[發明專利]構建預測模型的方法、裝置、計算設備和存儲介質

在審

• 申請號: 202010612047.9
• 申請日: 2020-06-30
• 公開（公告）號: CN113869521A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 張彥芳;孫旭東;常慶龍;張亮
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 顏晶

本申請提供了一種構建預測模型的方法、裝置、計算設備和存儲介質，屬于人工智能技術領域。該方法包括：根據目標預測場景的目標數據集和/或目標預測場景的場景信息，獲取目標預測場景對應的模型搜索空間，其中，模型搜索空間包括模型和超參數，根據目標數據集和模型搜索空間包括的模型和超參數，進行模型訓練，以獲得完成訓練的預測模型，根據完成訓練的預測模型的評估結果，獲得目標預測場景對應的預測模型。采用本申請，可以提高構建預測模型的效率。

技術領域

本申請涉及人工智能技術領域，特別涉及一種構建預測模型的方法、裝置、計算設備和存儲介質。

背景技術

隨著計算技術的發展，通常使用預測模型去預測未來發生的一些現象，所以需要構建預測模型。

相關技術中，在構建預測模型時，模型搜索空間包括當前所有搜集到的機器學習模型，從模型搜索空間中隨機選擇一種機器學習模型，基于樣本數據，對該機器學習模型進行超參數優化并訓練，最后對完成訓練的預測模型，進行性能評估，并判斷模型搜索空間中的所有機器學習模型是否均嘗試過。若未均嘗試過，則重新在模型搜索空間中，選擇一種機器學習模型進行訓練，直到模型搜索空間中的所有機器學習模型均被嘗試過，選擇性能評估結果最好的預測模型作為輸出；若均嘗試過，則選擇性能評估結果最好的預測模型作為輸出。

由于模型搜索空間中包括的機器學習模型比較多，訓練所有的機器學習模型，所以需要耗費大量的處理資源，才能獲得預測模型，確定預測模型的效率比較低。

發明內容

本申請提供了一種構建預測模型的方法、裝置、計算設備和存儲介質，采用本申請可以提升確定預測模型的效率。

第一方面，提供了一種構建預測模型的方法，該方法包括：根據目標預測場景的目標數據集和/或目標預測場景的場景信息，獲取目標預測場景對應的模型搜索空間，其中，模型搜索空間包括模型和超參數，根據目標數據集和模型搜索空間包括的模型和超參數，進行模型訓練，以獲得完成訓練的預測模型，根據完成訓練的預測模型的評估結果，獲得目標預測場景對應的預測模型。

本申請所示的方案，在第一方面中，構建預測模型的方法由構建設備執行。構建設備可以使用目標預測場景的目標數據集和/或目標預測場景的場景信息，獲取目標預測場景對應的模型搜索空間，然后使用目標數據集和模型搜索空間包括的模型和超參數，獲得完成訓練的預測模型。構建設備對完成訓練的每個預測模型進行評估，獲得每個預測模型的評估結果。構建設備基于每個預測模型的評估結果，確定出目標預測場景對應的預測模型。這樣，由于構建設備能獲取到目標預測場景的模型搜索空間，所以模型搜索空間中可選擇的模型相對比較少，所以能夠快速的對模型搜索空間中的所有模型和超參數的組合，完成訓練，進而能夠節約預測模型的構建時長，提升確定預測模型的效率。

在一種可能的實現方式中，根據目標預測場景的目標數據集和/或目標預測場景的場景信息，獲取目標預測場景對應的模型搜索空間，包括：獲取初始模型搜索空間，其中，初始模型搜索空間是對歷史數據集進行分析獲得，歷史數據集為目標預測場景的目標數據集，或者歷史數據集中的數據與目標數據集中的數據相似；根據目標數據集和/或目標預測場景的場景信息，對初始模型搜索空間中的模型和/或超參數進行篩選，獲得目標預測場景對應的模型搜索空間，模型搜索空間中模型是初始模型搜索空間中的部分模型或全部模型，模型搜索空間中超參數是初始模型搜索空間中的部分超參數或全部超參數；或者，根據目標預測場景的目標數據集和/或目標預測場景的場景信息，在預設的模型和超參數中，獲取目標預測場景對應的模型搜索空間。