[發明專利]低負載信息預測方法、裝置、計算機系統及可讀存儲介質

在審

• 申請號: 202010217534.5
• 申請日: 2020-03-25
• 公開（公告）號: CN111444956A
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 王開益;詹天鈺;徐佳;羅力力;孫海容;羅水權
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/04;G06Q40/02
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 程超

1.一種基于人工智能的低負載信息預測低負載信息預測方法，其特征在于，包括：

第一服務器接收客戶端發送的待測信息，并從預設的儲存有成熟提升樹模型的模型數據庫中，獲取與所述待測信息匹配的模型并將其設為目標提升樹模型；

第二服務器獲取所述第一服務器中的目標提升樹模型，并識別其中殘差比低于預設殘差閾值的分類回歸樹，提取所述分類回歸樹的決策屬性；其中，所述梯度提升樹模型至少具有一個用于對信息進行分類的分類回歸樹；

第三服務器根據所述決策屬性構建目標線性回歸函數，并從預設的儲存有樣本信息的樣本數據庫中，獲取與所述待測信息匹配的樣本信息并將其設為目標樣本；通過所述目標線性回歸函數計算所述目標樣本獲得線性參數，并通過所述線性參數構建預測模型；通過所述預測模型運算所述第一服務器的待測信息形成預測信息并將其發送所述客戶端。

2.根據權利要求1所述的低負載信息預測方法，其特征在于，所述成熟提升樹模型通過以下步驟獲得：

從儲存有樣本信息的樣本數據庫中獲取第一樣本信息，并通過所述第一樣本信息的目標數據和特征數據構建分類回歸樹以獲得初始梯度提升模型；

從所述樣本數據庫中獲取第二樣本信息，并通過所述第二樣本信息訓練所述初始梯度提升樹模型獲得成熟提升樹模型。

3.根據權利要求2所述的低負載信息預測方法，其特征在于，通過所述第一樣本信息的目標數據和特征數據構建分類回歸樹以獲得初始梯度提升模型的步驟，包括：

第一服務器的分類模塊提取所述樣本信息中的目標數據和特征數據，并按照特征數據的屬性對所述特征數據進行區分，以獲得分類特征數據和連續特征數據；

第一服務器的基尼模塊具有基尼目標函數，所述基尼模塊通過基尼目標函數根據特征數據計算所述目標數據的目標基尼指數，并分別計算所述分類特征數據和連續特征數據的基尼系數增益，以獲得屬性分類信息和連續分類信息；

第一服務器的創建模塊根據所述屬性分類信息和連續分類信息構建分類回歸樹以獲得初始梯度提升模型。

4.根據權利要求3所述的低負載信息預測方法，其特征在于，所述根據特征數據計算所述目標數據的目標基尼指數，并分別計算所述分類特征數據和連續特征數據的基尼系數增益，以獲得屬性分類信息和連續分類信息的步驟，包括：

通過基尼目標函數計算所述目標數據以獲得目標基尼指數；

按照分類特征數據的屬性對所述分類特征數據進行分類獲得分類方案，通過基尼特征函數根據所述目標基尼指數計算所述分類方案的基尼系數增益，將基尼系數增益最高的分類方案設為屬性分類信息；

按照預設的區間分割所述連續特征數據獲得區間特征數據，通過基尼目標函數根據所述目標基尼指數計算所述區間特征數據的基尼系數增益，根據各區間特征數據的基尼系數增益獲得連續分類信息；

低負載信息預測所述根據所述屬性分類信息和連續分類信息構建分類回歸樹以獲得初始梯度提升模型的步驟，包括：

分別將所述屬性分類信息和連續分類信息作為初始分類回歸樹的決策屬性，以獲得目標分類回歸樹；

按照所述屬性分類信息和連續分類信息的基尼系數增益確定各所述分類回歸樹的順序，根據該順序將所述分類回歸樹依次加入到預設的初始化模型以獲得初始梯度提升模型。

5.根據權利要求2所述的低負載信息預測方法，其特征在于，從所述樣本數據庫中獲取第二樣本信息，并通過所述第二樣本信息訓練所述初始梯度提升樹模型獲得成熟提升樹模型并將其發送第二服務器的步驟，包括：

第一服務器的采集模塊從所述樣本數據庫中獲取第二樣本信息，第一服務器的訓練模塊通過所述初始梯度提升模型計算第二樣本信息的特征數據獲得預測數據，及將所述預測數據與所述第二樣本信息的目標數據進行比對以獲得差異數據；

第一服務器的差異判斷模塊判斷所述差異數據是否小于預設的差異閾值；若小于所述差異閾值，則將所述初始梯度提升模型設為目標梯度提升模型；若不小于所述差異閾值，消除所述初始梯度提升模型并結束。