CN114239924A - 基于天气参数的影响指数确定方法及装置 - Google Patents

Abstract

本发明公开了一种基于天气参数的影响指数确定方法及装置。其中，该方法包括：根据目标区域的历史天气数据构建训练数据集，其中，历史天气数据包括目标区域的历史天气参数以及历史业务数据；根据训练数据集对预设模型进行训练，以得到天气数据模型；根据天气数据模型以及目标区域的天气参数，确定天气参数对目标区域中业务数据的影响指数。本发明解决了相关技术中无法准确确定天气对相关业务的影响的技术问题。

Description

基于天气参数的影响指数确定方法及装置

技术领域

本发明涉及电子技术领域，具体而言，涉及一种基于天气参数的影响指数确定方法及装置。

背景技术

在现有技术中，外卖业务比较依赖线下的实际场景，尤其受到天气的影响比较大，比如下雨下雪低温等恶劣天气下用户在外卖下单的意愿比较强烈，反之好天气的时候用户在外卖下单意愿就会比较弱一些。同时实际应用场景中，同样天气对不同气候的城市影响也不同，无法掌握天气对外卖业务的影响机制，不能帮助业务决策者提高经营决策效率；

目前常用的天气指数比如穿衣指数、中暑指数等，基于温度、湿度等，通过比较重要的天气指数根据经验制定的规则；在实际应用中，业务侧按照天气类型对天气进行归类，将不同天气类型分成：一般恶劣、特别恶劣等类型，通过天气类型确定天气对外卖(业务)的影响。

可见，相关技术中针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于天气参数的影响指数确定方法及装置，以至少解决相关技术中无法准确确定天气对相关业务的影响的技术问题。

根据本发明实施例的一个方面，提供了一种基于天气参数的影响指数确定方法，包括：根据目标区域的历史天气数据构建训练数据集，其中，所述历史天气数据包括所述目标区域的历史天气参数以及历史业务数据；根据所述训练数据集对预设模型进行训练，以得到天气数据模型；根据所述天气数据模型以及所述目标区域的天气参数，确定所述天气参数对所述目标区域中业务数据的影响指数。

进一步地，根据目标区域的历史天气数据构建训练数据集，包括：对所述历史天气参数进行预设处理；以及，对所述历史业务数据进行目标值构建；根据经过处理后的历史天气参数以及业务数据构建所述训练数据集。

进一步地，对所述历史天气参数进行预设处理，包括：剔除所述历史天气参数中的异常值参数以及缺失值参数；对所述历史天气参数进行数值转换。

进一步地，对所述历史业务数据进行目标值构建，包括：根据所述历史业务数据的增长率对所述业务数据进行处理；和/或，根据所述历史业务数据的业务周期对所述业务数据进行处理。

进一步地，根据所述天气数据模型以及所述目标区域的天气参数，确定所述天气参数对所述目标区域中业务数据的影响指数，包括：将所述目标区域中多个时间粒度的天气参数以及所述天气数据模型确定所述多个时间粒度对应的多个影响指数；确定所述多个影响指数确定所述目标区域对应的上级区域的多个时间粒度对应的多个上级影响指数。

进一步地，所述预设模型包括回归树模型，其中，根据所述训练数据集对预设模型进行训练，以得到天气数据模型，包括：根据所述训练数据集对所述回归树模型进行训练，以得到所述天气数据模型。

根据本发明实施例的另一方面，还提供了一种基于天气参数的影响指数确定装置，包括：处理单元，用于根据目标区域的历史天气数据构建训练数据集，其中，所述历史天气数据包括所述目标区域的历史天气参数以及历史业务数据；训练单元，用于根据所述训练数据集对预设模型进行训练，以得到天气数据模型；确定单元，用于根据所述天气数据模型以及所述目标区域的天气参数，确定所述天气参数对所述目标区域中业务数据的影响指数。

进一步地，所述预设模型包括回归树模型，其中，训练单元，包括：训练模块，用于根据所述训练数据集对所述回归树模型进行训练，以得到所述天气数据模型。

根据本发明实施例的另一方面，还提供了一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上所述的基于天气参数的影响指数确定方法的步骤。

根据本发明实施例的另一方面，还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的基于天气参数的影响指数确定方法的步骤。

在本发明实施例中，根据目标区域的历史天气数据构建训练数据集，其中，历史天气数据包括目标区域的历史天气参数以及历史业务数据；根据训练数据集对预设模型进行训练，以得到天气数据模型；根据天气数据模型以及目标区域的天气参数，确定天气参数对目标区域中业务数据的影响指数，达到了对目标区域进行数值化，进而训练得到目标区域对应的天气数据模型的目的，从而实现了根据目标区域的区域天气数据以及训练完成的天气数据模型得到准确的天气数据的影响指数的技术效果，进而解决了相关技术中无法准确确定天气对相关业务的影响的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的基于天气参数的影响指数确定方法的流程示意图；

图2是根据本发明实施例的一种可选的DAU拆解示意图；

图3是根据本发明实施例的一种可选的DAU余项示意图；

图4是根据本发明实施例的一种可选的基于天气参数的影响指数确定装置的结构示意图.

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种基于天气参数的影响指数确定方法，如图1所示，该方法包括：

S102，根据目标区域的历史天气数据构建训练数据集，其中，历史天气数据包括目标区域的历史天气参数以及历史业务数据；

在本实施例中，目标区域包括但不限于物理上的国家、省、市、区/县以及乡/镇等物理城市，还可以是人为划定的城市中的某部分区域等。另一方面，目标区域还可以包括但不限于气候相同的物理城市。本实施例不对目标区域进行任何限定。

本实施例中的天气数据包括但不限于天气参数以及相关业务的业务数据，其中，天气参数包括但不限于穿衣指数、中暑指数、温度、湿度、是否晴天、有否有雨雪等。相关业务的业务数据包括但不限于外卖用户的订餐数量、某个应用程序或软件服务的用户日活跃数量DAU等。历史天气数据包括目标区域中的历史天气参数以及历史业务数据。

此外，本实施例中的训练数据包括但不限于天气参数与业务数据组成的数据集合，例如天气参数为“晴，29度”，业务数据DAU为1000，则天气参数与业务数据组成的训练数据为<晴，29度，1000>。

具体地，为了确定目标区域中天气参数对目标区域中指定业务的影响指数，首先获取目标区域中指定业务的历史业务数据以及历史天气参数，根据历史业务数据以及历史业务数据所处时间段的历史天气参数，创建用于训练预设模型的历史天气数据。

S104，根据训练数据集对预设模型进行训练，以得到天气数据模型；

S106，根据天气数据模型以及目标区域的天气参数，确定天气参数对目标区域中业务数据的影响指数。

根据目标区域中的历史天气数据以及业务数据创建训练数据集，然后根据训练数据集对预设模型进行训练，在训练结果收敛即训练完成后，得到天气数据模型。

需要说明的是，本实施例中的预设模型包括但不限于LR模型(LinearRegression，线性回归)以及了回归树XGBoost模型。

在一个例子中，以预设模型为LR模型为例进行说明，选择采用LR(LinearRegression)进行建模，并对天气现象(离散字符数据)以及温度(出现与label之间出现V字趋势)等变量进行one hot处理；通过one hot处理后解决了温度与label之间的非一次线性关系以及字符数据无法入模问题。

然后，根据目标区域的区域天气数据以及训练完成的天气数据模型，来确定目标区域的天气参数对目标区域指定业务的影响指数。

在实际的应用场景中，影响指数是用于评价目标区域中的天气参数对业务数据的影响程度。例如，根据目标区域中在某一时间的天气参数对软件业务的登录人数、服务购买人数等的影响，具体地，如目标区域中天气对外卖订购人数的影响，目标区域中天气对打车人次的影响等等。

需要说明的是，通过上述实施例，根据目标区域的历史天气数据构建训练数据集，其中，历史天气数据包括目标区域的历史天气参数以及历史业务数据；根据训练数据集对预设模型进行训练，以得到天气数据模型；根据天气数据模型以及目标区域的天气参数，确定天气参数对目标区域中业务数据的影响指数，达到了对目标区域进行数值化，进而训练得到目标区域对应的天气数据模型的目的，从而实现了根据目标区域的区域天气数据以及训练完成的天气数据模型得到准确的天气数据的影响指数的技术效果，进而解决了相关技术中无法准确确定天气对相关业务的影响的技术问题。

可选地，在本实施例中，根据目标区域的历史天气数据构建训练数据集，包括但不限于：对历史天气参数进行预设处理；以及，对历史业务数据进行目标值构建；根据经过处理后的历史天气参数以及业务数据构建训练数据集。

具体地，为了解决针对目标区域的天气数据模型建模过程中训练样本不足的问题，可以采用在空间粒度对数据样本进行扩展，例如确定目标区域所处的相似区域，进而确定目标区域所处的上级区域。在本实施例中，目标区域对应的相似区域是气候与目标区域的气候相同的区域。

以目标城市为A市，A市所属的X省中的其他地市气候均与A市气候相同。且A市与Y省中的B市气候也相同，则可以确定A市所处的上级区域为X省中的全部地市与Y省中的B市的联合区域。此处可见上级区域并不仅仅包括目标区域所属的物理上级城市。

需要说明的是，本实施例中的天气数据还包括但不限于指定业务的历史业务数据以及历史天气参数。其中，历史业务数据包括但不限于例如外卖平台中用户的订餐数量、某个应用程序或软件服务的用户日活跃数量DAU等。历史天气参数包括但不限于天气参数包括但不限于穿衣指数、中暑指数、温度、湿度、是否晴天、有否有雨雪等。

通过获取上级区域中的历史天气数据，例如历史天气参数以及历史业务数据，通过对历史天气数据进行预设处理，预设处理包括但不限于对历史天气数据的数值转化以及异常值处理等。在对历史天气数据处理完成后，可以得到训练数据集。

在本实施例中，通过对历史天气参数进行预设处理，例如异常参数以及缺失参数进行提出以及对历史天气参数的数值转换等。以及，通过根据业务数据的数据特性对业务数据进行目标值构建，以避免天气数据以外的其他数据对业务数据的影响。

通过上述实施例，对历史天气参数进行预设处理，以及对历史业务数据进行目标值构建，以得到训练数据集，可以应对天气数据模型建模过程中训练样本不足的问题，对训练样本进行了扩展，增加了训练样本的样本数量，进一步地提升了天气数据模型的准确度。

可选地，在本实施例中，对历史天气参数进行预设处理，包括但不限于：剔除历史天气参数中的异常值参数以及缺失值参数；对历史天气参数进行数值转换。

剔除历史天气参数中的异常值参数以及缺失值参数，包括但不限于：

S1，剔除历史天气参数中数值超过预设数值范围的异常值参数；

具体地，在历史天气参数中若日期位于冬季11月-02月的温带季风气候的城市中，历史天气参数的温度超过预设温度阈值20度，则确定该待处理天气数据为异常值参数。位于06月-09月的亚热带季风气候的城市中，历史天气参数中的温度值低于预设温度阈值10度，则确定该天气参数为异常值参数。

此外，还异常值参数还包括由随机因素导致的异常值参数，例如针对业务的促销活动、业务的竞争对手的参与、节假日以及业务相关的补贴策略等因素。对业务数据产生了异常扰动，则确定该历史天气数据为异常值参数

在确定异常值参数之后，剔除历史天气参数中的异常值参数。

S2，剔除历史天气参数中存在数值确实的缺失值参数。

在将剔除待历史天气参数中的异常值参数以及缺失值参数之后，对历史天气参数进行数值转换，具体地，若历史天气参数中存在某个数值缺失，则确定该历史天气参数为缺失值参数，剔除历史天气参数中的缺失值参数。

具体地，对历史天气参数进行数值转换，将历史天气参数转换为相应的能够进行计算处理的数据。

在一个例子中，日期20190809的历史天气参数为“温度8°，湿度80％，有雨，DAU为1300”，则对该历史天气参数进数值转换得到数据集合为<(5,10]，80％，010，1300>。

在另一个例子中，若日期20200205的历史天气参数为“温度-7°，湿度64％，有雪，DAU为1700”，则对该历史天气参数进数值转换得到数据集合为<(-inf,-5]，64％，001，1700>.

通过上述实施例，对历史天气参数进行数值转换后，剔除待处理天气数据中的异常值参数以及缺失值参数，使得历史天气参数更加准确。

可选地，在本实施例中，对历史业务数据进行目标值构建，包括但不限于：根据历史业务数据的增长率对业务数据进行处理；和/或，根据历史业务数据的业务周期对业务数据进行处理。

在剔除历史天气参数中的异常值参数以及缺失值参数，以及对历史天气参数进行数值转换之后，对历史业务数据进行目标值构建，减去其他因素对历史业务数据的目标值产生的干扰。例如减去对历史业务数据产生干扰的其他因素，然后得到训练样本数据，进而后续可以根据目标区域中的训练样本数据构建训练数据集。

具体地，在排除随机因素对业务数据产生的干扰之外，还需要排除其他因素对业务数据的干扰，例如历史业务数据的自然增长率以及历史业务数据的业务周期波动。本实施例中，排除长期增长项和周期项就得到了天气的影响。天气的影响的业务数据/排除天气影响的历史业务数据就是本实施例中的目标值。

在本实施例中，通过根据业务数据的时间序列来确定业务数据的平稳增长率以及业务周期。在一个例子中，假定目标区域的业务数据为用户日活数量DAU具体地，如图2所示的DAU拆解示意图；将DAU拆解为图2中上方的趋势项的增长曲线以及图2中下方的周期项的周期曲线，可以得出DAU的增长率为基准线S，通过确定基准线S对应的增长率，长期来看明显可以看到DAU呈现一种比较规律的上升的趋势，并且从图中可以得出有明显的7天周期波动，但随着业务的增长和季节的不同周期波动的幅度也会变化，这里采用动态周期能够较好的学习变化的周期波动。并通过DAU的增长率以及周期波动对DAU进行拆解处理，以得到DAU的实际波动，得到图3所示DAU余项示意图，通过将DAU余项为DAU的总体数值减去趋势项以及周期项后得到的，为DAU受天气参数波动影响的实际波动曲线。

通过上述实施例，根据历史业务数据的增长率和/或业务周期对历史业务数据进行处理，以得到准确的历史天气数据，构建精准的训练样本。

可选地，在本实施例中，预设模型包括回归树模型，其中，根据训练数据集对预设模型进行训练，以得到天气数据模型，包括但不限于：根据训练数据集对回归树模型进行训练，以得到天气数据模型。

在实际的应用场景中，选择XGBoost进行回归树建模，通过采用若干棵树的boosting学习，即使在某一棵树中出现了划分边界，在下一棵树中也可进行重新划分，不会出现被某单一边界影响状况，此外通过单棵树的CART决策机制也可以有效将正交影响减小。本实施例中，业务数据比较关心的解释性问题也可以通过SHAP value，一种通过合作博弈模型解释每个变量作用的方式进行解释，迭代后树模型比迭代前的LR模型与目标值的相关性提升5PP。

可选地，在本实施例中，根据天气数据模型以及目标区域的天气参数，确定天气参数对目标区域中业务数据的影响指数，包括但不限于：将所述目标区域中多个时间粒度的天气参数以及所述天气数据模型确定所述多个时间粒度对应的多个影响指数；确定所述多个影响指数确定所述目标区域对应的上级区域的多个时间粒度对应的多个上级影响指数。

在本实施例中，根据天气数据模型以及目标区域的天气参数确定当前天气参数对目标区域中指定业务的影响指数。

具体地，根据业务数据与时间的关联度确定时间粒度，例如以外卖业务为例，可以将时间粒度划分为早、中、晚三个时间段。而对于打车业务，则可以将天作为时间粒度。然后确定根据目标区域中多个时间粒度的天气参数、天气数据模型确定多个时间粒度分别对应的影响指数。例如，确定外卖业务中早餐、午餐以及晚餐三个时间段中天气参数分别对应的影响指数。还可以是打车业务中一天中天气参数对应的影响指数。

在确定目标区域中的多个影响指数之后，可以根据目标区域所处的上级区域中的其他相似区域的多个影响指数，以目标区域以及其他相似区域分别对应的业务数据为权重，来进行上级区域中各个区域的影响指数的合并，来得到上级区域对应的一个或多个上级影响指数。

例如，针对目标区域中外卖业务三个时段分别对应的的时间影响指数，业务数据为，用户日活数量DAU，所以采用以DAU为权重，时间(时段、天、周、月)与空间(三级物理城市、二级物理城市、省、全国)两个维度交叉自底向上层层汇总，以得到上级区域的上级时间影响指数。

通过根据目标区域的历史天气数据构建训练数据集，其中，历史天气数据包括目标区域的历史天气参数以及历史业务数据；根据训练数据集对预设模型进行训练，以得到天气数据模型；根据天气数据模型以及目标区域的天气参数，确定天气参数对目标区域中业务数据的影响指数，达到了对目标区域进行数值化，进而训练得到目标区域对应的天气数据模型的目的，从而实现了根据目标区域的区域天气数据以及训练完成的天气数据模型得到准确的天气数据的影响指数的技术效果，进而解决了相关技术中无法准确确定天气对相关业务的影响的技术问题。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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根据上述实施例的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设备(可以是手机，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的方法。

实施例2

根据本发明实施例，还提供了一种用于实施上述基于天气参数的影响指数确定方法的基于天气参数的影响指数确定装置，如图4所示，该装置包括：

1)处理单元40，用于根据目标区域的历史天气数据构建训练数据集，其中，所述历史天气数据包括所述目标区域的历史天气参数以及历史业务数据；

2)训练单元42，用于根据所述训练数据集对预设模型进行训练，以得到天气数据模型；

3)确定单元44，用于根据所述天气数据模型以及所述目标区域的天气参数，确定所述天气参数对所述目标区域中业务数据的影响指数。

可选地，在本实施例中，所述预设模型包括回归树模型，其中，训练单元42，包括：

1)训练模块，用于根据所述训练数据集对所述回归树模型进行训练，以得到所述天气数据模型。

可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。

实施例3

根据本发明实施例，还提供了一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如实施例1所述的基于天气参数的影响指数确定方法的步骤。

可选地，在本实施例中，存储器被设置为存储用于执行以下步骤的程序代码：

S1，根据目标区域的历史天气数据构建训练数据集，其中，所述历史天气数据包括所述目标区域的历史天气参数以及历史业务数据；

S2，根据所述训练数据集对预设模型进行训练，以得到天气数据模型；

S3，根据所述天气数据模型以及所述目标区域的天气参数，确定所述天气参数对所述目标区域中业务数据的影响指数。

可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。

实施例4

本发明的实施例还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如实施例1所述的基于天气参数的影响指数确定方法的步骤。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：

S1，根据目标区域的历史天气数据构建训练数据集，其中，所述历史天气数据包括所述目标区域的历史天气参数以及历史业务数据；

S2，根据所述训练数据集对预设模型进行训练，以得到天气数据模型；

S3，根据所述天气数据模型以及所述目标区域的天气参数，确定所述天气参数对所述目标区域中业务数据的影响指数。

可选地，存储介质还被设置为存储用于执行上述实施例1中的方法中所包括的步骤的程序代码，本实施例中对此不再赘述。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的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，可以存储在上述计算机可读取的存储介质中。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全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、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。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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。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。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于天气数据的影响指数确定方法，其特征在于，包括：

根据目标区域的历史天气数据构建训练数据集，其中，所述历史天气数据包括所述目标区域的历史天气参数以及历史业务数据；

根据所述训练数据集对预设模型进行训练，以得到天气数据模型；

根据所述天气数据模型以及所述目标区域的天气参数，确定所述天气参数对所述目标区域中业务数据的影响指数。

2.根据权利要求1所述的方法，其特征在于，根据目标区域的历史天气数据构建训练数据集，包括：

对所述历史天气参数进行预设处理；以及，

对所述历史业务数据进行目标值构建；

根据经过处理后的历史天气参数以及业务数据构建所述训练数据集。

3.根据权利要求2所述的方法，其特征在于，对所述历史天气参数进行预设处理，包括：

剔除所述历史天气参数中的异常值参数以及缺失值参数；

对所述历史天气参数进行数值转换。

4.根据权利要求2所述的方法，其特征在于，对所述历史业务数据进行目标值构建，包括：

根据所述历史业务数据的增长率对所述业务数据进行处理；和/或，

根据所述历史业务数据的业务周期对所述业务数据进行处理。

5.根据权利要求1所述的方法，其特征在于，根据所述天气数据模型以及所述目标区域的天气参数，确定所述天气参数对所述目标区域中业务数据的影响指数，包括：

将所述目标区域中多个时间粒度的天气参数以及所述天气数据模型确定所述多个时间粒度对应的多个影响指数；

确定所述多个影响指数确定所述目标区域对应的上级区域的多个时间粒度对应的多个上级影响指数。

6.根据权利要求1所述的方法，其特征在于，所述预设模型包括回归树模型，其中，根据所述训练数据集对预设模型进行训练，以得到天气数据模型，包括：

根据所述训练数据集对所述回归树模型进行训练，以得到所述天气数据模型。

7.一种基于天气参数的影响指数确定装置，其特征在于，包括：

处理单元，用于根据目标区域的历史天气数据构建训练数据集，其中，所述历史天气数据包括所述目标区域的历史天气参数以及历史业务数据；

训练单元，用于根据所述训练数据集对预设模型进行训练，以得到天气数据模型；

确定单元，用于根据所述天气数据模型以及所述目标区域的天气参数，确定所述天气参数对所述目标区域中业务数据的影响指数。

8.根据权利要求7所述的装置，其特征在于，所述预设模型包括回归树模型，其中，训练单元，包括：

训练模块，用于根据所述训练数据集对所述回归树模型进行训练，以得到所述天气数据模型。

9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-5所述的基于天气参数的影响指数确定方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-5所述的基于天气参数的影响指数确定方法的步骤。

Images