CN114065999A - 老龄化程度的预测方法、装置、终端及存储介质 - Google Patents

老龄化程度的预测方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN114065999A
CN114065999A CN202111088072.2A CN202111088072A CN114065999A CN 114065999 A CN114065999 A CN 114065999A CN 202111088072 A CN202111088072 A CN 202111088072A CN 114065999 A CN114065999 A CN 114065999A
Authority
CN
China
Prior art keywords
resident
preset
category
prediction model
aging degree
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
Application number
CN202111088072.2A
Other languages
English (en)
Inventor
吴少颖
冷晓宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Hengyun Co ltd
Original Assignee
Zhongke Hengyun Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongke Hengyun Co ltd filed Critical Zhongke Hengyun Co ltd
Priority to CN202111088072.2A priority Critical patent/CN114065999A/zh
Publication of CN114065999A publication Critical patent/CN114065999A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种老龄化程度的预测方法、装置、终端及存储介质，该方法包括：获取预设区域的居民指标；利用预设的决策树模型对居民指标进行分类，得到居民指标对应的初始居民类别；将初始居民类别与预设类别进行匹配，确定目标居民类别；根据目标居民类别和预设的预测模型，确定老龄化程度。本发明采用决策树模型对居民指标进行分类，并利用预测模型对分类后居民指标进行预测，以确定老龄化程度，可有效判断出相应的居民类别，以便提升老龄化程度的预测准确度以及预测效率。

Description

老龄化程度的预测方法、装置、终端及存储介质
技术领域
本发明属于老龄化预测技术领域，尤其涉及一种老龄化程度的预测方法、 装置、终端及存储介质。
背景技术
老龄化社会是指老年人口占总人口达到或超过一定的比例的人口结构。预 测某国家是否进入老龄化社会，对此国家发展具有决定性作用。因此，预测老 龄化程度是亟需解决的问题。
目前，一般采用统计学方法对多个地区的居民指标进行统计，然后根据统 计数据进行定量化分析，以预测老龄化程度。
但是，上述的老龄化程度的预测方法存在准确度低的问题。
发明内容
有鉴于此，本发明实施例提供了一种老龄化程度的预测方法、装置、终端 及存储介质，以解决现有技术中存在准确度低的问题。
本发明实施例的第一方面提供了一种老龄化程度的预测方法，包括：
获取预设区域的居民指标；
利用预设的决策树模型对居民指标进行分类，得到居民指标对应的初始居 民类别；
将初始居民类别与预设类别进行匹配，确定目标居民类别；
根据目标居民类别和预设的预测模型，确定老龄化程度。
在一种可能的实现方式中，利用预设的决策树模型对居民指标进行分类， 得到居民指标对应的初始居民类别，包括：
计算居民指标对应的叶子节点的投票权重值；
若叶子节点的投票权重等于预设权重值，确定与居民指标对应的标签的投 票得分；
基于居民指标对应的标签的投票得分，选取投票得分满足预设条件的类别 标签，将满足预设条件的类别标签作为与居民指标对应的初始居民类别。
在一种可能的实现方式中，计算居民指标对应的叶子节点的投票权重值， 包括：
统计预设的决策树模型中叶子节点对应的核属性的路径数量和总路径数量；
计算包括核属性的路径数量与总路径数量的比值，并将得到的比值作为投 票权重值。
在一种可能的实现方式中，根据目标居民类别和预设的预测模型，确定老 龄化程度，包括：
获取预设的预测模型；
将目标居民类别输入预设的预测模型，得到老龄化程度。
在一种可能的实现方式中，获取预设的预测模型，包括：
获取初始预测模型和训练样本数据；
将训练样本数据输入初始预测模型，待迭代次数满足预设次数，得到预设 的预测模型。
在一种可能的实现方式中，将训练样本数据输入初始预测模型，待迭代次 数满足预设次数，得到预设的预测模型，包括：
将训练样本数据输入初始预测模型，确定训练样本数据对应的分类概率；
计算分类概率与预设分类概率的差值，并根据差值确定初始预测模型的损 失值；
根据损失值反向训练初始预测模型，直至待迭代次数满足预设次数，确定 预设的预测模型。
在一种可能的实现方式中，计算居民指标对应的叶子节点的投票权重值之 后，还包括：
若叶子节点对应的投票权重值不等于预设权重，调整投票权重值，直至投 票权重值等于预设权重。
本发明实施例的第二方面提供了一种老龄化程度的预测装置，装置包括：
居民指标获取模块，用于获取预设区域的居民指标；
初始居民类别确定模块，用于利用预设的决策树模型对居民指标进行分类， 得到居民指标对应的初始居民类别；
目标居民类别确定模块，用于将初始居民类别与预设类别进行匹配，确定 目标居民类别；
老龄化程度确定模块，用于根据目标居民类别和预设的预测模型，确定老 龄化程度。
在一种可能的实现方式中，初始居民类别确定模块包括：
权重值计算子模块，用于计算居民指标对应的叶子节点的投票权重值；
比较子模块，用于若叶子节点的投票权重等于预设权重值，确定与居民指 标对应的标签的投票得分；
初始居民类别确定子模块，用于基于居民指标对应的标签的投票得分，选 取投票得分满足预设条件的类别标签，将满足预设条件的类别标签作为与居民 指标对应的初始居民类别。
在一种可能的实现方式中，权重值计算子模块包括：
统计单元，用于统计预设的决策树模型中叶子节点对应的核属性的路径数 量和总路径数量；
比值计算单元，用于计算包括核属性的路径数量与总路径数量的比值，并 将得到的比值作为投票权重值。
在一种可能的实现方式中，老龄化程度确定模块包括：
模型获取子模块，用于获取预设的预测模型；
老龄化程度确定子模块，用于将目标居民类别输入预设的预测模型，得到 老龄化程度。
在一种可能的实现方式中，模型获取子模块包括：
数据获取单元，用于获取初始预测模型和训练样本数据；
模型训练单元，用于将训练样本数据输入初始预测模型，待迭代次数满足 预设次数，得到预设的预测模型。
在一种可能的实现方式中，模型训练单元包括：
模型训练子单元，用于将训练样本数据输入初始预测模型，确定训练样本 数据对应的分类概率；
差值计算子单元，用于计算分类概率与预设分类概率的差值，并根据差值 确定初始预测模型的损失值；
反向训练子单元，用于根据损失值反向训练初始预测模型，直至待迭代次 数满足预设次数，确定预设的预测模型。
在一种可能的实现方式中，权重值计算子模块之后，还包括：
权重调整子模块，用于若叶子节点对应的投票权重值不等于预设权重，调 整投票权重值，直至投票权重值等于预设权重。
本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储 在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现 如上述任一项的老龄化程度的预测方法的步骤。
本发明实施例的第四方面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，计算机程序被处理器执行时实现如上述任一项的老 龄化程度的预测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例首先获取预设区域的居民指标，然后利用预设的决策树模型 对居民指标进行分类，得到居民指标对应的初始居民类别，再将初始居民类别 与预设类别进行匹配，确定目标居民类别，最后根据目标居民类别和预设的预 测模型，确定老龄化程度。本发明采用决策树模型对居民指标进行分类，并利 用预测模型对分类后居民指标进行预测，以确定老龄化程度，可有效判断出相 应的居民类别，以便提升老龄化程度的预测准确度以及预测效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技 术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 动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种老龄化程度的预测方法的实现流程示意 图；
图2本发明实施例提供的一种老龄化程度的预测装置的结构示意图；
图3是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术 之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当 清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中， 省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节 妨碍本发明的描述。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
图1是本发明一实施例提供的一种老龄化程度的预测方法的实现流程示意 图。如图1所示，该实施例的一种老龄化程度的预测方法包括：
步骤S101：获取预设区域的居民指标；
步骤S102：利用预设的决策树模型对居民指标进行分类，得到居民指标对 应的初始居民类别；
步骤S103：将初始居民类别与预设类别进行匹配，确定目标居民类别；
步骤S104：根据目标居民类别和预设的预测模型，确定老龄化程度。
具体地，居民指标包括居民年龄、居民所属地、居民性别、居民工作地等 指标。老龄化程度分为三个等级，包括重度、中度和轻度。
决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现 值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法， 是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的 枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象 属性与对象值之间的一种映射关系。决策树是一种十分常用的分类方法。它是 一种监督学习，即给定一堆样本，每个样本都有一组属性和一个类别，这些类 别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的 对象给出正确的分类。
以地区A为例具体阐释本实施例，首先获取地区A的居民指标，至少包括 居民年龄、居民所属地和居民性别。将居民年龄、居民所属地和居民性别输入 决策树模型对居民指标进行分类，得到居民指标对应的初始居民类别，然后将 初始居民类别与预设类别进行匹配，确定目标居民类别，最后根据目标居民类 别和预设的预测模型，确定老龄化程度。其中，预设的预测模型可以为神经网 络或支持向量机等机器学习模型。
本发明实施例首先获取预设区域的居民指标，然后利用预设的决策树模型 对居民指标进行分类，得到居民指标对应的初始居民类别，再将初始居民类别 与预设类别进行匹配，确定目标居民类别，最后根据目标居民类别和预设的预 测模型，确定老龄化程度。本发明采用决策树模型对居民指标进行分类，并利 用预测模型对分类后居民指标进行预测，以确定老龄化程度，可有效判断出相 应的居民类别，以便提升老龄化程度的预测准确度以及预测效率。
在一实施例中，步骤S102包括：
步骤S201：计算居民指标对应的叶子节点的投票权重值；
步骤S202：若叶子节点的投票权重等于预设权重值，确定与居民指标对应 的标签的投票得分；
步骤S203：基于居民指标对应的标签的投票得分，选取投票得分满足预设 条件的类别标签，将满足预设条件的类别标签作为与居民指标对应的初始居民 类别。
对决策树进行动态加权的过程为：导入待训练样本后，若森林中决策树的 数目等于预设数目，则进行投票权重的调整，首先对决策树的每一个叶子节点 的投票权重设定为0.5，然后根据该叶子节点判断正确的样本数量与到达的样本 总数之比重新调整其投票权重，直至决策树中的所有叶子节点对应的投票权重 等于预设权重值，以确定与居民指标对应的标签的投票得分。由于居民指标、 标签的投票得分和类别标签是一一对应关系，因此，通过标签的投票得分即可 进行与类别标签的匹配，确定居民指标对应的初始居民类别。通过对决策树权 重值的调整，可提高模型准确度，从而进一步提高老龄化程度的预测准确度。
此外，步骤S201之后还包括：若叶子节点对应的投票权重值不等于预设 权重，调整投票权重值，直至投票权重值等于预设权重。
在一实施例中，步骤S201包括：
步骤S301：统计预设的决策树模型中叶子节点对应的核属性的路径数量和 总路径数量；
步骤S302：计算包括核属性的路径数量与总路径数量的比值，并将得到的 比值作为投票权重值。
具体地，决策树中存在多个叶子节点，且每个叶子节点对应的核属性的路 径数是不同的，通过每个叶子节点对应的核属性的路径数可有效区分每个叶子 节点。本发明通过引入核属性的路径数量和总路径数量，以确定每个叶子节点 的投票权重值，可有效提高决策树的分类精度。
在一实施例中，步骤S104包括：
步骤S401：获取预设的预测模型；
步骤S402：将目标居民类别输入预设的预测模型，得到老龄化程度。
具体地，预设的预测模型可以为数据挖掘所采用的机器模型，包括BP神 经网络模型、支持向量机模型等，此处不作具体限定。其中，对于上述任一机 器模型，在使用的时候，都会采用训练样本进行训练，以获取训练后的模型， 再将测试样本输入训练后的模型，以确定预设的预测模型。具体地，获取初始 预测模型和训练样本数据；将训练样本数据输入初始预测模型，待迭代次数满 足预设次数，得到预设的预测模型。通过上述模型对老龄化程度进行预测，可 提高老龄化预测的准确性。
可选的，将训练样本数据输入初始预测模型，待迭代次数满足预设次数， 得到预设的预测模型，包括：将训练样本数据输入初始预测模型，确定训练样 本数据对应的分类概率；计算分类概率与预设分类概率的差值，并根据差值确 定初始预测模型的损失值；根据损失值反向训练初始预测模型，直至待迭代次 数满足预设次数，确定预设的预测模型。
具体地，损失值是通过分类概率与预设分类概率的差值以及损失函数确定。 其中，损失函数包括平方损失函数、绝对值损失函数和Huber loss(休伯损失) 函数。其中，平方损失是最常用的，然而其缺点是对于异常点会施以较大的惩 罚，因而鲁棒性差。如果有较多异常点，则绝对值损失表现较好，但绝对值损 失的缺点是在绝对值为零处不连续可导，因而不容易优化。Huber loss是对二者 的综合，当最低点小于一个事先指定的值δ时，变为平方损失，大于δ时，则 变成类似于绝对值损失，因此也是鲁棒性较强的损失函数。本发明采用Huber 损失函数来确定损失值，可提高预设的预测模型的可靠性，进一步提高老龄化 程度的预测准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施 过程构成任何限定。
在一个实施例中，如图2所示，提供了一种老龄化程度的预测装置，包括： 居民指标获取模块21、初始居民类别确定模块22、目标居民类别确定模块23 和老龄化程度确定模块24，其中：
居民指标获取模块21，用于获取预设区域的居民指标；
初始居民类别确定模块22，用于利用预设的决策树模型对居民指标进行分 类，得到居民指标对应的初始居民类别；
目标居民类别确定模块23，用于将初始居民类别与预设类别进行匹配，确 定目标居民类别；
老龄化程度确定模块24，用于根据目标居民类别和预设的预测模型，确定 老龄化程度。
在一种可能的实现方式中，初始居民类别确定模块22包括：
权重值计算子模块，用于计算居民指标对应的叶子节点的投票权重值；
比较子模块，用于若叶子节点的投票权重等于预设权重值，确定与居民指 标对应的标签的投票得分；
初始居民类别确定子模块，用于基于居民指标对应的标签的投票得分，选 取投票得分满足预设条件的类别标签，将满足预设条件的类别标签作为与居民 指标对应的初始居民类别。
在一种可能的实现方式中，权重值计算子模块包括：
统计单元，用于统计预设的决策树模型中叶子节点对应的核属性的路径数 量和总路径数量；
比值计算单元，用于计算包括核属性的路径数量与总路径数量的比值，并 将得到的比值作为投票权重值。
在一种可能的实现方式中，老龄化程度确定模块24包括：
模型获取子模块，用于获取预设的预测模型；
老龄化程度确定子模块，用于将目标居民类别输入预设的预测模型，得到 老龄化程度。
在一种可能的实现方式中，模型获取子模块包括：
数据获取单元，用于获取初始预测模型和训练样本数据；
模型训练单元，用于将训练样本数据输入初始预测模型，待迭代次数满足 预设次数，得到预设的预测模型。
在一种可能的实现方式中，模型训练单元包括：
模型训练子单元，用于将训练样本数据输入初始预测模型，确定训练样本 数据对应的分类概率；
差值计算子单元，用于计算分类概率与预设分类概率的差值，并根据差值 确定初始预测模型的损失值；
反向训练子单元，用于根据损失值反向训练初始预测模型，直至待迭代次 数满足预设次数，确定预设的预测模型。
在一种可能的实现方式中，权重值计算子模块之后，还包括：
权重调整子模块，用于若叶子节点对应的投票权重值不等于预设权重，调 整投票权重值，直至投票权重值等于预设权重。
图3是本发明实施例提供的终端的示意图。如图3所示，该实施例的终端 3包括：处理器30、存储器31以及存储在存储器31中并可在处理器30上运行 的计算机程序32。处理器30执行计算机程序32时实现上述各个老龄化程度的 预测方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，处理 器30执行计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如 图2所示模块/单元21至24的功能。
示例性的，计算机程序32可以被分割成一个或多个模块/单元，一个或者 多个模块/单元被存储在存储器31中，并由处理器30执行，以完成本发明。一 个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指 令段用于描述计算机程序32在终端3中的执行过程。例如，计算机程序32可 以被分割成图2所示的模块/单元21至24。
终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。 终端3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解， 图3仅仅是终端3的示例，并不构成对终端3的限定，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，例如终端还可以包括输入 输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可 以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集 成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (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。
存储器31可以是终端3的内部存储单元，例如终端3的硬盘或内存。存储 器31也可以是终端3的外部存储设备，例如终端3上配备的插接式硬盘，智能 存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存 卡(Flash Card)等。进一步地，存储器31还可以既包括终端3的内部存储单 元也包括外部存储设备。存储器31用于存储计算机程序以及终端所需的其他程 序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上 述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上 述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的 功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单 元、模块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，上述集成的单元既可以采用硬件的 形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的 具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系 统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在 此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可 以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的， 例如，模块或单元的划分，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 耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可 以是电性，机械或其它的形式。
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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的 形式实现。
集成的模块/单元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 明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相 关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机 程序在被处理器执行时，可实现上述各个数据清洗方法实施例的步骤。其中， 计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代 码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带 计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器 (Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质 等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和 专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实 践，计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述 实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然 可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进 行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各 实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种老龄化程度的预测方法，其特征在于，包括：
获取预设区域的居民指标；
利用预设的决策树模型对所述居民指标进行分类，得到所述居民指标对应的初始居民类别；
将所述初始居民类别与预设类别进行匹配，确定目标居民类别；
根据所述目标居民类别和预设的预测模型，确定老龄化程度。
2.如权利要求1所述的老龄化程度的预测方法，其特征在于，所述利用预设的决策树模型对所述居民指标进行分类，得到所述居民指标对应的初始居民类别，包括：
计算所述居民指标对应的叶子节点的投票权重值；
若所述叶子节点的投票权重等于预设权重值，确定与所述居民指标对应的标签的投票得分；
基于所述居民指标对应的标签的投票得分，选取投票得分满足预设条件的类别标签，将所述满足预设条件的类别标签作为与所述居民指标对应的初始居民类别。
3.如权利要求2所述的老龄化程度的预测方法，其特征在于，所述计算所述居民指标对应的叶子节点的投票权重值，包括：
统计所述预设的决策树模型中叶子节点对应的核属性的路径数量和总路径数量；
计算所述包括核属性的路径数量与所述总路径数量的比值，并将得到的比值作为所述投票权重值。
4.如权利要求1-3中任一项所述的老龄化程度的预测方法，其特征在于，所述根据所述目标居民类别和预设的预测模型，确定老龄化程度，包括：
获取所述预设的预测模型；
将所述目标居民类别输入所述预设的预测模型，得到老龄化程度。
5.如权利要求4所述的老龄化程度的预测方法，其特征在于，所述获取所述预设的预测模型，包括：
获取初始预测模型和训练样本数据；
将所述训练样本数据输入所述初始预测模型，待迭代次数满足预设次数，得到所述预设的预测模型。
6.如权利要求5所述的老龄化程度的预测方法，其特征在于，所述将所述训练样本数据输入所述初始预测模型，待迭代次数满足预设次数，得到所述预设的预测模型，包括：
将所述训练样本数据输入所述初始预测模型，确定所述训练样本数据对应的分类概率；
计算所述分类概率与预设分类概率的差值，并根据所述差值确定所述初始预测模型的损失值；
根据所述损失值反向训练所述初始预测模型，直至待迭代次数满足预设次数，确定所述预设的预测模型。
7.如权利要求2所述的老龄化程度的预测方法，其特征在于，所述计算所述居民指标对应的叶子节点的投票权重值之后，还包括：
若所述叶子节点对应的投票权重值不等于预设权重，调整所述投票权重值，直至所述投票权重值等于所述预设权重。
8.一种老龄化程度的预测装置，其特征在于，所述装置包括：
居民指标获取模块，用于获取预设区域的居民指标；
初始居民类别确定模块，用于利用预设的决策树模型对所述居民指标进行分类，得到所述居民指标对应的初始居民类别；
目标居民类别确定模块，用于将所述初始居民类别与预设类别进行匹配，确定目标居民类别；
老龄化程度确定模块，用于根据所述目标居民类别和预设的预测模型，确定老龄化程度。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述老龄化程度的预测方法的步骤。
10.一种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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述老龄化程度的预测方法的步骤。
CN202111088072.2A 2021-09-16 2021-09-16 老龄化程度的预测方法、装置、终端及存储介质 Pending CN114065999A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111088072.2A CN114065999A (zh) 2021-09-16 2021-09-16 老龄化程度的预测方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111088072.2A CN114065999A (zh) 2021-09-16 2021-09-16 老龄化程度的预测方法、装置、终端及存储介质

Publications (1)

Publication Number Publication Date
CN114065999A true CN114065999A (zh) 2022-02-18

Family

ID=80233744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111088072.2A Pending CN114065999A (zh) 2021-09-16 2021-09-16 老龄化程度的预测方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN114065999A (zh)

Similar Documents

Publication Publication Date Title
CN109633448B (zh) 识别电池健康状态的方法、装置和终端设备
CN113360711B (zh) 视频理解任务的模型训练和执行方法、装置、设备及介质
CN111382248A (zh) 一种问题回复方法、装置、存储介质及终端设备
CN111881972B (zh) 一种黑产用户识别方法及装置、服务器、存储介质
CN110688536A (zh) 一种标签预测方法、装置、设备和存储介质
CN111582645B (zh) 基于因子分解机的app风险评估方法、装置和电子设备
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
CN111159481B (zh) 图数据的边预测方法、装置及终端设备
CN114328277A (zh) 一种软件缺陷预测和质量分析方法、装置、设备及介质
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN113342799B (zh) 一种数据修正方法及系统
CN111178701A (zh) 一种基于特征衍生技术的风险控制方法方法、装置和电子设备
CN113919432A (zh) 一种分类模型构建方法、数据分类方法及装置
CN109117352B (zh) 服务器性能预测方法和装置
CN112766402A (zh) 算法选择方法、装置和电子设备
CN110335628B (zh) 智能设备的语音测试方法、装置及电子设备
CN111738290A (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN111859933A (zh) 马来语识别模型的训练方法、识别方法、装置、设备
CN116485019A (zh) 一种数据处理方法及装置
CN114065999A (zh) 老龄化程度的预测方法、装置、终端及存储介质
CN115601042A (zh) 信息识别方法、装置、电子设备及存储介质
CN115641201A (zh) 数据异常检测方法、系统、终端设备及存储介质
CN113807391A (zh) 任务模型的训练方法、装置、电子设备及存储介质
CN112598228A (zh) 企业竞争力的分析方法、装置、设备及存储介质
CN116484230B (zh) 识别异常业务数据的方法及ai数字人的训练方法

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