[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

本發明公開了低負載信息預測方法、裝置、計算機系統及可讀存儲介質，包括：接收待測信息，從儲存有成熟提升樹模型的模型數據庫中，獲取與待測信息匹配的模型并將其設為目標提升樹模型；獲取目標提升樹模型，并識別其中殘差比低于預設殘差閾值的分類回歸樹，提取分類回歸樹的決策屬性；根據決策屬性構建目標線性回歸函數，并從儲存有樣本信息的樣本數據庫中，獲取與待測信息匹配的樣本信息并將其設為目標樣本；通過目標線性回歸函數計算目標樣本獲得線性參數，并通過線性參數構建預測模型；通過預測模型運算待測信息形成預測信息。本發明解決了目前的服務器會因其消耗大量運算能力的技術瓶頸，導致無法快速準確的對待預測信息進行預測的問題。

技術領域

本發明涉及計算機技術領域，尤其涉及一種低負載信息預測方法、裝置、計算機系統及可讀存儲介質。

背景技術

預測模型是指以歷史數據為依據，基于數學語言或公式所描述的事物間的數量關系，對當前數據進行運算以預測該數據主體的性質或特征的計算機程序，目前的預測模型主要是通過的構建方法主要是采用預設的目標函數，再利用大數據對該預測模型進行訓練所獲得的線性回歸模型，以及基于二叉樹建立的隨機森林或提升樹模型建立的模型；但是在現實情況中，線性回歸模型只能處理特征信息維度較小的待預測信息，而對于特征信息的維度可達到成百上千個，現有的線性回歸模型將無法準確計算該數據獲得預測結果。

因此，目前通常采用構建有隨機森林或提升樹模型的服務器對接收到的待預測信息進行預測，然而隨機森林或提升樹模型，會因待預測信息中的維度過多，導致服務器需要耗費很強的運算能力對其進行預測；因此，一旦需要處理的待預測信息數量十分龐大(如成百上千萬個待遇測數據)時，目前的服務器會因其消耗大量運算能力的技術瓶頸，導致無法快速準確的對待預測信息進行預測。

發明內容

本發明的目的是提供一種低負載信息預測方法、裝置、計算機系統及可讀存儲介質，用于解決現有技術存在的當前線性回歸模型將無法準確計算具有大量特征信息維度的數據獲得預測結果，以及目前隨機森林或提升樹模型在處理龐大數量待預測信息時，會因其消耗大量運算能力的技術瓶頸，導致無法快速準確的對待預測信息進行預測的問題。

為實現上述目的，本發明提供一種基于人工智能的低負載信息預測方法，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。

上述方案中，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。

上述方案中，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；