CN112669057B - 一种数据预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明提供了一种数据预测方法、装置、电子设备及存储介质。所述方法，包括：响应于针对目标对象的目标数据的预测请求，获取目标对象的属性信息，以及与目标对象和目标数据适配的预测模型；根据属性信息，通过预测模型获取目标数据的预测结果并展示；获取基于预测结果确定的目标数据的取值，将属性信息和目标数据的取值作为区块体数据上链至区块链中，并针对区块链的所有端进行数据同步；其中，预测模型通过已知目标数据取值的多个样本对象的属性信息训练得到，样本对象与目标对象的类型相同，且样本对象的属性信息和样本对象的目标数据取值从区块链中获取得到。从而取得了在保证数据安全性的同时快速且准确提供作为参考的预测结果的有益效果。

Description

一种数据预测方法、装置、电子设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种数据预测方法、装置、电子设备及存储介质。

背景技术

商品交易之前，交易的双方需要确定对待交易商品的预期价格，那么为了避免买方出价过高给买方产生损失，或者是卖方出价过低给卖方产生损失，或者是卖方出价过高或者买方出价过低影响交易成功率等问题，需要保证交易双方提供的参考价格的合理性，一种方式，需要交易方式都相对了解待交易商品的价格，然后他们在交易时，可以讨价还价，最终确定商品的交易价格。这是线下实物商品交易大多采用的方式。另一种方式，设置一个中心化的服务器，该服务器除了存储每一笔商品交易数据之外，还会对商品的价格进行预测或者建议。

但是，上述第一种方式很依赖于交易双方对商品的了解，而第二种方式依赖于一个中心化的服务器，随着用户量的增大，会导致服务器的请求量以及压力较大。

发明内容

本发明实施例提供一种数据预测方法、装置、电子设备及存储介质，以解决现有的预测过程依赖用户认知或者服务器，导致预测过程受限且很难保证数据安全性的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种数据预测方法，包括：

响应于针对目标对象的目标数据的预测请求，获取所述目标对象的属性信息，以及与所述目标对象和所述目标数据适配的预测模型；

根据所述属性信息，通过所述预测模型获取所述目标数据的预测结果并展示；

获取基于所述预测结果确定的所述目标数据的取值，将所述属性信息和所述目标数据的取值作为区块体数据上链至区块链中，并针对所述区块链的所有端进行数据同步；

其中，所述预测模型通过已知目标数据取值的多个样本对象的属性信息训练得到，所述样本对象与所述目标对象的类型相同，且所述样本对象的属性信息和所述样本对象的目标数据取值从区块链中获取得到。

可选地，在所述获取所述目标对象的属性信息，以及与所述目标对象和所述目标数据适配的预测模型的步骤之前，还包括：

向所述区块链请求至少一个区块信息，并基于所述区块信息，获取训练数据，所述区块信息中包括已知目标数据取值的多个样本对象的属性信息；

通过所述训练数据训练客户端预设的机器学习模型，得到与所述目标对象和所述目标数据适配的预测模型。

可选地，所述向所述区块链请求至少一个区块信息，并基于所述区块信息，获取训练数据的步骤，包括：

S1，向所述区块链请求一个区块信息，并获取所述区块信息中包含的每个样本对象的目标数据取值和属性信息；

S2，统计所述区块信息中目标数据取值和所述属性信息满足训练数据条件的样本对象，并以满足训练数据条件的每个样本对象的所述目标数据取值和所述属性信息作为一条训练数据；

S3，检测当前获取的训练数据的数量是否满足训练数据的数量条件，响应于不满足所述数量条件，返回步骤S1，以向所述区块链请求下一个区块信息；响应于满足所述数量条件，进入步骤S4；

S4，以当前获取的全部训练数据，作为与所述目标对象和所述目标数据适配的预测模型的训练数据。

可选地，所述获取基于所述预测结果确定的所述目标数据的最终结果，将所述属性信息和所述最终结果和作为区块体数据上链至区块链中，并针对所述区块链的所有端进行数据同步的步骤，包括：

响应于在针对所述预测结果的调整过程中，接收到针对当前调整后的预测结果的确认指令，以所述调整后的预测结果作为所述目标对象的目标数据的取值；和/或，响应于接收到针对所述预测结果的确认指令，以所述预测结果作为所述目标对象的目标数据的取值；

将所述目标对象的目标数据的取值和所述目标对象的属性信息作为区块体数据，上链至所述区块链中，并针对所述区块链的所有端进行数据同步。

可选地，所述目标对象包括推送消息、可交易的商品中的至少一种，在所述目标对象为可交易的商品时，所述目标数据包括商品卖家售价、商品买家出价、商品成交价格中的至少一种，在所述目标对象为推送消息时，所述目标数据包括推送消息的点击概率、推送目标、推送时机、推送次数中的至少一种。

第二方面，本发明实施例提供了一种数据预测装置，包括：

模型适配模块，用于响应于针对目标对象的目标数据的预测请求，获取所述目标对象的属性信息，以及与所述目标对象和所述目标数据适配的预测模型；

数据预测模块，用于根据所述属性信息，通过所述预测模型获取所述目标数据的预测结果并展示；

数据上链模块，用于获取基于所述预测结果确定的所述目标数据的取值，将所述属性信息和所述目标数据的取值作为区块体数据上链至区块链中，并针对所述区块链的所有端进行数据同步；

其中，所述预测模型通过已知目标数据取值的多个样本对象的属性信息训练得到，所述样本对象与所述目标对象的类型相同，且所述样本对象的属性信息和所述样本对象的目标数据取值从区块链中获取得到。

可选地，所述装置还包括：

区块信息请求模块，用于向所述区块链请求至少一个区块信息，并基于所述区块信息，获取训练数据，所述区块信息中包括已知目标数据取值的多个样本对象的属性信息；

预测模型训练模块，用于通过所述训练数据训练客户端预设的机器学习模型，得到与所述目标对象和所述目标数据适配的预测模型。

可选地，所述区块信息请求模块，具体用于：

S1，向所述区块链请求一个区块信息，并获取所述区块信息中包含的每个样本对象的目标数据取值和属性信息；

S2，统计所述区块信息中目标数据取值和所述属性信息满足训练数据条件的样本对象，并以满足训练数据条件的每个样本对象的所述目标数据取值和所述属性信息作为一条训练数据；

S3，检测当前获取的训练数据的数量是否满足训练数据的数量条件，响应于不满足所述数量条件，返回步骤S1，以向所述区块链请求下一个区块信息；响应于满足所述数量条件，进入步骤S4；

S4，以当前获取的全部训练数据，作为与所述目标对象和所述目标数据适配的预测模型的训练数据。

可选地，所述数据上链模块，包括：

最终结果确认子模块，用于响应于在针对所述预测结果的调整过程中，接收到针对当前调整后的预测结果的确认指令，以所述调整后的预测结果作为所述目标对象的目标数据的取值；和/或，响应于接收到针对所述预测结果的确认指令，以所述预测结果作为所述目标对象的目标数据的取值；

数据上链子模块，用于将所述目标对象的目标数据的取值和所述目标对象的属性信息作为区块体数据，上链至所述区块链中，并针对所述区块链的所有端进行数据同步。

可选地，所述目标对象包括推送消息、可交易的商品中的至少一种，在所述目标对象为可交易的商品时，所述目标数据包括商品卖家售价、商品买家出价、商品成交价格中的至少一种，在所述目标对象为推送消息时，所述目标数据包括推送消息的点击概率、推送目标、推送时机、推送次数中的至少一种。

第三方面，本发明实施例另外提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的数据预测方法的步骤。

第四方面，本发明实施例另外提供了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上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的数据预测方法的步骤。

在本发明实施例中，利用机器学习对区块链场景中未达成交易的数据进行预测，得到数据的预测结果，而且并不干涉正常的上链流程，在保证数据安全性的同时可以快速且准确提供作为参考的预测结果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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。

图1是本发明实施例中的一种数据预测方法的步骤流程图；

图2是本发明实施例中的另一种数据预测方法的步骤流程图；

图3A是现有技术中的一种确定待交易商品最终的交易价格的步骤流程图；

图3B是本发明实施例中的一种确定待交易商品最终的交易价格的步骤流程图；

图4是本发明实施例中的一种数据预测装置的结构示意图；

图5是本发明实施例中的另一种数据预测装置的结构示意图；

图6是本发明实施例中的一种电子设备的硬件结构示意图。

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作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。

参照图1，示出了本发明实施例中一种数据预测方法的步骤流程图。

步骤110，响应于针对目标对象的目标数据的预测请求，获取所述目标对象的属性信息，以及与所述目标对象和所述目标数据适配的预测模型；其中，所述预测模型通过已知目标数据取值的多个样本对象的属性信息训练得到，所述样本对象与所述目标对象的类型相同，且所述样本对象的属性信息和所述样本对象的目标数据取值从区块链中获取得到。

步骤120，根据所述属性信息，通过所述预测模型获取所述目标数据的预测结果并展示；

步骤130，获取基于所述预测结果确定的所述目标数据的取值，将所述属性信息和所述目标数据的取值作为区块体数据上链至区块链中，并针对所述区块链的所有端进行数据同步。

区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。从本质上讲，它是一个共享的分布式数据库，存储于其中的数据或信息，具有“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征。区块链由一个个区块(block)组成。区块很像数据库的记录，每次写入数据，就是创建一个区块。其中每个区块链都记录了如区块生成时间、实际数据(即区块体)的哈希、上一个区块的哈希等信息。区块与哈希是一一对应的，每个区块的哈希都是针对“区块头”(Head)计算的。也就是说，把区块头的各项特征值，按照顺序连接在一起，组成一个很长的字符串，再对这个字符串计算哈希。每个区块都连着上一个区块，这也是“区块链”这个名字的由来。

通过把数据添加至区块链中，可以防止数据被恶意篡改，也可以防止数据丢失。比如在房屋交易平台交易的房产数据，一般是保存到房屋交易平台的服务端，这是一种中心化的存储。一旦房屋交易平台的服务器被黑客攻击，可能会导致数据被恶意篡改，而且服务器发生故障，甚至是开发人员无意的执行了删除数据库代码，都可能导致服务器中的数据丢失。而对于区块链则不会发生上述数据丢失的异常情况。

因此，在本发明实施例中，可以通过区块链存储每个对象(例如房屋交易平台交易的房产、车辆交易平台中的车辆、消息推送平台中的推送消息等)的目标数据(例如房产交易相关信息、车辆交易相关信息、推送消息被点击的概率等)取值以及每个对象的属性信息(例如房产相关数据、车辆相关数据、推送消息相关数据等)，以保证数据的安全性。

而且，为了方便用户在针对目标对象执行操作之前，获取目标对象的目标数据的预测结果，以方便用户作为参考，可以预先在客户端训练用于预测目标对象的目标数据的预测模型，而且预测模型的训练数据包括从区块链中获取得到的已知目标数据取值的多个样本对象的属性信息，及每个样本对象的目标数据取值。

具体地，对于任一客户端，如果接收到针对其中任一目标对象的目标数据的预测请求，则可以在相应客户端中获取该目标对象的属性信息，以及与该目标对象和相应目标数据适配的预测模型，进而可以根据该目标对象的属性信息，通过匹配得到的预测模型获取相应目标数据的预测结果并在相应客户端中展示，以供用户查看。而且，用户查看完成后则可以当前的预测结果为参考确定相应目标数据最终的取值，而且为了保护以及记录当前确定的相应目标对象的目标数据最终的取值，则可以进一步获取基于所述预测结果确定的所述目标数据的取值，将相应目标对象的属性信息和该目标数据的取值和作为区块体数据上链至区块链中，并针对所述区块链的所有端进行数据同步，从而实现各个客户端的区块链数据同步。

其中，上链就是把数据写入区块，然后生成智能合约在区块链的一个客户端进行校验并添加到区块链，之后通过广播向其他客户端同步数据，把新区块同步到所有客户端的区块链中去，此时因为区块链是去中心化的，没有中心服务器，所以各个客户端地位平等。

而且，由于用户在获取得到预测结果之后可能并不会针对预测结果进行调整操作，当然也可以针对预测结果进行调整操作，因此基于预测结果确定的目标数据的取值可以为预测结果本身，也可以为针对预测结果进行调整后确定的数值，对此本发明实施例不加以限定。

此外，预测模型可以为任意一种机器学习模型，而且针对不同目标对象、不同目标数据的预测模型可以为不同的机器学习模型，对此本发明实施例均不加以限定。

参照图2，在本发明实施例中，在所述步骤110之前进一步还可以包括：

步骤10，向所述区块链请求至少一个区块信息，并基于所述区块信息，获取训练数据，所述区块信息中包括已知目标数据取值的多个样本对象的属性信息；

步骤20，通过所述训练数据训练客户端预设的机器学习模型，得到与所述目标对象和所述目标数据适配的预测模型。

对于任一客户端，为了在客户端中针对目标对象的目标数据进行预测，则可以预先在相应客户端中训练得到用于预测目标对象的目标数据的预测模型。

具体地，可以向所述区块链请求至少一个区块信息，并基于所述区块信息，获取训练数据，所述区块信息中包括已知目标数据取值的多个样本对象的属性信息，进而通过所述训练数据训练客户端预设的机器学习模型，得到与所述目标对象和所述目标数据适配的预测模型。

而且，可以根据需求预先在客户端中设置多个机器学习模型，那么在客户端中训练预测模型时，则可以根据当前训练的预测模型适用的场景等需求从预先在客户端中设置的多个机器学习模型中选择适用当前场景的机器学习模型进行训练。当然，在本发明实施例中，也可以根据需求通过网络获取当前所需的机器学习模型，对此本发明实施例不加以限定。

而且，为了提高预测模型的精度，还可以设置训练数据需要满足的条件，例如一个样本对象的属性信息及其目标数据的取值可以理解为一条训练数据，可以设置训练数据需要满足的条件包括训练数据的数量条件、训练数据所处时间条件，等等。例如，获取最近一周或一个月内样本对象的属性信息及其目标数据的取值，作为训练数据，或者获取最新产生的100个样本对象的属性信息及其目标数据的取值，作为训练数据，等等。

此外，如上述，为了提高预测结果的准确性，可以分别针对不同目标对象、目标数据等分别训练不同的预测模型，而且训练用于预测目标对象的目标数据的预测模型的样本对象与所述目标对象的类型相同。例如，假设预测房产的交易价格，那么此时的目标对象为房产，且用于训练相应预测模型的样本对象则可以已知交易价格的房产，等等。

另外，在本发明实施例中，在训练得到预测模型之后，还可以周期性地从区块链中获取数据以针对预测模型进行更新，具体的更新周期、依次每次更新预测模型时的从区块链中获取的用于更新预测模型的样本数据所需满足的条件等均可以根据需求进行自定义设置，对此本发明实施例不加以限定。

可选地，在本发明实施例中，所述步骤10进一步可以包括：

S1，向所述区块链请求一个区块信息，并获取所述区块信息中包含的每个样本对象的目标数据取值和属性信息；

S2，统计所述区块信息中目标数据取值和所述属性信息满足训练数据条件的样本对象，并以满足训练数据条件的每个样本对象的所述目标数据取值和所述属性信息作为一条训练数据；

S3，检测当前获取的训练数据的数量是否满足训练数据的数量条件，响应于不满足所述数量条件，返回步骤S1，以向所述区块链请求下一个区块信息；响应于满足所述数量条件，进入步骤S4；

S4，以当前获取的全部训练数据，作为与所述目标对象和所述目标数据适配的预测模型的训练数据。

在本发明实施例中，可以同时针对训练数据设置每条训练数据所需满足的条件，以及针对训练数据的数量设置条件，那么在从区块链中获取训练数据时，为了准确获取满足上述条件的训练数据，同时避免获取过多数据导致资源浪费，可以依次向区块链中请求获取训练数据。

具体地，可以每次向所述区块链请求一个区块信息，并获取该区块信息中包含的每个样本对象的目标数据取值和属性信息，进而判断从当前的区块信息中获取的每个样本对象的目标数据取值和属性信息是否满足当前的训练数据条件，进而获取其中满足当前的训练数据条件的每个样本对象的目标数据取值和属性信息，对于不满足当前的训练数据条件的样本对象的目标数据取值和属性信息，则可以过滤掉。

而且在每次获取得到新的样本对象作为训练数据之后，则可以进一步检测当前已获取的全部训练数据的数量是否满足训练数据的数量条件，如果不满足所述数量条件，返回步骤S1，以向所述区块链请求下一个区块信息，以继续获取新的样本对象以构建训练数据；而如果满足所述数量条件，则可以以当前已获取的全部训练数据，作为与所述目标对象和所述目标数据适配的预测模型的训练数据。

其中，训练数据条件和数量条件可以根据需求进行自定义设置，对此本发明实施例不加以限定。例如，可以设置训练数据条件包括数据产生时间为指定时间段内、数据格式为指定格式，等等；数量条件则可以包括训练数据为指定数量，等等。

此外，客户端在从区块链中读取区块信息时，可以按照其他各个客户端与当前客户端的距离远近程度，从距离最近的客户端的区块链中开始读取区块信息，对此本发明实施例不加以限定。而且，在区块链中可以将不同类型的数据存储于不同区块，那么则可以根据需求从相应区块中获取相应数据，对此本发明实施例均不加以限定。

当然，如果针对某一预测模型训练时，并未设置其训练数据所需满足的训练数据条件，而仅设置数量条件，那么在步骤S2中则可以区块信息中包含的每个样本对象的目标数据取值和属性信息作为一条训练数据，如果当前获取的区块信息中包含N个样本对象的目标数据取值和属性信息，那么此时则可以得到N条训练数据，且每条训练数据中包含一个样本对象的目标数据取值和属性信息。

参照图2，在本发明实施例中，所述步骤130进一步可以包括：

步骤131，响应于在针对所述预测结果的调整过程中，接收到针对当前调整后的预测结果的确认指令，以所述调整后的预测结果作为所述目标对象的目标数据的取值；

和/或，步骤132，响应于接收到针对所述预测结果的确认指令，以所述预测结果作为所述目标对象的目标数据的取值；

以及，步骤133，将所述目标对象的目标数据的取值和所述目标对象的属性信息作为区块体数据，上链至所述区块链中，并针对所述区块链的所有端进行数据同步。

在实际应用中，用户可能针对预测结果不满足，那么则可以针对预测结果进行调整，从而得到目标数据的最终取值，当然如果用户认可预测结果，则可以直接以预测结果作为目标数据的最终取值。

具体地，为了及时获取目标数据的取值，可以在接收到确认指令时作为获取目标数据最终的取值的时机，也即在针对所述预测结果的调整过程中，如果接收到针对当前调整后的预测结果的确认指令，以所述调整后的预测结果作为所述目标对象的目标数据的取值；而如果接收到针对所述预测结果的调整指令，预测结果作为所述目标对象的目标数据的取值。进而可以将所述目标对象的目标数据的取值和所述目标对象的属性信息作为区块体数据，上链至所述区块链中，并针对所述区块链的所有端进行数据同步。

在本发明实施例中，用户可以通过任何可用方式调整预测结果，对此本发明实施例不加以限定。例如，可以在展示预测结果之后，用户可以直接在展示预测结果的区域对预测结果进行调整，也可以在另一文本框中输入目标数据的取值，而且可以通过触发页面中展示的确认控件触发确认指令，对此本发明实施例不加以限定。

可选地，在本发明实施例中，所述目标对象包括推送消息、可交易的商品中的至少一种，在所述目标对象为可交易的商品时，所述目标数据包括商品卖家售价、商品买家出价、商品成交价格中的至少一种，在所述目标对象为推送消息时，所述目标数据包括推送消息的点击概率、推送目标(也即推送消息的接收者)、推送时机、推送次数中的至少一种。

以对待交易商品的价格进行预测为例，此时的目标对象为待交易商品，目标数据为价格，经过预测可以得到待交易商品的预期价格，然后交易双方以此作为建议价格，最终确定待交易商品的交易价格然后上链。

如图3A一种现有的确定待交易商品的交易价格的流程示意图，如图3B为本发明实施例中的一种针对待交易商品的交易价格的流程示意图。

以下是本发明实施例中基于区块链存储商品交易信息的场景中的一种步骤示例：

1)、交易双方确定要交易一个商品，确定待交易商品的属性信息。

如交易的目标对象是房产，则属性信息可以包括房产的位置、面积、楼层、几居室等。至于房子卖多少钱，可能交易双方还不确定，需要一些参考。

2)、交易单方或双方均可以向区块链中请求一个区块的信息。

3)、接受返回的区块信息，并保存，以此作为机器学习的训练数据。

4)、遍历以上2)、3)两步，直到训练数据满足模型训练的条件需要。

所谓的条件可以是条数，更详细一些可以是最近一年交易记录的条数。这里不限制。

5)、选择合适的算法，利用训练数据进行机器学习模型的训练，不断调整参数，提高模型的精度，最终达到预期目标。

选择的算法可以是线性回归算法或者其他算法，选择有很多，视问题而定。

6)、利用模型对当前交易商品发起预测，得到预测结果。

在房产交易场景中，输入房产的信息，模型开始预测，输出房产的预计交易价格。

7)、基于预测结果，交易双方以此为参考进行博弈，最终成交，得到最终的成交价格，也即相应房产的价格的最终取值。

8)、上链前的数据准备。把商品的信息和最终的成交价格作为区块体数据。

9)、利用智能合约计算区块哈希，完成上链操作。

10)、完成区块链所有端的数据同步。

其中，步骤10)之前的操作都是在区块链的一个客户端完成。步骤10)完成的是一个客户端通过广播把数据同步到其他客户端，最终实现所有客户端的数据保持同步，均包含了最新达成的商品交易信息。

上述示例以房屋交易数据作为区块链的上链数据为例说明，目标数据也可以是其他类型的数据。可以覆盖到更多的类型区块链。除了对交易类型的数据进行预测，还可以预测其他类型的数据。

而且，数据之间存在着隐藏的线性或非线性关系。一个物品存在很多特征数据，这些特征数据决定了一个称之为目标或结果的数据。比如：APP的一条推送，推送的时间、内容、结合当前用户的画像数据，决定了该用户是否会点击该条推送，也即其被点击的概率有多少(0-1)。这些数据都是可以预测的，不一定是物品交易数据。

本发明的核心是利用机器学习对区块链场景中未达成交易的数据进行预测，得到数据的预测结果，而且并不干涉正常的上链流程，在保证数据安全性的同时可以快速且准确提供作为参考的预测结果。

参照图4，示出了本发明实施例中一种数据预测装置的结构示意图。

本发明实施例的数据预测装置包括：模型适配模块210、数据预测模块220和数据上链模块230。

下面分别详细介绍各模块的功能以及各模块之间的交互关系。

模型适配模块210，用于响应于针对目标对象的目标数据的预测请求，获取所述目标对象的属性信息，以及与所述目标对象和所述目标数据适配的预测模型；

数据预测模块220，用于根据所述属性信息，通过所述预测模型获取所述目标数据的预测结果并展示；

数据上链模块230，用于获取基于所述预测结果确定的所述目标数据的取值，将所述属性信息和所述目标数据的取值作为区块体数据上链至区块链中，并针对所述区块链的所有端进行数据同步；

其中，所述预测模型通过已知目标数据取值的多个样本对象的属性信息训练得到，所述样本对象与所述目标对象的类型相同，且所述样本对象的属性信息和所述样本对象的目标数据取值从区块链中获取得到。

参照图5，在本发明实施例中，所述装置还可以包括：

区块信息请求模块240，用于向所述区块链请求至少一个区块信息，并基于所述区块信息，获取训练数据，所述区块信息中包括已知目标数据取值的多个样本对象的属性信息；

预测模型训练模块250，用于通过所述训练数据训练客户端预设的机器学习模型，得到与所述目标对象和所述目标数据适配的预测模型。

可选地，在本发明实施例中，所述区块信息请求模块240，具体可以用于：

S1，向所述区块链请求一个区块信息，并获取所述区块信息中包含的每个样本对象的目标数据取值和属性信息；

S2，统计所述区块信息中目标数据取值和所述属性信息满足训练数据条件的样本对象，并以满足训练数据条件的每个样本对象的所述目标数据取值和所述属性信息作为一条训练数据；

S3，检测当前获取的训练数据的数量是否满足训练数据的数量条件，响应于不满足所述数量条件，返回步骤S1，以向所述区块链请求下一个区块信息；响应于满足所述数量条件，进入步骤S4；

S4，以当前获取的全部训练数据，作为与所述目标对象和所述目标数据适配的预测模型的训练数据。

参照图5，在本发明实施例中，所述数据上链模块230，进一步可以包括：

最终结果确认子模块231，用于响应于在针对所述预测结果的调整过程中，接收到针对当前调整后的预测结果的确认指令，以所述调整后的预测结果作为所述目标对象的目标数据的取值；和/或，响应于接收到针对所述预测结果的确认指令，以所述预测结果作为所述目标对象的目标数据的取值；

数据上链子模块232，用于将所述目标对象的目标数据的取值和所述目标对象的属性信息作为区块体数据，上链至所述区块链中，并针对所述区块链的所有端进行数据同步。

可选地，所述目标对象包括推送消息、可交易的商品中的至少一种，在所述目标对象为可交易的商品时，所述目标数据包括商品卖家售价、商品买家出价、商品成交价格中的至少一种，在所述目标对象为推送消息时，所述目标数据包括推送消息的点击概率、推送目标、推送时机、推送次数中的至少一种。

本发明实施例提供的数据预测装置能够实现图1、图2和图3B的方法实施例中实现的各个过程，为避免重复，这里不再赘述。

优选的，本发明实施例还提供了一种电子设备，包括：处理器，存储器，存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述数据预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述数据预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

图6为实现本发明各个实施例的一种电子设备的硬件结构示意图。

该电子设备500包括但不限于：射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、处理器510、以及电源511等部件。本领域技术人员可以理解，图6中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。

应理解的是，本发明实施例中，射频单元501可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器510处理；另外，将上行的数据发送给基站。通常，射频单元501包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元501还可以通过无线通信系统与网络和其他设备通信。

电子设备通过网络模块502为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。

音频输出单元503可以将射频单元501或网络模块502接收的或者在存储器509中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元503还可以提供与电子设备500执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元503包括扬声器、蜂鸣器以及受话器等。

输入单元504用于接收音频或视频信号。输入单元504可以包括图形处理器(Graphics Processing Unit，GPU)5041和麦克风5042，图形处理器5041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元506上。经图形处理器5041处理后的图像帧可以存储在存储器509(或其它存储介质)中或者经由射频单元501或网络模块502进行发送。麦克风5042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元501发送到移动通信基站的格式输出。

电子设备500还包括至少一种传感器505，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板5061的亮度，接近传感器可在电子设备500移动到耳边时，关闭显示面板5061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器505还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。

显示单元506用于显示由用户输入的信息或提供给用户的信息。显示单元506可包括显示面板5061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板5061。

用户输入单元507可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板5071上或在触控面板5071附近的操作)。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器510，接收处理器510发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板5071。除了触控面板5071，用户输入单元507还可以包括其他输入设备5072。具体地，其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

进一步的，触控面板5071可覆盖在显示面板5061上，当触控面板5071检测到在其上或附近的触摸操作后，传送给处理器510以确定触摸事件的类型，随后处理器510根据触摸事件的类型在显示面板5061上提供相应的视觉输出。虽然在图6中，触控面板5071与显示面板5061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板5071与显示面板5061集成而实现电子设备的输入和输出功能，具体此处不做限定。

接口单元508为外部装置与电子设备500连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元508可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备500内的一个或多个元件或者可以用于在电子设备500和外部装置之间传输数据。

存储器509可用于存储软件程序以及各种数据。存储器509可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器509可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器510是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器509内的软件程序和/或模块，以及调用存储在存储器509内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器510可包括一个或多个处理单元；优选的，处理器510可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器510中。

电子设备500还可以包括给各个部件供电的电源511(比如电池)，优选的，电源511可以通过电源管理系统与处理器510逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

另外，电子设备500包括一些未示出的功能模块，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种数据预测方法，其特征在于，包括：

响应于针对目标对象的目标数据的预测请求，获取所述目标对象的属性信息，以及与所述目标对象和所述目标数据适配的预测模型；

根据所述属性信息，通过所述预测模型获取所述目标数据的预测结果并展示；

获取基于所述预测结果确定的所述目标数据的取值，将所述属性信息和所述目标数据的取值作为区块体数据上链至区块链中，并针对所述区块链的所有端进行数据同步；

其中，所述预测模型通过已知目标数据取值的多个样本对象的属性信息训练得到，所述样本对象与所述目标对象的类型相同，且所述样本对象的属性信息和所述样本对象的目标数据取值从区块链中获取得到。

2.根据权利要求1所述的方法，其特征在于，在所述获取所述目标对象的属性信息，以及与所述目标对象和所述目标数据适配的预测模型的步骤之前，还包括：

向所述区块链请求至少一个区块信息，并基于所述区块信息，获取训练数据，所述区块信息中包括已知目标数据取值的多个样本对象的属性信息；

通过所述训练数据训练客户端预设的机器学习模型，得到与所述目标对象和所述目标数据适配的预测模型。

3.根据权利要求2所述的方法，其特征在于，所述向所述区块链请求至少一个区块信息，并基于所述区块信息，获取训练数据的步骤，包括：

S1，向所述区块链请求一个区块信息，并获取所述区块信息中包含的每个样本对象的目标数据取值和属性信息；

S2，统计所述区块信息中目标数据取值和所述属性信息满足训练数据条件的样本对象，并以满足训练数据条件的每个样本对象的所述目标数据取值和所述属性信息作为一条训练数据；

S3，检测当前获取的训练数据的数量是否满足训练数据的数量条件，响应于不满足所述数量条件，返回步骤S1，以向所述区块链请求下一个区块信息；响应于满足所述数量条件，进入步骤S4；

S4，以当前获取的全部训练数据，作为与所述目标对象和所述目标数据适配的预测模型的训练数据。

4.根据权利要求1所述的方法，其特征在于，所述获取基于所述预测结果确定的所述目标数据的最终结果，将所述属性信息和所述最终结果和作为区块体数据上链至区块链中，并针对所述区块链的所有端进行数据同步的步骤，包括：

响应于在针对所述预测结果的调整过程中，接收到针对当前调整后的预测结果的确认指令，以所述调整后的预测结果作为所述目标对象的目标数据的取值；和/或，响应于接收到针对所述预测结果的确认指令，以所述预测结果作为所述目标对象的目标数据的取值；

将所述目标对象的目标数据的取值和所述目标对象的属性信息作为区块体数据，上链至所述区块链中，并针对所述区块链的所有端进行数据同步。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述目标对象包括推送消息、可交易的商品中的至少一种，在所述目标对象为可交易的商品时，所述目标数据包括商品卖家售价、商品买家出价、商品成交价格中的至少一种，在所述目标对象为推送消息时，所述目标数据包括推送消息的点击概率、推送目标、推送时机、推送次数中的至少一种。

6.一种数据预测装置，其特征在于，包括：

模型适配模块，用于响应于针对目标对象的目标数据的预测请求，获取所述目标对象的属性信息，以及与所述目标对象和所述目标数据适配的预测模型；

数据预测模块，用于根据所述属性信息，通过所述预测模型获取所述目标数据的预测结果并展示；

数据上链模块，用于获取基于所述预测结果确定的所述目标数据的取值，将所述属性信息和所述目标数据的取值作为区块体数据上链至区块链中，并针对所述区块链的所有端进行数据同步；

其中，所述预测模型通过已知目标数据取值的多个样本对象的属性信息训练得到，所述样本对象与所述目标对象的类型相同，且所述样本对象的属性信息和所述样本对象的目标数据取值从区块链中获取得到。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

区块信息请求模块，用于向所述区块链请求至少一个区块信息，并基于所述区块信息，获取训练数据，所述区块信息中包括已知目标数据取值的多个样本对象的属性信息；

预测模型训练模块，用于通过所述训练数据训练客户端预设的机器学习模型，得到与所述目标对象和所述目标数据适配的预测模型。

8.根据权利要求7所述的装置，其特征在于，所述区块信息请求模块，具体用于：

S1，向所述区块链请求一个区块信息，并获取所述区块信息中包含的每个样本对象的目标数据取值和属性信息；

S2，统计所述区块信息中目标数据取值和所述属性信息满足训练数据条件的样本对象，并以满足训练数据条件的每个样本对象的所述目标数据取值和所述属性信息作为一条训练数据；

S3，检测当前获取的训练数据的数量是否满足训练数据的数量条件，响应于不满足所述数量条件，返回步骤S1，以向所述区块链请求下一个区块信息；响应于满足所述数量条件，进入步骤S4；

S4，以当前获取的全部训练数据，作为与所述目标对象和所述目标数据适配的预测模型的训练数据。

9.根据权利要求6所述的装置，其特征在于，所述数据上链模块，包括：

最终结果确认子模块，用于响应于在针对所述预测结果的调整过程中，接收到针对当前调整后的预测结果的确认指令，以所述调整后的预测结果作为所述目标对象的目标数据的取值；和/或，响应于接收到针对所述预测结果的确认指令，以所述预测结果作为所述目标对象的目标数据的取值；

数据上链子模块，用于将所述目标对象的目标数据的取值和所述目标对象的属性信息作为区块体数据，上链至所述区块链中，并针对所述区块链的所有端进行数据同步。

10.根据权利要求6-9中任一项所述的装置，其特征在于，所述目标对象包括推送消息、可交易的商品中的至少一种，在所述目标对象为可交易的商品时，所述目标数据包括商品卖家售价、商品买家出价、商品成交价格中的至少一种，在所述目标对象为推送消息时，所述目标数据包括推送消息的点击概率、推送目标、推送时机、推送次数中的至少一种。

11.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的数据预测方法的步骤。

12.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的数据预测方法的步骤。

Images