重；

根據多個特征變量和對應的權重對所述數據預測模型進行優化調整。

6.根據權利要求1所述的方法，其特征在于，所述方法還包括：

根據所述請求類型獲取預設的集成函數；

根據所述預測結果數據中的多個預設時序參數和對應的預測值通過所述集成函數集成對應的視圖預測數據；

對所述視圖預測數據添加事件類型標識和對應的接口調用參數，并將所述視圖預測數據發送至所述終端。