CN112365156A - 一种数据处理方法、数据处理装置、终端及存储介质 - Google Patents
一种数据处理方法、数据处理装置、终端及存储介质 Download PDFInfo
- Publication number
- CN112365156A CN112365156A CN202011251601.1A CN202011251601A CN112365156A CN 112365156 A CN112365156 A CN 112365156A CN 202011251601 A CN202011251601 A CN 202011251601A CN 112365156 A CN112365156 A CN 112365156A
- Authority
- CN
- China
- Prior art keywords
- index
- prediction
- index value
- target
- value corresponding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据处理方法、数据处理装置、终端及存储介质,其中,该数据处理方法包括,获取待处理的数据;根据待处理的数据的类型确定指标预测模型;采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值。通过实施上述方法,可以提高指标值的预测效率,提升指标值的预测准确率。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种数据处理方法、一种数据处理装置、一种终端以及一种计算机可读存储介质。
背景技术
指标是指预期达到的指数、规格、标准等,指标对应的指标值能够指示事物的发展方向,对指标对应的指标值进行合理地预测,能够在一定程度上对事物未来的发展方向进行控制;例如,企业、公司等运营机构需要对运营指标在未来一段时间内的指标值进行预测,以合理安排运营资源、调整运营策略、对下级机构进行预警或者向下级机构下达运营任务等;因此,如何对指标进行准确预测成为当前亟待解决的问题。
目前,指标的预测主要依赖于人工,由统计人员对指标的历史指标值进行计算,得到指标的预测指标值;例如,统计人员对指标前三个月的历史指标值进行计算,得到该指标未来三个月的预测指标值;上述人工计算的过程需要耗费大量的人力资源、存在计算误差,并且不同的统计人员计算得到的预测指标值可能存在差异,导致指标的预测效率低、预测得到的指标值不准确。
发明内容
本发明实施例提供了一种数据处理方法、数据处理装置、终端及存储介质,可以提高指标值的预测效率,提升指标值的预测准确率。
一方面,本发明实施例提供了一种数据处理方法,该数据处理方法包括:
获取待处理的数据,待处理的数据包括目标指标对应的历史指标值;
根据待处理的数据的类型确定指标预测模型,指标预测模型包括第一指标预测模型和/或第二指标预测模型,第一指标预测模型是基于预设规则构建的规则模型,第二指标预测模型是根据训练样本集训练得到的神经网络模型;
采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;
获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;
基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;
基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值。
一方面,本发明实施例提供了一种数据处理装置,该数据处理装置包括:
获取模块,用于获取待处理的数据,待处理的数据包括目标指标对应的历史指标值;
确定模块,用于根据待处理的数据的类型确定指标预测模型,指标预测模型包括第一指标预测模型和/或第二指标预测模型,第一指标预测模型是基于预设规则构建的规则模型,第二指标预测模型是根据训练样本集训练得到的神经网络模型;
预测模块,用于采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;
确定模块,还用于获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;
确定模块,还用于基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;
处理模块,还用于基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值。
一方面,本发明实施例提供了一种终端,该终端包括处理器、输入接口、输出接口和存储器,所述处理器、输入接口、输出接口和存储器相互连接,其中,存储器用于存储计算机程序,计算机程序包括程序指令,处理器被配置用于调用程序指令,执行上述数据处理方法。
一方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令当被处理器执行时使处理器执行上述数据处理方法。
本发明实施例中,获取待处理的数据,待处理的数据包括目标指标对应的历史指标值;根据待处理的数据的类型确定指标预测模型,指标预测模型包括第一指标预测模型和/或第二指标预测模型,第一指标预测模型是基于预设规则构建的规则模型,第二指标预测模型是根据训练样本集训练得到的神经网络模型;采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值,可以提高指标值的预测效率,提升指标值的预测准确率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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。
图1是本发明实施例提供的一种数据处理方法的流程示意图;
图2是本发明实施例提供的一种参考指标获取页面的页面示意图;
图3是本发明实施例提供的另一种数据处理方法的流程示意图;
图4示出了本发明实施例提供的一种统计页面的页面示意图;
图5是本发明实施例提供的一种数据处理装置的结构示意图;
图6是本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例涉及指标,指标是指预期达到的指数、规格、标准等,指标对应的指标值能够指示事物的发展方向,对指标对应的指标值进行合理地预测,能够在一定程度上对事物未来的发展方向进行控制。本发明实施例中提及的指标包括但不限于以下至少一种:NBEV(New Business Embedded Value,新销售业务所创造的价值)指标、增员率指标、脱落率指标、运营环境指标、天气指标、温度指标等。本发明实施例提供一种数据处理方案,在该数据处理方案中,采用指标预测模型对目标指标对应的历史指标值进行预测处理,能够得到目标指标值对应的预测指标值,可以提高指标值的预测效率,提升指标值的预测准确率。
本发明实施例提供的数据处理方法实现于终端,其中,终端可以包括智能手机、平板电脑、数字音视频播放器、电子阅读器、手持游戏机或车载电子设备等电子设备。
图1是本发明实施例提供的一种数据处理方法的流程示意图,如图1所示,本实施例中的数据处理方法的流程可以包括:
S101、终端获取待处理的数据。
本发明实施例中,待处理的数据包括目标指标对应的历史指标值;待处理的数据具体可以是由终端用户输入的,终端对终端用户输入的待处理的数据进行获取;例如,目标指标获取页面显示于终端中,终端用户在目标指标获取页面中选择目标指标,并在目标指标对应的指标值输入框中输入目标指标对应的历史指标值,则终端将上述终端用户输入的历史指标值确定为待处理的数据;待处理的数据具体还可以是终端从终端的数据库中获取到的,终端的数据库中存储有至少一个指标以及每个指标的历史指标值,目标指标是数据库中存储的任一个指标。
S102、终端根据待处理的数据的类型确定指标预测模型。
本发明实施例中,终端在获取到待处理的数据之后,根据待处理的数据的类型确定指标预测模型。具体地,指标预测模型包括第一指标预测模型和/或第二指标预测模型;第一指标预测模型是基于预设规则构建的规则模型,基于预设规则构建的规则模型可以包括以下任一种:月度趋势平滑模型、月度趋势提出模型、去年同期模型、前三月均值模型、前三月同期趋势模型、分职级脱落率模型等;第二指标预测模型是根据训练样本集训练得到的神经网络模型,神经网络模型可以包括以下任一种:卷积神经网络(ConvolutionalNeural Networks,CNN)模型、循环神经网络(Recurrent Neural Network,RNN)模型、深度神经网络(Deep Neural Networks,DNN)模型等。指标的类型可以包括单项指标和综合指标;单项指标是指计算时不依赖于其他指标的简单指标,例如长方形的长和长方形的宽均为单项指标;综合指标是指由至少一个单项指标计算得到的复杂指标,例如长方形的面积这一综合指标是由两个单项指标(即长方形的长和长方形的宽)计算得到的复杂指标。若待处理的数据(即目标指标)的类型为单项指标,则终端确定指标预测模型为第一指标预测模型或第二指标预测模型;若待处理的数据(即目标指标)的类型为综合指标,则终端确定指标预测模型为第一指标预测模型和第二指标预测模型。
在一种实现方式中,终端对第二指标预测模型进行训练过程可以包括,终端获取训练样本集,训练样本集包括至少一个指标以及至少一个指标中每个指标对应的历史指标值;终端搭建初始指标预测模型;终端根据至少一个指标以及每个指标对应的历史指标值对初始指标预测模型进行迭代训练,以更新初始指标预测模型中的参数;当检测到参数更新后的初始指标预测模型满足预设条件时,终端将参数更新后的初始指标预测模型确定为第二指标预测模型,预设条件包括初始指标预测模型对于训练样本集中的历史指标值的预测准确率高于预设准确率;例如,训练样本集中包括1个指标以及该指标4月、5月这2个月的历史指标值,终端采用初始指标预测模型对指标4月的历史指标值60进行预测处理,得到该指标5月份的预测指标值63,该指标5月的实际历史指标值为70,预测准确率为1-[(70-63)/70]=0.9,高于预设准确率0.85,该初始指标预测模型满足预设条件。
S103、终端采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值。
本发明实施例中,终端根据待处理的数据的类型确定指标预测模型之后,采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值。
在一种实现方式中,指标预测模型包括第一指标预测模型和第二指标预测模型,终端采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值的具体实施方式可以为:终端采用第一指标预测模型对历史指标值进行预测处理,得到目标指标对应的第一预测指标值,以及终端采用第二指标预测模型对历史指标值进行预测处理,得到目标指标对应的第二预测指标值;若第一预测指标值和第二预测指标值满足预设筛选条件,则终端获取第一指标预测模型对应的第一模型权重,以及获取第二指标预测模型对应的第二模型权重;终端采用第一模型权重对第一预测指标值进行加权处理,得到第一加权预测指标值,以及终端采用第二模型权重对第二预测指标值进行加权处理,得到第二加权预测指标值;终端对第一加权预测指标值和第二加权预测指标值进行求和处理,得到初始预测指标值。其中,第一模型权重和第二模型权重可以是根据经验设定的经验值;第一模型权重可以大于第二模型权重,例如第一模型权重为0.7,第二模型权重为0.3;第一模型权重可以等于第二模型权重,例如第一模型权重为0.5,第二模型权重为0.5;第一模型权重也可以小于第二模型权重,例如第一模型权重为0.3,第二模型权重为0.7。预设筛选条件是指第一预测指标值和第二预测指标值的差值的绝对值小于差值阈值;若第一预测指标值和第二预测指标值的差值的绝对值小于差值阈值,则表明第一预测指标值与第二预测指标值之间的差值较小,第一指标预测模型或第二指标预测模型对历史指标值进行预测时的计算误差较小;若第一预测指标值和第二预测指标值的差值的绝对值大于或等于差值阈值,则表明第一预测指标值与第二预测指标值之间的差值较大,第一指标预测模型或第二指标预测模型中的任一个对历史指标值进行预测时可能存在较大计算误差。
举例来说,第一指标预测模型的权重为0.3,第二指标预测模型的权重为0.7;终端采用第一指标预测模型对历史指标值进行预测处理得到的目标指标对应的第一预测指标值60,终端采用第二指标预测模型对历史指标值进行预测处理得到的目标指标对应的第二预测指标值为63,第一预测指标值和第二预测指标值的差值的绝对值3小于差值阈值5,第一预测指标值和第二预测指标值满足预设筛选条件,终端采用第一模型权重0.3对第一预测指标值进行加权处理,得到第一加权预测指标值18,终端采用第二模型权重0.7对第二预测指标值进行加权处理,得到第二加权预测指标值44.1,终端对第一加权预测指标值和第二加权预测指标值进行求和处理得到的初始预测指标值62.1。
S104、终端获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值。
本发明实施例中,终端采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值之后,获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值。
在一种实现方式中,终端获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值的具体实施方式可以参见图2,图2是本发明实施例提供的一种参考指标获取页面的页面示意图,终端显示参考指标获取页面20,参考指标获取页面中显示有参考指标列表201,参考指标列表201包括与目标指标具有关联关系的至少一个参考指标;若参考指标列表中的目标参考指标202被选中(例如终端用户点击目标参考指标列表202),则终端在参考指标获取页面20的目标位置处显示指标值输入框203,目标参考指标202是参考指标列表201中的任一个参考指标,目标位置可以包括以下任一种:目标参考指标202的顶部位置、目标参考指标202的底部位置、目标参考指标202的左部位置、目标参考指标202的右部位置,如图2所示,指标输入框203位于目标参考指标202的右部位置;当存在作用于指标值输入框203的输入操作(例如终端用户在指标输入框203中输入参考指标值)时,终端获取输入指标值输入框203中的目标参考指标202对应的目标参考指标值。
在另一种实现方式中,终端获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值的具体实施方式可以为:终端从终端的数据库中获取与目标指标具有关联关系的至少一个参考指标,并从数据库中获取至少一个参考指标中每个参考指标对应的参考指标值。参考指标可以包括以下至少一种:运营环境指标、天气指标、温度指标。
S105、终端基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数。
本发明实施例中,终端获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值之后,基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数。
在一种实现方式中,与目标指标具有关联关系的参考指标有2个,分别是第一参考指标和第二参考指标,终端基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数的具体实施方式可以为:终端获取第一参考指标对应的第一参考指标值、第二参考指标对应的第二参考指标值,以及获取第一参考指标对应的第一参考指标阈值、第二参考指标对应的第二参考指标阈值,以及获取第一参考指标对应的第一指标权重、第二参考指标对应的第二指标权重;终端基于第一参考指标值和第一参考指标阈值之间的比值确定第一加权系数,以及基于第二参考指标值和第二参考指标阈值之间的比值确定第二加权系数;终端采用第一指标权重对第一加权系数进行加权处理,得到第一目标加权系数,以及采用第二指标权重对第二加权系数进行加权处理,得到第二目标加权系数;终端对第一目标加权系数和第二目标加权系数进行求和处理,得到针对初始预测指标值的加权系数。其中,第一指标权重和第二指标权重可以是根据经验设定的经验值,例如,目标指标为NBEV指标,第一参考指标为运营环境指标,第二参考指标为天气指标,运营环境指标与NBEV指标之间的关联性强于天气指标与NBEV指标之间的关联性,则终端可以设置运营环境指标对应的第一指标权重高于天气指标对应的第二指标权重。
举例来说,终端获取第一参考指标对应的第一参考指标值63、第二参考指标对应的第二参考指标值48,以及获取第一参考指标对应的第一参考指标阈值70、第二参考指标对应的第二参考指标阈值60,以及获取第一参考指标对应的第一指标权重0.7、第二参考指标对应的第二指标权重0.3;终端基于第一参考指标值和第一参考指标阈值之间的比值确定得到第一加权系数0.9,以及基于第二参考指标值和第二参考指标阈值之间的比值确定第二加权系数0.8;终端采用第一指标权重对第一加权系数进行加权处理,得到第一目标加权系数0.63,以及采用第二指标权重对第二加权系数进行加权处理,得到第二目标加权系数0.24;终端对第一目标加权系数和第二目标加权系数进行求和处理,得到加权系数0.87。
S106、终端基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值。
本发明实施例中,终端基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数之后,基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值。例如,终端基于加权系数0.87对初始预测指标值62.1进行加权处理,得到目标指标对应的目标预测指标值54.027。
本发明实施例中,终端获取待处理的数据,待处理的数据包括目标指标对应的历史指标值;终端根据待处理的数据的类型确定指标预测模型,指标预测模型包括第一指标预测模型和/或第二指标预测模型,第一指标预测模型是基于预设规则构建的规则模型,第二指标预测模型是根据训练样本集训练得到的神经网络模型;终端采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;终端获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;终端基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;终端基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值,可以提高指标值的预测效率,提升指标值的预测准确率。
图3是本发明实施例提供的另一种数据处理方法的流程示意图,如图3所示,本实施例中的数据处理方法的流程可以包括:
S301、终端获取待处理的数据。
S302、终端根据待处理的数据的类型确定指标预测模型。
S303、终端采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值。
S304、终端获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值。
S305、终端基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数。
S306、终端基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值。
本发明实施例中步骤S301的执行过程与图1所示实施例中步骤S101的执行过程相同,步骤S302的执行过程与图1所示实施例中步骤S102的执行过程相同,步骤S303的执行过程与图1所示实施例中步骤S103的执行过程相同,步骤S304的执行过程与图1所示实施例中步骤S104的执行过程相同,步骤S305的执行过程与图1所示实施例中步骤S105的执行过程相同,步骤S306的执行过程与图1所示实施例中步骤S106的执行过程相同,具体执行过程可参见图1所示实施例,在此不再赘述。
S307、终端获取与目标指标具有关联关系的至少一个关联指标,以及获取至少一个关联指标中每个关联指标对应的预测指标值。
本发明实施例中,终端基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值之后,获取与目标指标具有关联关系的至少一个关联指标,以及获取至少一个关联指标中每个关联指标对应的预测指标值。此处的关联指标与图3中提及的参考指标的区别在于,参考指标的指标值能够对目标指标的指标值产生影响,例如,参考指标为运营环境指标,目标指标为NBEV指标,运营环境指标的指标值能够对NBEV指标的指标值产生影响;而通过关联指标的指标值能够计算得到目标指标的指标值,例如,目标指标为东部地区的NBEV指标,与东部地区的NBEV指标具有关联关系的关联指标有3个,分别是上海的NBEV指标、江苏的NBEV指标、浙江的NBEV指标,东部地区的NBEV指标的指标值是根据上海的NBEV指标的指标值、江苏的NBEV指标的指标值和浙江的NBEV指标的指标值相加得到的。
S308、终端获取目标指标与至少一个关联指标之间的运算规则,并基于运算规则对各个关联指标对应的预测指标值进行计算,得到关联预测指标值。
本发明实施例中,终端获取与目标指标具有关联关系的至少一个关联指标,以及获取至少一个关联指标中每个关联指标对应的预测指标值之后,获取目标指标与至少一个关联指标之间的运算规则,并基于运算规则对各个关联指标对应的预测指标值进行计算,得到关联预测指标值。
举例来说,目标指标为东部地区的NBEV指标,与目标指标具有关联关系的指标为上海的NBEV指标、江苏的NBEV指标和浙江的NBEV指标,东部地区的NBEV指标与上海的NBEV指标、江苏的NBEV指标、浙江的NBEV指标之间的运算规则是东部地区的NBEV指标的指标值等于上海的NBEV指标的指标值、江苏的NBEV指标的指标值与浙江的NBEV指标的指标值之和;终端基于上述运算规则对上海的NBEV指标对应的预测指标值、江苏的NBEV指标对应的预测指标值、浙江的NBEV指标对应的预测指标值进行求和运算,得到关联预测指标值。
S309、终端确定目标预测指标值与关联预测指标值之间的相似度。
本发明实施例中,终端获取目标指标与至少一个关联指标之间的运算规则,并基于运算规则对各个关联指标对应的预测指标值进行计算,得到关联预测指标值之后,确定目标预测指标值与关联预测指标值之间的相似度。
在一种实现方式中,终端确定目标预测指标值与关联预测指标值之间的相似度的具体实施方式可以为:终端确定目标预测指标值与关联预测指标值之间的差值的绝对值;终端确定目标预测指标值与关联预测指标值的均值;终端基于目标预测指标值与关联预测指标值之间的差值的绝对值、目标预测指标值与关联预测指标值的均值确定目标预测指标值与关联预测指标值之间的相似度。例如,目标预测指标值为60,关联预测指标值为64,目标预测指标值与关联预测指标值之间的差值的绝对值为4,目标预测指标值与关联预测指标值的均值为62,目标预测指标值与关联预测指标值之间的相似度为1-(4/62)=0.935。
S310、终端基于相似度确定目标预测指标值的置信度。
本发明实施例中,终端确定目标预测指标值与关联预测指标值之间的相似度之后,基于相似度确定目标预测指标值的置信度,目标预测指标值的置信度可以是目标预测指标值与关联预测指标值之间的相似度与预设相似度阈值之间的比值,预设相似度阈值是根据经验值设定的,例如,预设相似度阈值为1.1;或者,目标预测指标值的置信度还可以是目标预测指标值与关联预测指标值之间的相似度。
S311、终端获取目标预测指标值的置信度对应的显示方式,并基于显示方式对目标指标预测值以及各个所述关联指标对应的预测指标值进行显示。
本发明实施例中,终端基于相似度确定目标预测指标值的置信度之后,置信度确定置信度对应的显示方式,并基于显示方式对目标指标预测值以及各个所述关联指标对应的预测指标值进行显示。
在一种实现方式中,若目标预测指标值的置信度大于预设置信度阈值,则置信度对应的显示方式为第一显示方式,第一显示方式是指在统计页面中将目标指标预测值以及各个关联指标对应的预测指标值的颜色设置为第一颜色,统计页面中除目标指标预测值以及各个关联指标对应的预测指标值之外的其他指标值显示为第二颜色;若目标预测指标值的置信度小于或等于预设置信度阈值,则置信度对应的显示方式为第二显示方式,第二显示方式是指在统计页面中将目标指标预测值以及各个关联指标对应的预测指标值的颜色设置为第三颜色,统计页面中除目标指标预测值以及各个关联指标对应的预测指标值之外的其他指标值显示为第二颜色。如图4所示,图4示出了本发明实施例提供的一种统计页面的页面示意图,统计页面40中显示有5个指标以及5个指标对应的预测指标预测值(包括初始预测指标值和目标预测指标值),其中,第一指标401、第二指标402是与目标指标403具有关联关系的关联指标,目标预测指标值的置信度为0.4,小于预设置信度阈值0.5;在统计页面中,终端将第一指标401、第二指标402和目标指标403,以及第一指标401对应的预测指标值、第二指标402对应的预测指标值以及目标指标403对应的目标预测指标值显示为第三颜色(例如图4中的黑色);终端将第三指标404、第四指标405,以及第三指标404对应的预测指标值和第四指标405对应的预测指标值显示为第二颜色(例如图4中的灰色)。通过对置信度大于预设置信度阈值的指标值,与置信度小于或等于置信度阈值的指标值进行区别显示,便于对不同置信度的指标值进行区分,终端用户能够直观地查阅各个指标值的置信度的分布情况,以对指标预测模型的参数进行调整,优化指标预测模型,进一步提升指标预测模型的预测准确率。
进一步的,终端还可以将目标指标对应的历史指标值和目标预测指标值进行广播,以使得区块链中的节点对历史指标值和目标预测指标值进行共识校验;若接收到的共识校验结果指示对历史指标值和目标预测指标值校验通过,则终端将历史指标值和目标预测指标值打包成区块,并将区块发布至区块链中;区块链是指一套去中心化、具备分布式存储特点的基础架构,具体是一种按照时间顺序将数据区块用类似链表的方式组成的数据结构,能够安全存储有先后关系的、能在系统内进行验证的数据,并以密码学方式保证数据不可篡改和不可伪造。通过上述方式,当终端再次接收到目标指标的历史指标值时,可以从区块链中获取目标指标的历史指标值对应的目标预测指标值,可以保证目标预测指标值的可追溯性。
本发明实施例中,终端获取待处理的数据,待处理的数据包括目标指标对应的历史指标值;终端根据待处理的数据的类型确定指标预测模型,指标预测模型包括第一指标预测模型和/或第二指标预测模型,第一指标预测模型是基于预设规则构建的规则模型,第二指标预测模型是根据训练样本集训练得到的神经网络模型;终端采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;终端获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;终端基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;终端基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值,可以提高指标值的预测效率,提升指标值的预测准确率。
下面将结合附图5对本发明实施例提供的数据处理装置进行详细介绍。需要说明的是,附图5所示的数据处理装置,用于执行本发明图1、图3所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,经参照本发明图1、图3所示的实施例。
请参见图5,为本发明提供的一种数据处理装置的结构示意图,该数据处理装置50可包括:获取模块501、确定模块502、预测模块503、处理模块504。
获取模块501,用于获取待处理的数据,待处理的数据包括目标指标对应的历史指标值;
确定模块502,用于根据待处理的数据的类型确定指标预测模型,指标预测模型包括第一指标预测模型和/或第二指标预测模型,第一指标预测模型是基于预设规则构建的规则模型,第二指标预测模型是根据训练样本集训练得到的神经网络模型;
预测模块503,用于采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;
确定模块502,还用于获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;
确定模块502,还用于基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;
处理模块504,用于基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值。
在一种实现方式中,指标预测模型包括第一指标预测模型和第二指标预测模型,预测模块503,具体用于:
采用第一指标预测模型对历史指标值进行预测处理,得到目标指标对应的第一预测指标值,以及采用第二指标预测模型对历史指标值进行预测处理,得到目标指标对应的第二预测指标值;
若第一预测指标值和第二预测指标值满足预设筛选条件,则获取第一指标预测模型对应的第一模型权重,以及获取第二指标预测模型对应的第二模型权重;
采用第一模型权重对第一预测指标值进行加权处理,得到第一加权预测指标值,以及采用第二模型权重对第二预测指标值进行加权处理,得到第二加权预测指标值;
对第一加权预测指标值和第二加权预测指标值进行求和处理,得到初始预测指标值。
在一种实现方式中,确定模块502,具体用于:
显示参考指标获取页面,参考指标获取页面中显示有参考指标列表,参考指标列表包括与目标指标具有关联关系的至少一个参考指标;
若参考指标列表中的目标参考指标被选中,则在参考指标获取页面的目标位置处显示指标值输入框,目标参考指标是参考指标列表中的任一个参考指标;
当存在作用于指标值输入框的输入操作时,获取输入指标值输入框中的目标参考指标对应的目标参考指标值。
在一种实现方式中,至少一个参考指标包括第一参考指标和第二参考指标,确定模块502,具体用于:
获取第一参考指标对应的第一参考指标值、第二参考指标对应的第二参考指标值,以及获取第一参考指标对应的第一参考指标阈值、第二参考指标对应的第二参考指标阈值,以及获取第一参考指标对应的第一指标权重、第二参考指标对应的第二指标权重;
基于第一参考指标值和第一参考指标阈值之间的比值确定第一加权系数,以及基于第二参考指标值和所述第二参考指标阈值之间的比值确定第二加权系数;
采用第一指标权重对第一加权系数进行加权处理,得到第一目标加权系数,以及采用第二指标权重对第二加权系数进行加权处理,得到第二目标加权系数;
对第一目标加权系数和第二目标加权系数进行求和处理,得到加权系数。
在一种实现方式中,处理模块504,还用于:
获取与目标指标具有关联关系的至少一个关联指标,以及获取至少一个关联指标中每个关联指标对应的预测指标值;
获取目标指标与至少一个关联指标之间的运算规则,并基于运算规则对各个关联指标对应的预测指标值进行计算,得到关联预测指标值;
确定目标预测指标值与关联预测指标值之间的相似度;
基于相似度确定目标预测指标值的置信度;
获取目标预测指标值的置信度对应的显示方式,并基于显示方式对目标指标预测值以及各个关联指标对应的预测指标值进行显示。
在一种实现方式中,处理模块504,具体用于:
获取训练样本集,训练样本集包括至少一个指标以及至少一个指标中每个指标对应的历史指标值;
搭建初始指标预测模型;
根据至少一个指标以及每个指标对应的历史指标值对初始指标预测模型进行迭代训练,以更新初始指标预测模型中的参数;
当检测到参数更新后的初始指标预测模型满足预设条件时,将参数更新后的初始指标预测模型确定为第二指标预测模型,预设条件包括初始指标预测模型对于训练样本集中的历史指标值的预测准确率高于预设准确率。
在一种实现方式中,处理模块504,还用于:
将目标指标对应的历史指标值和目标预测指标值进行广播,以使区块链中的节点对历史指标值和目标预测指标值进行共识校验;
若接收到的共识校验结果指示区块链中的节点对历史指标值和目标指标预测值校验通过,则将历史指标值和目标预测指标值打包成区块;
将区块发布至所述区块链中。
本发明实施例中,获取模块501获取待处理的数据,待处理的数据包括目标指标对应的历史指标值;确定模块502根据待处理的数据的类型确定指标预测模型,指标预测模型包括第一指标预测模型和/或第二指标预测模型,第一指标预测模型是基于预设规则构建的规则模型,第二指标预测模型是根据训练样本集训练得到的神经网络模型;预测模块503采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;确定模块502获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;确定模块502基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;处理模块504基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值;可以提高指标值的预测效率,提升指标值的预测准确率。
请参见图6,为本发明实施例提供了一种终端的结构示意图。该终端包括:至少一个处理器601,输入设备603,输出设备602,存储器605,至少一个通信总线602。其中,通信总线602用于实现这些组件之间的连接通信。其中,输入设备603可以是控制面板或者麦克风等,输出设备602可以是显示屏等。其中,存储器605可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图5所描述的装置,存储器605中存储一组程序代码,且处理器601,输入设备603,输出设备602调用存储器605中存储的程序代码,用于执行以下操作:
处理器601,用于获取待处理的数据,待处理的数据包括目标指标对应的历史指标值;
处理器601,用于根据待处理的数据的类型确定指标预测模型,指标预测模型包括第一指标预测模型和/或第二指标预测模型,第一指标预测模型是基于预设规则构建的规则模型,第二指标预测模型是根据训练样本集训练得到的神经网络模型;
处理器601,用于采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;
处理器601,还用于获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;
处理器601,还用于基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;
处理器601,用于基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值。
在一种实现方式中,指标预测模型包括第一指标预测模型和第二指标预测模型,处理器601,具体用于:
采用第一指标预测模型对历史指标值进行预测处理,得到目标指标对应的第一预测指标值,以及采用第二指标预测模型对历史指标值进行预测处理,得到目标指标对应的第二预测指标值;
若第一预测指标值和第二预测指标值满足预设筛选条件,则获取第一指标预测模型对应的第一模型权重,以及获取第二指标预测模型对应的第二模型权重;
采用第一模型权重对第一预测指标值进行加权处理,得到第一加权预测指标值,以及采用第二模型权重对第二预测指标值进行加权处理,得到第二加权预测指标值;
对第一加权预测指标值和第二加权预测指标值进行求和处理,得到初始预测指标值。
在一种实现方式中,处理器601,具体用于:
显示参考指标获取页面,参考指标获取页面中显示有参考指标列表,参考指标列表包括与目标指标具有关联关系的至少一个参考指标;
若参考指标列表中的目标参考指标被选中,则在参考指标获取页面的目标位置处显示指标值输入框,目标参考指标是参考指标列表中的任一个参考指标;
当存在作用于指标值输入框的输入操作时,获取输入指标值输入框中的目标参考指标对应的目标参考指标值。
在一种实现方式中,至少一个参考指标包括第一参考指标和第二参考指标,处理器601,具体用于:
获取第一参考指标对应的第一参考指标值、第二参考指标对应的第二参考指标值,以及获取第一参考指标对应的第一参考指标阈值、第二参考指标对应的第二参考指标阈值,以及获取第一参考指标对应的第一指标权重、第二参考指标对应的第二指标权重;
基于第一参考指标值和第一参考指标阈值之间的比值确定第一加权系数,以及基于第二参考指标值和所述第二参考指标阈值之间的比值确定第二加权系数;
采用第一指标权重对第一加权系数进行加权处理,得到第一目标加权系数,以及采用第二指标权重对第二加权系数进行加权处理,得到第二目标加权系数;
对第一目标加权系数和第二目标加权系数进行求和处理,得到加权系数。
在一种实现方式中,处理器601,还用于:
获取与目标指标具有关联关系的至少一个关联指标,以及获取至少一个关联指标中每个关联指标对应的预测指标值;
获取目标指标与至少一个关联指标之间的运算规则,并基于运算规则对各个关联指标对应的预测指标值进行计算,得到关联预测指标值;
确定目标预测指标值与关联预测指标值之间的相似度;
基于相似度确定目标预测指标值的置信度;
获取目标预测指标值的置信度对应的显示方式,并基于显示方式对目标指标预测值以及各个关联指标对应的预测指标值进行显示。
在一种实现方式中,处理器601,具体用于:
获取训练样本集,训练样本集包括至少一个指标以及至少一个指标中每个指标对应的历史指标值;
搭建初始指标预测模型;
根据至少一个指标以及每个指标对应的历史指标值对初始指标预测模型进行迭代训练,以更新初始指标预测模型中的参数;
当检测到参数更新后的初始指标预测模型满足预设条件时,将参数更新后的初始指标预测模型确定为第二指标预测模型,预设条件包括初始指标预测模型对于训练样本集中的历史指标值的预测准确率高于预设准确率。
在一种实现方式中,处理器601,还用于:
将目标指标对应的历史指标值和目标预测指标值进行广播,以使区块链中的节点对历史指标值和目标预测指标值进行共识校验;
若接收到的共识校验结果指示区块链中的节点对历史指标值和目标指标预测值校验通过,则将历史指标值和目标预测指标值打包成区块;
将区块发布至所述区块链中。
本发明实施例中,处理器601获取待处理的数据,待处理的数据包括目标指标对应的历史指标值;处理器601根据待处理的数据的类型确定指标预测模型,指标预测模型包括第一指标预测模型和/或第二指标预测模型,第一指标预测模型是基于预设规则构建的规则模型,第二指标预测模型是根据训练样本集训练得到的神经网络模型;处理器601采用指标预测模型对历史指标值进行预测处理,得到目标指标对应的初始预测指标值;处理器601获取与目标指标具有关联关系的至少一个参考指标,并确定至少一个参考指标中每个参考指标对应的参考指标值;处理器601基于每个参考指标对应的参考指标值确定针对初始预测指标值的加权系数;处理器601基于加权系数对初始预测指标值进行加权处理,得到目标指标对应的目标预测指标值;可以提高指标值的预测效率,提升指标值的预测准确率。
本发明实施例中所述模块,可以通过通用集成电路,例如CPU(CentralProcessing Unit,中央处理器),或通过ASIC(Application Specific IntegratedCircuit,专用集成电路)来实现。
应当理解,在本发明实施例中,所称处理器601可以是中央处理模块(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
总线602可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互联(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等,该总线602可以分为地址总线、数据总线、控制总线等,为便于表示,图6仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的计算机存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种数据处理方法,其特征在于,所述方法包括:
获取待处理的数据,所述待处理的数据包括目标指标对应的历史指标值;
根据所述待处理的数据的类型确定指标预测模型,所述指标预测模型包括第一指标预测模型和/或第二指标预测模型,所述第一指标预测模型是基于预设规则构建的规则模型,所述第二指标预测模型是根据训练样本集训练得到的神经网络模型;
采用所述指标预测模型对所述历史指标值进行预测处理,得到所述目标指标对应的初始预测指标值;
获取与所述目标指标具有关联关系的至少一个参考指标,并确定所述至少一个参考指标中每个参考指标对应的参考指标值;
基于所述每个参考指标对应的参考指标值确定针对所述初始预测指标值的加权系数;
基于所述加权系数对所述初始预测指标值进行加权处理,得到所述目标指标对应的目标预测指标值。
2.根据权利要求1所述的方法,其特征在于,所述指标预测模型包括所述第一指标预测模型和所述第二指标预测模型,所述采用所述指标预测模型对所述历史指标值进行预测处理,得到所述目标指标对应的初始预测指标值,包括:
采用所述第一指标预测模型对所述历史指标值进行预测处理,得到所述目标指标对应的第一预测指标值,以及采用所述第二指标预测模型对所述历史指标值进行预测处理,得到所述目标指标对应的第二预测指标值;
若所述第一预测指标值和所述第二预测指标值满足预设筛选条件,则获取所述第一指标预测模型对应的第一模型权重,以及获取所述第二指标预测模型对应的第二模型权重;
采用所述第一模型权重对所述第一预测指标值进行加权处理,得到第一加权预测指标值,以及采用所述第二模型权重对所述第二预测指标值进行加权处理,得到第二加权预测指标值;
对所述第一加权预测指标值和所述第二加权预测指标值进行求和处理,得到所述初始预测指标值。
3.根据权利要求1所述的方法,其特征在于,所述获取与所述目标指标具有关联关系的至少一个参考指标,并确定所述至少一个参考指标中每个参考指标对应的参考指标值,包括:
显示参考指标获取页面,所述参考指标获取页面中显示有参考指标列表,所述参考指标列表包括与所述目标指标具有关联关系的所述至少一个参考指标;
若所述参考指标列表中的目标参考指标被选中,则在所述参考指标获取页面的目标位置处显示指标值输入框,所述目标参考指标是所述参考指标列表中的任一个参考指标;
当存在作用于所述指标值输入框的输入操作时,获取输入所述指标值输入框中的所述目标参考指标对应的目标参考指标值。
4.根据权利要求3所述的方法,其特征在于,所述至少一个参考指标包括第一参考指标和第二参考指标,所述基于所述每个参考指标对应的参考指标值确定针对所述初始预测指标值的加权系数,包括:
获取所述第一参考指标对应的第一参考指标值、所述第二参考指标对应的第二参考指标值,以及获取所述第一参考指标对应的第一参考指标阈值、所述第二参考指标对应的第二参考指标阈值,以及获取所述第一参考指标对应的第一指标权重、所述第二参考指标对应的第二指标权重;
基于所述第一参考指标值和所述第一参考指标阈值之间的比值确定第一加权系数,以及基于所述第二参考指标值和所述第二参考指标阈值之间的比值确定第二加权系数;
采用所述第一指标权重对所述第一加权系数进行加权处理,得到第一目标加权系数,以及采用所述第二指标权重对所述第二加权系数进行加权处理,得到第二目标加权系数;
对所述第一目标加权系数和所述第二目标加权系数进行求和处理,得到针对所述初始预测指标值的加权系数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述加权系数对所述初始预测指标值进行加权处理,得到所述目标指标对应的目标预测指标值之后,所述方法还包括:
获取与所述目标指标具有关联关系的至少一个关联指标,以及获取所述至少一个关联指标中每个关联指标对应的预测指标值;
获取所述目标指标与所述至少一个关联指标之间的运算规则,并基于所述运算规则对各个所述关联指标对应的预测指标值进行计算,得到关联预测指标值;
确定所述目标预测指标值与所述关联预测指标值之间的相似度;
基于所述相似度确定所述目标预测指标值的置信度;
获取所述目标预测指标值的置信度对应的显示方式,并基于所述显示方式对所述目标指标预测值以及各个所述关联指标对应的预测指标值进行显示。
6.根据权利要求1所述的方法,其特征在于,所述第二指标预测模型的训练过程包括:
获取所述训练样本集,所述训练样本集包括至少一个指标以及所述至少一个指标中每个指标对应的历史指标值;
搭建初始指标预测模型;
根据所述至少一个指标以及所述每个指标对应的历史指标值对所述初始指标预测模型进行迭代训练,以更新所述初始指标预测模型中的参数;
当检测到参数更新后的初始指标预测模型满足预设条件时,将所述参数更新后的初始指标预测模型确定为所述第二指标预测模型,所述预设条件包括所述初始指标预测模型对于所述训练样本集中的历史指标值的预测准确率高于预设准确率。
7.根据权利要求1所述的方法,其特征在于,所述基于所述加权系数对所述初始预测指标值进行加权处理,得到所述目标指标对应的目标预测指标值之后,所述方法还包括:
将所述目标指标对应的历史指标值和目标预测指标值进行广播,以使区块链中的节点对所述历史指标值和所述目标预测指标值进行共识校验;
若接收到的共识校验结果指示所述区块链中的节点对所述历史指标值和所述目标指标预测值校验通过,则将所述历史指标值和所述目标预测指标值打包成区块;
将所述区块发布至所述区块链中。
8.一种数据处理装置,其特征在于,所述数据处理装置包括:
获取模块,用于获取待处理的数据,所述待处理的数据包括目标指标对应的历史指标值;
确定模块,用于根据所述待处理的数据的类型确定指标预测模型,所述指标预测模型包括第一指标预测模型和/或第二指标预测模型,所述第一指标预测模型是基于预设规则构建的规则模型,所述第二指标预测模型是根据训练样本集训练得到的神经网络模型;
预测模块,用于采用所述指标预测模型对所述历史指标值进行预测处理,得到所述目标指标对应的初始预测指标值;
所述确定模块,还用于获取与所述目标指标具有关联关系的至少一个参考指标,并确定所述至少一个参考指标中每个参考指标对应的参考指标值;
所述确定模块,还用于基于所述每个参考指标对应的参考指标值确定针对所述初始预测指标值的加权系数;
处理模块,用于基于所述加权系数对所述初始预测指标值进行加权处理,得到所述目标指标对应的目标预测指标值。
9.一种终端,其特征在于,所述终端包括:
处理器,适于实现计算机指令;以及,
计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令适于由所述处理器加载并执行根据权利要求1至7任一项所述的数据处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令适于由处理器加载并执行根据权利要求1至7任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251601.1A CN112365156A (zh) | 2020-11-10 | 2020-11-10 | 一种数据处理方法、数据处理装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251601.1A CN112365156A (zh) | 2020-11-10 | 2020-11-10 | 一种数据处理方法、数据处理装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365156A true CN112365156A (zh) | 2021-02-12 |
Family
ID=74514514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011251601.1A Pending CN112365156A (zh) | 2020-11-10 | 2020-11-10 | 一种数据处理方法、数据处理装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365156A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807677A (zh) * | 2021-09-01 | 2021-12-17 | 中控智网(北京)能源技术有限公司 | 油田能耗指标确定方法、装置、设备及存储介质 |
CN115685942A (zh) * | 2022-11-07 | 2023-02-03 | 苏州米果新材料科技有限公司 | 一种滤布的生产控制方法和系统 |
-
2020
- 2020-11-10 CN CN202011251601.1A patent/CN112365156A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807677A (zh) * | 2021-09-01 | 2021-12-17 | 中控智网(北京)能源技术有限公司 | 油田能耗指标确定方法、装置、设备及存储介质 |
CN115685942A (zh) * | 2022-11-07 | 2023-02-03 | 苏州米果新材料科技有限公司 | 一种滤布的生产控制方法和系统 |
CN115685942B (zh) * | 2022-11-07 | 2023-11-07 | 苏州米果新材料科技有限公司 | 一种滤布的生产控制方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241415B (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
CN110826071B (zh) | 软件漏洞风险预测方法、装置、设备及存储介质 | |
CN109670940A (zh) | 基于机器学习的信用风险评估模型生成方法及相关设备 | |
CN112200493A (zh) | 一种数字孪生模型构建方法及装置 | |
CN112258093A (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
CN108681751B (zh) | 确定事件影响因素的方法及终端设备 | |
CN110443350B (zh) | 基于数据分析的模型质量检测方法、装置、终端及介质 | |
CN112884092A (zh) | Ai模型生成方法、电子设备及存储介质 | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
CN112365156A (zh) | 一种数据处理方法、数据处理装置、终端及存储介质 | |
CN113505936A (zh) | 项目审批结果的预测方法、装置、设备及存储介质 | |
CN115238359A (zh) | 一种施工进度的仿真方法、装置、电子设备及存储介质 | |
CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
CN110795324A (zh) | 一种数据处理方法及装置 | |
CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN112598326A (zh) | 模型迭代方法、装置、电子设备及存储介质 | |
CN115660451A (zh) | 基于rpa的供应商风险预警方法、装置、设备及介质 | |
CN111984637B (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
US20210365189A1 (en) | Performance analysis apparatus and performance analysis method | |
CN114358395A (zh) | 考勤预测方法及装置 | |
CN113537631A (zh) | 药品需求量的预测方法、装置、电子设备及存储介质 | |
CN112749742A (zh) | 源发风险分值的量化方法、量化装置及电子设备 | |
CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |