CN109658124A - 基于大数据的效果预测方法、装置、介质及电子设备 - Google Patents

Abstract

本发明实施例提供了一种基于大数据的效果预测方法、装置、介质及电子设备，属于大数据技术领域的预测估值技术。该方法包括：按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。本发明实施例的技术方案可以提高数据预测精度。

Description

基于大数据的效果预测方法、装置、介质及电子设备

技术领域

本发明涉及数据分析技术领域的预测估值技术，具体而言，涉及一种基于大数据的效果预测方法、基于大数据的效果预测装置、存储介质及电子设备。

背景技术

随着计算机的普及，数据共享的程度越来越高，导致数据变得越来越复杂和多元。为了充分利用资源，产生最大效益，从而对市场和产品做出更加明智的决策，数据预测成为了管理者的主要依据。

现有的预测方法主要是利用历史数据来预测市场或者产品的变化规律，从而得到未来的特定时间点可能产生的效益。此外，还有些预测方法可以预测特定影响因素对市场或者产品的影响，从而可以根据当前或者未来该影响因素的变化预测可能产生的效益。但是影响市场或者产品的影响因素往往是多个，对单一影响因素的市场的预测已不能满足预测的精度要求。

因此，如何克服单一影响因素的片面性，对多个影响因素的市场进行预测，提高预测的精确度成为了亟待解决的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明实施例的目的在于提供一种基于大数据的效果预测方法，进而至少在一定程度上克服对预测数据的预测精度低的问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明实施例的第一方面，提供了一种基于大数据的效果预测方法，包括：

按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；

将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；

确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；

根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。

在本发明的一种示例实施例中，得到所述待预测目标时间段的预测数据之后包括：

计算所述待预测目标时间段的预测数据在所述历史数据基础上的提升比例，以得到所述预测数据的预测效果。

在本发明的一种示例实施例中，得到所述待预测目标时间段的预测数据之后还包括：

获取待预测目标时间段的真实数据，验证所述提升比例是否正确；

在所述提升比例不正确时，将所述真实数据和所述关键影响参数的多个参数值加入所述训练集，训练所述机器学习模型。

在本发明的一种示例实施例中，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：

分析各时间段对应的历史数据与所述多个影响参数的相关性；

选取所述相关性最大的影响参数作为对应时间段的关键影响参数。

在本发明的一种示例实施例中，所述将所述关键影响参数的多个参数值输入训练后的所述机器学习模型包括：

根据待预测目标时间段对应的所述历史数据，增大或减小所述关键影响参数对应的参数值。

在本发明的一种示例实施例中，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：

获取包含所述历史数据的多个样本；

根据所述多个时间段，统计各影响参数的样本数量；

选取每一时间段中所述样本数量最多的影响参数作为每一时间段的关键影响参数。

在本发明的一种示例实施例中，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：

从所述影响参数中确定各时间段对应的一个或多个关键影响参数。

根据本发明实施例的第二方面，提供一种基于大数据的效果预测装置，包括：

获取数据单元，用于按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；

获取模型单元，用于将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；

预测单元，用于确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；

确定预测结果单元，用于根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。

根据本发明实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的基于大数据的效果预测方法。

根据本发明实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的基于大数据的效果预测方法。

在本发明的一些实施例所提供的技术方案中，按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。一方面，可以将预测过程智能化，利用机器学习模型获取预测数据，提高预测的效率，并且可以提高预测的精确度；另一方面，利用机器学习模型得到关键影响参数的多个参数值的多组预测数据，可以选择最优的预测数据，实现了效果最优化，可以提高预测的可信度和实用性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本发明的实施例的基于大数据的效果预测方法的流程图；

图2示意性示出了根据本发明的实施例的基于大数据的效果预测装置的框图；

图3示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

现有的预测方法对于多个影响因素作用的市场或者产品的预测过于片面，造成不能精确预测市场或产品变化趋势的问题。

基于此，本发明的示例实施方式中首先提供了一种基于大数据的效果预测方法。如图1所示，该方法可以包括步骤S110、S120、S130、S140。其中：

步骤S110，按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；

步骤S120，将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；

步骤S130，确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；

步骤S140，根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。

根据本示例实施例中的基于大数据的效果预测方法，按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。一方面，可以将预测过程智能化，利用机器学习模型获取预测数据，提高预测的效率，并且可以提高预测的精确度；另一方面，利用机器学习模型得到关键影响参数的多个参数值的多组预测数据，可以选择最优的预测数据，实现了效果最优化，可以提高预测的可信度和实用性。

下面，将结合图1对本示例实施例中的基于大数据的效果预测方法的各个步骤进行更加详细的说明。

步骤S110，按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数。

在本示例实施例中，历史数据可以是需要进行预测的产品或者市场的已经产生的数据。例如，某产品的销售总额、某公司的市场占比的变化趋势等。历史数据可以是过去一年的数据，或者过去十年的数据。例如，某产品过去十年的销量统计等。历史数据对应的多个时间段可以是根据历史数据的变化趋势对历史时间进行划分，从而可以分析每个时间段内历史数据的规律变化的趋势。每一时间段可以有一个或者多个影响参数，可以根据影响参数对历史数据的影响效果的大小，确定关键影响参数。优选地，关键影响参数可以是一个，或者多个。根据实际情况，可以对每一段时间的影响参数进行评估，选取最大影响效果对应的影响参数作为关键影响参数。例如，2016年6月份啤酒的销售额的影响参数是价格、营销活动、温度、体育赛事等，确定营销活动和体育赛事是关键影响参数。

历史数据的多个影响参数可以是历史数据中影响数据不断变化的自变量，或者根据分析历史数据的特征确定的影响参数。例如，温度、地理位置、价格、数量等。按照时间序列，选取各个时间段内的关键影响参数。关键影响参数可以分析历史数据的变化和各个影响参数的参数值之间变化来确定，选取变化趋势最接近的影响参数作为关键影响参数。例如，分析某产品的销售额，可以绘制价格随时间变化的折线图，地理位置随时间变化的折线图，销售额随时间变化的折线图，选取这些折线图中，变化趋势最接近销售额随时间变化的折线图的影响参数最为关键影响参数。

进一步地，为了更方便确定影响参数中的关键影响参数，本示例实施例可以包括：

分析各时间段对应的历史数据与多个影响参数的相关性；

选取相关性最大的影响参数作为对应时间段的关键影响参数。

可以分析在某一时间段内的多个影响参数中，每一个影响参数与该时间段的历史数据的相关性。相关性可以是影响参数与历史数据之间的关联程度。影响参数和历史数据的相关关系可以是正相关、负相关等。相关性的分析方法可以采用图表相关分析方法，也可以采用协方差、相关系数等方法。相关性越高可以表示相关关系越密切。

分析出某个时间段中的每一个影响参数与该时间段的历史数据的相关性后，选取相关性最大的影响参数作为关键影响参数。关键影响参数可以是一个或者多个。可以对每个影响参数与历史数据的相关性从高到低进行排序，根据实际需求选取排在前面的一个或者多个影响参数作为关键影响参数。

更进一步地，确定影响参数中的关键影响参数还可以包括：

获取包含所述历史数据的多个样本；

根据所述多个时间段，统计各影响参数的样本数量；

选取每一时间段中所述样本数量最多的影响参数作为每一时间段的关键影响参数。

多个样本可以是多组历史数据，每个样本可以包含一组历史数据。根据历史数据的多个时间段，可以在每个样本的同一时间段内，统计该时间段内的影响参数，从而可以统计出在该时间段内，各个影响参数的样本数量。例如，获取50个样本，在第一个时间段，有20个样本的影响参数为价格，有10个样本的影响参数为温度，有10个为位置条件等。统计出各影响参数的样本数量后，还可以根据样本数量计算对应的占比。样本占比可以是某一个影响参数的样本在所以样本数量中所占的比重。例如，50个样本中，在第一个时间段，有20个样本的影响参数为价格，那么价格的样本数量为20，样本占比可以为0.4。计算出每一时间段的所有样本占比后，可以选择每一时间段的样本占比最大的影响参数作为该时间段的关键影响参数。例如，第一个时间段的所有样本占比中，价格的样本占比最大，那么价格可以作为第一个时间段的关键影响参数。

步骤S120，将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型。

将每一时间段的关键影响参数和该时间段的历史数据可以作为训练样本集，对机器学习模型进行训练。机器学习模型可以学习到关键影响参数对历史数据的作用时，历史数据产生的变化规律。训练机器学习模型可以使用任何技术手段，比如，深度学习技术等，本示例实施例对此不做特殊限定。

步骤S130，确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型。

待预测目标时间段的关键影响参数可以将历史数据的该时间段对应的关键影响参数作为待预测目标时间段的关键影响参数。在训练机器学习模型后，可以将待预测目标时间段的关键影响的所以可能参数值输入机器学习模型，获取多组预测数据。关键影响参数可以增大或者减小，还可以根据关键影响参数与历史数据的关系来调整，也就是说，如果历史数据与关键影响参数成正相关关系，增大关键影响参数可以得到更高的数据。例如，价格与销售额成正相关，那么增大价格，可以获得更高的销售额。当然，历史数据也可以与关键影响参数成负相关，增大关键影响参数可以得到更低的预测数据。

此外，还可以在获取真实数据后，对上述的预测数据的提升比例进行验证，如果预测数据不正确，可以将真实数据加入训练集，来优化机器学习模型，从而使得模型预测的数据更加拟合真实数据，提高数据预测的准确性。

步骤S140，根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。

根据机器学习模型的输出结果可以确定待预测目标时间段的预测数据，也可以确定预测数据对应的参数值。机器学习模型的输出结果可以是多组数据，根据实际需求可以在多组数据选择与预想效果最相符合的一组数据，也可以选择输出结果中，预测数据效果提升最高的一组数据。根据输出的预测数据可以得出预测效果。例如，2017年6月，水杯的销售量为100，预测的2018年6月该水杯的销售量为150，那么预测的效果就是可以在历史数据的基础上提升百分之五十。

进一步地，得到预测数据后，可以根据历史数据来计算预测数据在历史数据的基础上提升的比例。例如，可以用公式(p-h)/h来计算提升比例，其中p为预测数据，h为历史数据。

以下介绍本发明的装置实施例，可以用于执行本发明上述的基于大数据的效果预测方法。如图2所示，该基于大数据的效果预测装置200可以包括：

获取数据单元210，用于按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；

获取模型单元220，用于将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；

预测单元230，用于确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；

确定预测结果单元240，用于根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。

由于本发明的示例实施例的基于大数据的效果预测装置的各个功能模块与上述的基于大数据的效果预测方法的示例实施例的步骤对应，因此对于本发明装置实施例中未披露的细节，请参照本发明上述的基于大数据的效果预测方法的实施例。

下面参考图3，其示出了适于用来实现本发明实施例的电子设备的计算机系统300的结构示意图。图3示出的电子设备的计算机系统300仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，计算机系统300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有系统操作所需的各种程序和数据。CPU301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的基于大数据的效果预测方法。

例如，所述的电子设备可以实现如图1中所示的：步骤S110，获取待预测项目的历史数据，以及影响所述待预测项目的多个影响参数；步骤S120，根据时间序列获取所述历史数据的多个时间段，并从所述多个影响参数中确定每一时间段的关键影响参数；步骤S130，将所述关键影响参数及关键影响参数对应时间段的所述历史数据作为训练集，训练机器学习模型；步骤S140，获取当前时间对应时间段的关键影响参数，调整所述当前时间对应时间段的关键影响参数，并将调整后的所述关键影响参数输入训练后的所述机器学习模型，得到所述待预测项目的预测数据。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于大数据的效果预测方法，其特征在于，包括：

按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；

将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；

确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；

根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。

2.根据权利要求1所述的基于大数据的效果预测方法，其特征在于，得到所述待预测目标时间段的预测数据之后包括：

计算所述待预测目标时间段的预测数据在所述历史数据基础上的提升比例，以得到所述预测数据的预测效果。

3.根据权利要求2所述的基于大数据的效果预测方法，其特征在于，得到所述待预测目标时间段的预测数据之后还包括：

获取待预测目标时间段的真实数据，验证所述提升比例是否正确；

在所述提升比例不正确时，将所述真实数据和所述关键影响参数的多个参数值加入所述机器学习模型的训练集，训练所述机器学习模型。

4.根据权利要求1所述的基于大数据的效果预测方法，其特征在于，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：

分析各时间段对应的历史数据与所述多个影响参数的相关性；

选取所述相关性最大的影响参数作为对应时间段的关键影响参数。

5.根据权利要求1所述的基于大数据的效果预测方法，其特征在于，所述将所述关键影响参数的多个参数值输入训练后的所述机器学习模型包括：

根据待预测目标时间段对应的所述历史数据，增大或减小所述关键影响参数对应的参数值。

6.根据权利要求1所述的基于大数据的效果预测方法，其特征在于，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：

获取包含所述历史数据的多个样本；

根据所述多个时间段，统计各影响参数的样本数量；

选取每一时间段中所述样本数量最多的影响参数作为每一时间段的关键影响参数。

7.根据权利要求1所述的基于大数据的效果预测方法，其特征在于，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：

从所述影响参数中确定各时间段对应的一个或多个关键影响参数。

8.一种基于大数据的效果预测装置，其特征在于，包括：

获取数据单元，用于按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；

获取模型单元，用于将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；

预测单元，用于确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；

确定预测结果单元，用于根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至8中任一项所述的基于大数据的效果预测方法。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的基于大数据的效果预测方法。