CN115905893A - 资源数值预测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种资源数值预测方法、装置、计算机设备和存储介质。通过基于已知的多个聚类确定出当前用户的用户类型后，从多个预测模型中确定与用户类型对应的目标预测模型，其中预测模型与聚类一一对应，将当前用户的用户画像信息和历史资源数值序列输入该目标预测模型，获取目标预测模型输出的当前用户在未来预设时间段内至少一个时间点的预测资源数值。相较于传统的仅基于海量历史数据对用户的未来资源数值进行预测，本方案通过已知的聚类确定用户类型，并选取与用户类型对应的预测模型，使用对应用户类型的预测模型预测用户的未来资源数值，提高了资源数值预测的准确度。

Description

资源数值预测方法、装置、计算机设备和存储介质

技术领域

本申请涉及大数据技术领域，特别是涉及一种资源数值预测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

用户想要获取产品时，需要付出一定的资源，用户将这些资源存储在固定的机构中，每个用户具有对应的资源存储账户。机构需要通过对用户的资源存储账户中资源数值变化规律进行预测，进而确定用户对于资源的需求。目前对于资源数值的预测方式通常是通过海量历史数据进行训练后得到客户的资源数值变化规律。然而，通过海量历史数据进行训练的方式，在构造特征时容易遗漏特征，从而导致相同或类似的客户，其资源数值变化规律不一致的情况，导致预测的准确度降低。

因此，目前的资源数值预测规律存在预测准确度低的缺陷。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高预测准确度的资源数值预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种资源数值预测方法，所述方法包括：

获取待预测用户的历史资源数值序列以及获取所述待预测用户的用户画像信息；所述历史资源数值序列中包括所述待预测用户在多个历史时间点的历史资源数值；

根据所述历史资源数值序列与多个聚类的距离，确定待预测用户的目标用户类型；所述多个聚类基于多种用户类型的样本用户的历史资源数值序列样本的聚类得到；

从预先训练的多个预测模型中获取与所述目标用户类型对应的目标预测模型；所述目标预测模型基于所述目标用户类型的样本用户对应的历史资源数值序列样本和用户画像信息样本训练得到，且所述多个预测模型与所述多个聚类一一对应；

将所述用户画像信息和所述历史资源数值序列输入所述目标预测模型，获取所述目标预测模型输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值。

在其中一个实施例中，所述根据所述历史资源数值序列与多个聚类的距离，确定待预测用户的目标用户类型，包括：

根据动态时间规整，确定所述历史资源数值序列与多个聚类的聚类中心的距离；

将与所述历史资源数值序列距离最近的聚类中心对应的用户类型，作为目标用户类型。

在其中一个实施例中，所述方法还包括：

根据已知用户类型的样本用户在多个滑动时间窗内的历史资源数值，获取所述已知用户类型的样本用户的多个资源数值序列样本；

基于多种用户类型的样本用户对应的多个资源数值序列样本进行聚类，得到多个资源数值序列样本集；每个资源数值序列样本集表征一种用户类型的样本用户的资源数值序列的特征；

加入对应的用户画像信息样本至各个资源数值序列样本集中，得到对应的聚类。

在其中一个实施例中，所述根据已知用户类型的样本用户在多个滑动时间窗内的历史资源数值，获取所述已知用户类型的样本用户的多个资源数值序列样本，包括：

获取已知用户类型的样本用户在多个历史时间点的多个历史资源数值样本；

根据所述多个历史时间点的时间顺序，将所述多个历史资源数值样本组合为原始历史资源数值序列；

根据预设窗口滑动步长，在所述原始历史资源数值序列中移动预设滑动时间窗，得到多次移动对应的多个资源数值序列样本。

在其中一个实施例中，所述得到对应的聚类之后，还包括：

针对每个加入用户画像信息样本后的资源数值序列样本集，提取该资源数值序列样本集对应的特征样本；将该资源数值序列样本集中的各个特征样本输入待训练的轻量级梯度提升机器模型，获取所述待训练的轻量级梯度提升机器模型输出的各个特征样本对应的资源数值序列样本在未来预设时间段内的至少一个时间点的资源数值样本预测值；

根据粒子群算法、所述至少一个资源数值样本预测值和各个资源数值样本预测值的时间对应的资源数值样本，更新所述待训练的轻量级梯度提升机器模型的模型参数，直至满足训练条件时，得到该资源数值序列样本集的用户类型对应的训练完成的预测模型。

在其中一个实施例中，所述根据粒子群算法、所述至少一个资源数值样本预测值和各个资源数值样本预测值的时间对应的资源数值样本，更新所述待训练的轻量级梯度提升机器模型的模型参数，直至满足训练条件时，得到该资源数值序列样本集的用户类型对应的训练完成的预测模型，包括：

初始化预设搜索空间；所述预设搜索空间包括多个粒子的位置以及各个粒子对应的参数；

根据所述资源数值序列样本集中的资源数值序列样本的数量、所述至少一个资源数值样本预测值及其对应的资源数值样本，确定目标函数的输出值；

根据所述输出值和所述目标函数对应的历史输出值，更新所述预设搜索空间中的个体最优值和群体最优值；

根据更新后的个体最优值和群体最优值，更新所述预设搜索空间中的粒子的速度矢量和位置矢量；

检测所述更新后的群体最优值与历史群体最优值的比较结果是否收敛，若否，返回根据所述资源数值序列样本集中的资源数值序列样本的数量、所述至少一个资源数值样本预测值和所述资源数值样本，确定目标函数的输出值的步骤；

若是，根据所述更新后的群体最优值，得到预测模型。

在其中一个实施例中，所述根据所述资源数值序列样本集中的资源数值序列样本的数量、所述至少一个资源数值样本预测值及其对应的资源数值样本，确定目标函数的输出值，包括：

针对所述资源数值序列样本集中的每个资源数值序列样本，获取该资源数值序列样本对应的资源数值样本预测值和资源数值样本的差的平方，作为所述目标函数的函数项；

根据所述资源数值序列样本集中多个函数项的和，得到所述目标函数的输出值。

在其中一个实施例中，所述将所述用户画像信息和所述历史资源数值序列输入所述目标预测模型，获取所述目标预测模型输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值，包括：

获取所述用户画像信息的第一特征和所述历史资源数值序列对应的第二特征，将所述第一特征和所述第二特征输入所述目标预测模型，获取所述目标预测模型基于所述第一特征和所述第二特征输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值。

第二方面，本申请提供了一种资源数值预测装置，所述装置包括：

获取模块，用于获取待预测用户的历史资源数值序列以及获取所述待预测用户的用户画像信息；所述历史资源数值序列中包括所述待预测用户在多个历史时间点的历史资源数值；

类型确定模块，用于根据所述历史资源数值序列与多个聚类的距离，确定待预测用户的目标用户类型；所述多个聚类基于多种用户类型的样本用户的历史资源数值序列样本的聚类得到；

模型确定模块，用于从预先训练的多个预测模型中获取与所述目标用户类型对应的目标预测模型；所述目标预测模型基于所述目标用户类型的样本用户对应的历史资源数值序列样本和用户画像信息样本训练得到，且所述多个预测模型与所述多个聚类一一对应；

预测模块，用于将所述用户画像信息和所述历史资源数值序列输入所述目标预测模型，获取所述目标预测模型输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值。

第三方面，本申请提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，其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上述的方法的步骤。

第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。

上述资源数值预测方法、装置、计算机设备、存储介质和计算机程序产品，通过基于已知的多个聚类确定出当前用户的用户类型后，从多个预测模型中确定与用户类型对应的目标预测模型，其中预测模型与聚类一一对应，将当前用户的用户画像信息和历史资源数值序列输入该目标预测模型，获取目标预测模型输出的当前用户在未来预设时间段内至少一个时间点的预测资源数值。相较于传统的仅基于海量历史数据对用户的未来资源数值进行预测，本方案通过已知的聚类确定用户类型，并选取与用户类型对应的预测模型，使用对应用户类型的预测模型预测用户的未来资源数值，提高了资源数值预测的准确度。

附图说明

图1为一个实施例中资源数值预测方法的流程示意图；

图2为一个实施例中聚类步骤的流程示意图；

图3为一个实施例中资源数值序列样本获取步骤的示意图；

图4为一个实施例中模型训练步骤的流程示意图；

图5为另一个实施例中资源数值预测方法的流程示意图；

图6为一个实施例中资源数值预测装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种资源数值预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。该资源数值预测方法包括以下步骤：

步骤S202，获取待预测用户的历史资源数值序列以及获取待预测用户的用户画像信息；历史资源数值序列中包括待预测用户在多个历史时间点的历史资源数值。

其中，待预测用户可以是需要进行资源数值预测的用户，待预测用户可以对应有相应的资源数值，用户使用资源可以换取对应的产品，并且用户在使用资源后，其对应的资源数值会相应减少对应的数值，同样地，用户也可以通过存储资源来增加资源数值。终端可以按照预设周期，在特定时间点记录用户的资源数值，从而可以得到用户对应的多个时间点的资源数值。其中，在当前时间点之前的资源数值可以被称为历史资源数值，在当前时间点之后的资源数值可以是需要进行预测的资源数值。终端对待预测用户进行资源数值预测时，可以获取待预测用户的多个历史时间点的历史资源数值序列，还可以获取待预测用户的用户画像信息。其中，终端可以通过将多个历史时间点的历史资源数值按照时间顺序进行组合，得到上述历史资源数值序列。用户画像信息可以是待预测用户对应的用户特征，终端通过将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，得到用户画像信息。

步骤S204，根据历史资源数值序列与多个聚类的距离，确定待预测用户的目标用户类型；多个聚类基于多种用户类型的样本用户的历史资源数值序列样本的聚类得到。

其中，终端可以预先获取多种用户类型的样本用户的历史资源数值序列样本，并对上述多个历史资源数值序列样本进行聚类，得到多个聚类，其中每个聚类表示一种用户类型的用户的历史资源数值基序列特征。

终端得到待预测用户的历史资源数值序列后，可以根据历史资源数值序列与上述多个聚类的距离，确定待预测用户的目标用户类型。其中，终端可以通过DTW(Dynamic TimeWarping，动态时间归整)算法确定上述距离。DTW算法是按照距离最近原则，衡量两个长度不同的时间序列的相似度的方法，是一种非线性规整技术。

步骤S206，从预先训练的多个预测模型中获取与目标用户类型对应的目标预测模型；目标预测模型基于目标用户类型的样本用户对应的历史资源数值序列样本和用户画像信息样本训练得到，且多个预测模型与多个聚类一一对应。

其中，终端可以预先基于多种用户类型的样本用户的历史资源数值序列样本和用户画像信息样本，对待训练的预测模型进行训练，从而得到多个预测模型，每个预测模型可以对应一种用户类型，换言之，每个预测模型分别基于一个聚类所反映的特征信息作为训练数据训练得到，因此上述多个预测模型与多个聚类一一对应。

终端可以从预先训练的多个预测模型中获取与目标用户类型对应的目标预测模型。其中目标用户类型可以是待预测用户的用户类型。上述多个预测模型可以存储在预测模型数据库中，终端可以通过用户类型从预测模型数据库中查找对应的目标预测模型。

其中，每个用户类型的预测模型可以基于迭代决策树(Gradient BoostingDecision Tree)进行训练。迭代决策树是一种集成思想的决策树模型，适用于推荐、预测等场景，算法以历史数据作为样本，在样本数据中设定标签(Y)列作为训练目标，通过迭代构造决策树拟合特征与标签之间的映射关系。具体地，终端可以以用户群Q和过去一段时间T的资源数值以及用户特征作为样本，计算用户未来的资源数值(p_bal)作为标签，通过多轮样本训练、拟合获得最终的通用客户资金预测模型。其中，Q表示总用户数量，T表示时间周期。

步骤S208，将用户画像信息和历史资源数值序列输入目标预测模型，获取目标预测模型输出的待预测用户在未来预设时间段内至少一个时间点的预测资源数值。

其中，终端获取上述目标预测模型后，可以将待预测用户的用户画像和历史资源数值序列输入目标预测模型；目标预测模型可以基于待预测用户的用户画像信息的特征和历史资源数值序列的特征，对用户未来的资源数值进行预测，并输出待预测用户在未来预设时间段内的至少一个时间点的预测资源数值。即目标预测模型可以输出未来多个时间点的预测资源数值，并形成相应的预测资源数值序列；也可以根据输入的目标时间点，输出目标时间点对应的预测资源数值。

其中，终端可以通过特征提取方式进行资源数值的预测。例如，在一些实施例中，终端可以获取待预测用户的用户画像信息的第一特征和待预测用户的历史资源数值序列对应的第二特征，将第一特征和第二特征输入上述目标预测模型，并获取目标预测模型基于第一特征和第二特征输出的待预测用户在未来预设时间段内至少一个时间点的预测资源数值，从而实现基于用户画像信息的特征和历史资源数值序列的特征的资源数值预测。

上述资源数值预测方法中，通过基于已知的多个聚类确定出当前用户的用户类型后，从多个预测模型中确定与用户类型对应的目标预测模型，其中预测模型与聚类一一对应，将当前用户的用户画像信息和历史资源数值序列输入该目标预测模型，获取目标预测模型输出的当前用户在未来预设时间段内至少一个时间点的预测资源数值。相较于传统的仅基于海量历史数据对用户的未来资源数值进行预测，本方案通过已知的聚类确定用户类型，并选取与用户类型对应的预测模型，使用对应用户类型的预测模型预测用户的未来资源数值，提高了资源数值预测的准确度。

在一个实施例中，根据历史资源数值序列与多个聚类的距离，确定待预测用户的目标用户类型，包括：根据动态时间规整，确定历史资源数值序列与多个聚类的聚类中心的距离；将与历史资源数值序列距离最近的聚类中心对应的用户类型，作为目标用户类型。

本实施例中，终端可以通过上述DTW算法确定待预测用户的历史资源数值序列与多个聚类的距离。其中，上述多个聚类具有相应的聚类中心，终端可以预先从多个样本用户的历史资源数值序列样本中确定预设数量的样本用户，作为聚类中心，并对其他样本用户的历史资源数值序列样本进行聚类，得到多个聚类。其中，在聚类过程中，终端可以不断调整上述聚类中心，使得聚类收敛。终端可以根据上述DTW算法确定待预测用户的历史资源数值序列与多个聚类的聚类中心的距离，并将与历史资源数值序列距离最近的聚类中心对应的用户类型，作为目标用户类型。具体地，上述用户类型可以有N个，则上述聚类中心可以有N个，终端可以使用DTW算法计算上述历史资源数值序列与所有聚类中心的聚类，并选择DTW距离最小的第i个聚类中心对应的聚类，作为历史资源数值序列所属的聚类，则终端可以将该聚类对应的用户类型作为目标用户类型。其中1≤i≤N。

通过本实施例，终端可以通过DTW确定待预测用户的历史资源数值序列所述的聚类，并基于聚类确定用户的用户类型，提高了资源数值预测的准确度。

在一个实施例中，还包括：根据已知用户类型的样本用户在多个滑动时间窗内的历史资源数值，获取已知用户类型的样本用户的多个资源数值序列样本；基于多种用户类型的样本用户对应的多个资源数值序列样本进行聚类，得到多个资源数值序列样本集；每个资源数值序列样本集表征一种用户类型的样本用户的资源数值序列的特征；加入对应的用户画像信息样本至各个资源数值序列样本集中，得到对应的聚类。

本实施例中，终端可以预先基于DTW确定多个聚类。终端可以预先获取已知用户类型的样本用户的多个历史资源数值，并且终端可以设置一个滑动时间窗，通过滑动时间窗从样本用户的多个历史资源数值中获取多个资源数值序列样本。例如，在一些实施例中，终端获取多个资源数值序列样本时，可以获取上述已知用户类型的样本用户在多个历史时间点的多个历史资源数值样本，并根据上述多个历史时间点的时间顺序，将多个历史资源数值样本组合为原始历史资源数值序列。从而终端可以根据预设窗口滑动步长，在原始历史资源数值序列中移动上述预设滑动时间窗，终端通过多次移动，可以得到多个资源数值序列样本。其中，上述预设滑动时间窗包括预设数量的时间点，上述预设数量小于所述原始历史资源数值序列的历史时间点的数量，即上述预设滑动时间窗包含预设的时间跨度，并在该时间跨度内截取原始历史资源数值序列中的片段，作为历史资源数值序列样本。

终端得到多个资源数值序列样本后，可以基于多个用户类型的样本用户对应的多个资源数值序列样本进行聚类，得到多个资源数值序列样本集。其中，每个资源数值序列样本集表征一种用户类型的样本用户的资源数值序列的特征。不同的资源数值序列样本集代表的用户类型不同。该用户类型可以是用户对资源数值的管理偏好的类型。终端还可以将对应的用户画像信息样本加入到各个资源数值序列样本集中，得到对应的聚类。例如，终端可以将每个资源数值序列样本集中包含的样本用户的用户画像信息输入至对应的资源序列样本集中，从而得到包含用户画像的特征以及用户的资源数值序列样本的特征的聚类。

具体地，终端通过DTW进行聚类的步骤可以如图2所示，图2为一个实施例中聚类步骤的流程示意图。终端可以预先采集用户群的历史资源数值样本、用户画像信息样本，并对历史数值资源样本进行处理得到各个用户的原始的历史数值资源序列样本。终端可以在原始历史数值资源序列样本中进行滑窗，如图3所示，图3为一个实施例中资源数值序列样本获取步骤的示意图。终端可以对所有用户的原始历史资源数值序列样本，按照时间周期T+1的步长进行滑窗截取，得到多个资源数值序列样本集。例如，一个样本用户m的原始资源数值序列样本为

其中，

代表客户m在t时刻的历史资源数值样本。则终端可以通过如图3所示的滑动窗口，生成用户m对应的多个历史资源数值序列样本。终端得到多个历史资源数值序列样本后，可以基于DTW与k-Means聚类算法结合，对上述各个历史资源数值序列样本进行聚类，得到所有样本归属的类别以及每个类别的聚类中心。其中，终端可以预先确定n个聚类中心，并通过Python DTW工具等，计算上述各个历史资源数值序列样本与聚类中心的距离，并将历史资源数值序列样本分配到距离最近的聚类中，再重新计算各个聚类的聚类中心，当聚类中心收敛时，终端可以输出聚类结果，从而得到上述多个资源数值序列样本集。并且终端还可以将用户画像信息加入至对应的资源数值序列样本集中，得到对应的多个聚类。

通过上述实施例，终端可以通过滑动时间窗的方式确定用于聚类的资源数值序列样本，并通过DTW和k-Means聚类算法得到多个资源数值序列样本集，并结合用户画像信息样本和多个资源数值序列样本集确定多个聚类，基于多个聚类进行用户资源数值的预测，提高了资源数值预测的准确度。

在一个实施例中，得到对应的聚类之后，还包括：针对每个加入用户画像信息样本后的资源数值序列样本集，提取该资源数值序列样本集对应的特征样本；将该资源数值序列样本集中的各个特征样本输入待训练的轻量级梯度提升机器模型，获取待训练的轻量级梯度提升机器模型输出的各个特征样本对应的资源数值序列样本在未来预设时间段内的至少一个时间点的资源数值样本预测值；根据粒子群算法、至少一个资源数值样本预测值和各个资源数值样本预测值的时间对应的资源数值样本，更新待训练的轻量级梯度提升机器模型的模型参数，直至满足训练条件时，得到该资源数值序列样本集的用户类型对应的训练完成的预测模型。

本实施例中，终端得到上述各个聚类后，可以进行对预测模型的训练。由于上述聚类中的每个资源数值序列样本带有对应的用户画像信息样本。则对于每个加入用户画像信息样本后的资源数值序列样本集终端可以提取该资源数值序列样本集对应的特征样本。其中特征样本包括用户画像信息样本的第一特征，还可以包括对应的历史资源数值序列样本的第二特征。终端可以获取待训练的预测模型，例如可以是待训练的LightGBM(LightGradient Boosting Machine，轻量级梯度提升机器)模型，LightGBM具有训练速度快和内存占用率低的特点。终端可以将上述资源数值序列样本集中各个特征样本输入待训练的轻量级梯度提升机器模型，并获取待训练的轻量级梯度提升机器模型输出的各个特征样本对应的资源数值序列样本在未来预设时间段内的至少一个时间点的资源数值样本预测值。终端还可以通过PSO(Particle Swarm Optimization，粒子群优化算法)也称为粒子群算法、上述至少一个资源数值样本预测值以及各个资源数值样本预测值所属的时间对应的资源数值样本，更新上述待训练的轻量级梯度提升机器模型的模型参数。直至满足训练条件时，终端可以得到各个资源数值序列样本集的用户类型对应的训练完成的预测模型。其中，粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，通常认为它是群集智能的一种，它可以被纳入多主体优化系统。粒子群算法可以用于优化上述待训练的轻量级梯度提升机器模型的模型参数。

具体地，终端可以在确定了多个资源数值序列样本集后，可以选取对应的用户画像信息样本补充至各个资源数值序列样本集中，对这些补充后的资源数值序列样本集进行特征工程处理，例如终端可以通过Python tsfresh工具对资源数值序列样本集进行特征提取，并对资源数值序列样本集中的数据进行缺失值、异常值和归一化等处理，得到包含上述用户画像信息样本的特征和资源数值序列样本的特征的特征样本。

由于每个资源数值序列样本集对应一种用户类型，终端可以分别利用各个资源数值序列样本集，训练多个预测模型。例如，终端可以选取相同用户类型的样本，通过LightGBM算法分别训练N个不同的模型，即终端可以基于上述各个聚类的特征，对不同的用户群构建不同的训练模型。其中，上述模型训练过程中，终端可以采用迭代决策树算法进行训练，并使用粒子群算法对K-Mean算法的参数与LightGBM算法的参数进行调优，从而在参数最优时，得到各个用户类型对应的训练完成的预测模型。

通过本实施例，终端可以基于上述多个聚类训练预测模型，并通过粒子群算法对LightGBM模型进行参数调优，实现对各个用户类型的预测模型的训练，提高了资源数值预测的准确度。

在一个实施例中，根据粒子群算法、至少一个资源数值样本预测值和各个资源数值样本预测值的时间对应的资源数值样本，更新待训练的轻量级梯度提升机器模型的模型参数，直至满足训练条件时，得到该资源数值序列样本集的用户类型对应的训练完成的目标预测模型，包括：初始化预设搜索空间；预设搜索空间包括多个粒子的位置以及各个粒子对应的参数；根据资源数值序列样本集中的资源数值序列样本的数量、至少一个资源数值样本预测值及其对应的资源数值样本，确定目标函数的输出值；根据输出值和目标函数对应的历史输出值，更新预设搜索空间中的个体最优值和群体最优值；根据更新后的个体最优值和群体最优值，更新预设搜索空间中的粒子的速度矢量和位置矢量；检测更新后的群体最优值与历史群体最优值的比较结果是否收敛，若否，返回根据资源数值序列样本集中的资源数值序列样本的数量、至少一个资源数值样本预测值和资源数值样本，确定目标函数的输出值的步骤；若是，根据更新后的群体最优值，得到目标预测模型。

本实施例中，终端可以基于粒子群算法优化上述待训练的轻量级梯度提升机器模型的模型参数。终端可以预先初始化预设的搜索空间，包括在预设搜索空间中设置多个粒子的初始位置以及各个粒子对应的参数等。在每次待训练的轻量级梯度提升机器模型基于资源数值序列样本预测得到相应的资源数值样本预测值后，终端可以根据资源数值序列样本集中的资源数值序列样本的数量、至少一个资源数值样本预测值及其对应的资源数值样本，确定目标函数的输出值。

例如，在一些实施例中，对于上述资源数值序列样本集中的每个资源数值序列样本，终端可以获取该资源数值序列样本对应的资源数值样本预测值和对应的资源数值样本的差的平方，将该数值作为目标函数的函数项，上述资源数值序列样本集中可以包括多个资源数值序列样本，从而终端可以根据上述资源数值序列样本集中多个函数项的和，得到目标函数的输出值。

终端得到上述目标函数的输出值后，可以根据上述输出值和目标函数对应的历史输出值，更新预设搜索空间中的个体最优值和群体最优值。其中，历史输出值可以是目标函数在历史训练过程中，优化步骤所产生的输出值。个体极值是指单个粒子在运动过程中的极值的最优位置。群体极值是指种群中所有粒子搜索到的最优位置，并且群体极值是最优的个体极值。终端还可以根据上述更新后的个体最优值和群体最优值，对上述预设搜索空间中的各个粒子的速度矢量和位置矢量进行更新。并在更新后检测更新后的群体最优值与历史群体最优值的比较结果，若比较结果为不收敛，则终端可以返回根据资源数值序列样本集中的资源数值序列样本的数量、至少一个资源数值样本预测值和资源数值样本，确定目标函数的输出值的步骤，继续下一次的训练和优化。若比较结果为收敛，则终端可以根据更新后的群体最优值，得到训练完成的预测模型。例如终端可以将上述更新后的群体最优值作为预测模型的模型参数，从而得到训练完成的预测模型。

具体地，终端对模型进行训练和参数优化的步骤可以如图4所示，图4为一个实施例中模型训练步骤的流程示意图。终端可以预先初始化，设置搜索空间R＝{R¹,...,R^m,N}，搜索R的维度D＝m+1，其中m为LightGBM算法中超参数个数，{R¹,...,R^m}分别代表LightGBM1模型中各超参数值的范围，例如R¹代表参数“树的最大深度”的范围为[3,8]，R²代表参数“叶子最小样本数”的范围为[2,30]等等，N代表上述多个聚类的数量范围为，例如可以是[2,100]。终端可以初始化粒子群的数量K，并且在搜索空间中随机初始化各粒子的初始位置，粒子的位置表示为X_i＝(x_i1,x_i2,...,x_id)，速度表示为V_i＝(v_i1,v_i2,...,v_id)，并初始化迭代次数iterations＝1。

其中，上述目标函数的函数式如下所示：

其中，Q为各模型测试集中样本总数量，例如资源数值样本序列集中的资源数值样本序列的数量，y_q为模型输出的值，即上述资源数值预测值，

为真实的资源数值数据，即上述资源数值样本。

终端可以进行个体最优值Pbest及群体最优值Gbest的更新。例如，终端通过比较单个例子的历史所有目标函数值，去目标函数最小的位置为个体最优值的位置，并比较所有个体最优值的目标函数值，选择目标函数最小的位置为群体最优值的位置。对于每个粒子i，终端可以通过以下公式更新粒子i的第d维的速度：

其中，v表示速度矢量，w为惯性权重，可以设置为0.9；c₁、c₂为学习因子，设置为2；r₁、r₂为[0,1]之间的随机数。id表示粒子i的第d维。

终端可以通过以下公式更新粒子i的第d维的位置矢量：

其中，x表示位置矢量。

终端更新完成上述粒子的速度和位置后，可以将当前群体最优值与上一次迭代的群体最优值比较，判断是否收敛。若未收敛，则终端可以重新进行上述待训练的轻量级梯度提升机器模型的训练过程，并基于输出结果进行下一次的参数优化。若收敛，则终端可以输出群体最优值在预设搜索空间中的位置，作为预测模型的参数最优值，从而终端可以将该最优值最为预测模型的参数，得到训练完成的预测模型。

通过上述实施例，终端可以通过粒子群算法，基于粒子的个体最优值和群体最优值等优化进行模型参数调优，从而可以基于训练完成的预测模型进行资源数值的预测，提高了资源数值预测的准确度。

在一个实施例中，如图5所示，图5为另一个实施例中资源数值预测方法的流程示意图。本实施例中，终端可以获取用户的历史资源数值序列和用户的画像信息。其中，终端可以按照时间T截取多个资源数值序列，并基于DTW的k-means算法对多个资源数值序列进行聚类，得到多个资源数值序列集，并将用户画像信息和资源数值序列结合后，提取相应的特征，利用多个资源数值序列集训练多个LightGBM模型，即上述预测模型。终端可以通过上述PSO算法对各个模型的参数进行优化，从而最终得到训练完成的各个预测模型。

在预测阶段，终端可以获取待预测用户的历史资源数值序列和用户的画像信息，并通过DTW计算上述历史资源数值序列与各个聚类中心的距离，选择DTW最小的聚类中心对应的聚类，作为历史资源数值序列所属的聚类，从而终端可以将该聚类对应的用户类型作为待预测用户的用户类型。终端可以将上述用户画像信息加入历史资源数值序列后，提取历史资源数值序列的特征，并选取与用户类型相匹配的预测模型，利用该预测模型基于上述特征进行预测，得到待预测用户在未来时间点的资源数值。

通过上述实施例，终端对用户的历史资源数值序列进行聚类确定用户类型，并对每个用户类型均训练对应的预测模型，通过粒子群算法对K-Means算法和决策树模型同时调整参数，使用对应用户类型的预测模型预测用户的未来资源数值，提高了资源数值预测的准确度。并且通过DTW距离和k-means算法对用户群进行聚类，把资金规律类似的客户分为同一类，解决样本之间的干扰。另外，DTW距离允许序列点自我复制后再进行对齐匹配，能够很好地支持时间轴弯曲，并且它可以对非等长时间序列进行度量，支持时间轴伸缩，能比较有效地区分样本的差异。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的资源数值预测方法的资源数值预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个资源数值预测装置实施例中的具体限定可以参见上文中对于资源数值预测方法的限定，在此不再赘述。

在一个实施例中，如图6所示，提供了一种资源数值预测装置，包括：获取模块500、类型确定模块502、模型确定模块504和预测模块506，其中：

获取模块500，用于获取待预测用户的历史资源数值序列以及获取所述待预测用户的用户画像信息；所述历史资源数值序列中包括所述待预测用户在多个历史时间点的历史资源数值。

类型确定模块502，用于根据所述历史资源数值序列与多个聚类的距离，确定待预测用户的目标用户类型；所述多个聚类基于多种用户类型的样本用户的历史资源数值序列样本的聚类得到。

模型确定模块504，用于从预先训练的多个预测模型中获取与所述目标用户类型对应的目标预测模型；所述目标预测模型基于所述目标用户类型的样本用户对应的历史资源数值序列样本和用户画像信息样本训练得到，且所述多个预测模型与所述多个聚类一一对应。

预测模块506，用于将所述用户画像信息和所述历史资源数值序列输入所述目标预测模型，获取所述目标预测模型输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值。

在一个实施例中，上述类型确定模块502，具体用于根据动态时间规整，确定所述历史资源数值序列与多个聚类的聚类中心的距离；将与所述历史资源数值序列距离最近的聚类中心对应的用户类型，作为目标用户类型。

在一个实施例中，上述装置还包括：聚类模块，用于根据已知用户类型的样本用户在多个滑动时间窗内的历史资源数值，获取所述已知用户类型的样本用户的多个资源数值序列样本；基于多种用户类型的样本用户对应的多个资源数值序列样本进行聚类，得到多个资源数值序列样本集；每个资源数值序列样本集表征一种用户类型的样本用户的资源数值序列的特征；加入对应的用户画像信息样本至各个资源数值序列样本集中，得到对应的聚类。

在一个实施例中，上述聚类模块，具体用于获取已知用户类型的样本用户在多个历史时间点的多个历史资源数值样本；根据所述多个历史时间点的时间顺序，将所述多个历史资源数值样本组合为原始历史资源数值序列；根据预设窗口滑动步长，在所述原始历史资源数值序列中移动预设滑动时间窗，得到多次移动对应的多个资源数值序列样本。

在一个实施例中，上述装置还包括：训练模块，用于针对每个加入用户画像信息样本后的资源数值序列样本集，提取该资源数值序列样本集对应的特征样本；将该资源数值序列样本集中的各个特征样本输入待训练的轻量级梯度提升机器模型，获取所述待训练的轻量级梯度提升机器模型输出的各个特征样本对应的资源数值序列样本在未来预设时间段内的至少一个时间点的资源数值样本预测值；根据粒子群算法、所述至少一个资源数值样本预测值和各个资源数值样本预测值的时间对应的资源数值样本，更新所述待训练的轻量级梯度提升机器模型的模型参数，直至满足训练条件时，得到该资源数值序列样本集的用户类型对应的训练完成的预测模型。

在一个实施例中，上述训练模块，具体用于初始化预设搜索空间；所述预设搜索空间包括多个粒子的位置以及各个粒子对应的参数；根据所述资源数值序列样本集中的资源数值序列样本的数量、所述至少一个资源数值样本预测值及其对应的资源数值样本，确定目标函数的输出值；根据所述输出值和所述目标函数对应的历史输出值，更新所述预设搜索空间中的个体最优值和群体最优值；根据更新后的个体最优值和群体最优值，更新所述预设搜索空间中的粒子的速度矢量和位置矢量；检测所述更新后的群体最优值与历史群体最优值的比较结果是否收敛，若否，返回根据所述资源数值序列样本集中的资源数值序列样本的数量、所述至少一个资源数值样本预测值和所述资源数值样本，确定目标函数的输出值的步骤；若是，根据所述更新后的群体最优值，得到预测模型。

在一个实施例中，上述训练模块，具体用于针对所述资源数值序列样本集中的每个资源数值序列样本，获取该资源数值序列样本对应的资源数值样本预测值和资源数值样本的差的平方，作为所述目标函数的函数项；根据所述资源数值序列样本集中多个函数项的和，得到所述目标函数的输出值。

在一个实施例中，上述预测模块506，具体用于获取所述用户画像信息的第一特征和所述历史资源数值序列对应的第二特征，将所述第一特征和所述第二特征输入所述目标预测模型，获取所述目标预测模型基于所述第一特征和所述第二特征输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值。

上述资源数值预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种资源数值预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述的资源数值预测方法。

在一个实施例中，提供了一种计算机可读存储介质，其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的资源数值预测方法。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的资源数值预测方法。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种资源数值预测方法，其特征在于，所述方法包括：

获取待预测用户的历史资源数值序列以及获取所述待预测用户的用户画像信息；所述历史资源数值序列中包括所述待预测用户在多个历史时间点的历史资源数值；

根据所述历史资源数值序列与多个聚类的距离，确定待预测用户的目标用户类型；所述多个聚类基于多种用户类型的样本用户的历史资源数值序列样本的聚类得到；

从预先训练的多个预测模型中获取与所述目标用户类型对应的目标预测模型；所述目标预测模型基于所述目标用户类型的样本用户对应的历史资源数值序列样本和用户画像信息样本训练得到，且所述多个预测模型与所述多个聚类一一对应；

将所述用户画像信息和所述历史资源数值序列输入所述目标预测模型，获取所述目标预测模型输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值。

2.根据权利要求1所述的方法，其特征在于，所述根据所述历史资源数值序列与多个聚类的距离，确定待预测用户的目标用户类型，包括：

根据动态时间规整，确定所述历史资源数值序列与多个聚类的聚类中心的距离；

将与所述历史资源数值序列距离最近的聚类中心对应的用户类型，作为目标用户类型。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据已知用户类型的样本用户在多个滑动时间窗内的历史资源数值，获取所述已知用户类型的样本用户的多个资源数值序列样本；

基于多种用户类型的样本用户对应的多个资源数值序列样本进行聚类，得到多个资源数值序列样本集；每个资源数值序列样本集表征一种用户类型的样本用户的资源数值序列的特征；

加入对应的用户画像信息样本至各个资源数值序列样本集中，得到对应的聚类。

4.根据权利要求3所述的方法，其特征在于，所述根据已知用户类型的样本用户在多个滑动时间窗内的历史资源数值，获取所述已知用户类型的样本用户的多个资源数值序列样本，包括：

获取已知用户类型的样本用户在多个历史时间点的多个历史资源数值样本；

根据所述多个历史时间点的时间顺序，将所述多个历史资源数值样本组合为原始历史资源数值序列；

根据预设窗口滑动步长，在所述原始历史资源数值序列中移动预设滑动时间窗，得到多次移动对应的多个资源数值序列样本。

5.根据权利要求3所述的方法，其特征在于，所述得到对应的聚类之后，还包括：

针对每个加入用户画像信息样本后的资源数值序列样本集，提取该资源数值序列样本集对应的特征样本；将该资源数值序列样本集中的各个特征样本输入待训练的轻量级梯度提升机器模型，获取所述待训练的轻量级梯度提升机器模型输出的各个特征样本对应的资源数值序列样本在未来预设时间段内的至少一个时间点的资源数值样本预测值；

根据粒子群算法、所述至少一个资源数值样本预测值和各个资源数值样本预测值的时间对应的资源数值样本，更新所述待训练的轻量级梯度提升机器模型的模型参数，直至满足训练条件时，得到该资源数值序列样本集的用户类型对应的训练完成的预测模型。

6.根据权利要求5所述的方法，其特征在于，所述根据粒子群算法、所述至少一个资源数值样本预测值和各个资源数值样本预测值的时间对应的资源数值样本，更新所述待训练的轻量级梯度提升机器模型的模型参数，直至满足训练条件时，得到该资源数值序列样本集的用户类型对应的训练完成的预测模型，包括：

初始化预设搜索空间；所述预设搜索空间包括多个粒子的位置以及各个粒子对应的参数；

根据所述资源数值序列样本集中的资源数值序列样本的数量、所述至少一个资源数值样本预测值及其对应的资源数值样本，确定目标函数的输出值；

根据所述输出值和所述目标函数对应的历史输出值，更新所述预设搜索空间中的个体最优值和群体最优值；

根据更新后的个体最优值和群体最优值，更新所述预设搜索空间中的粒子的速度矢量和位置矢量；

检测所述更新后的群体最优值与历史群体最优值的比较结果是否收敛，若否，返回根据所述资源数值序列样本集中的资源数值序列样本的数量、所述至少一个资源数值样本预测值和所述资源数值样本，确定目标函数的输出值的步骤；

若是，根据所述更新后的群体最优值，得到预测模型。

7.根据权利要求6所述的方法，其特征在于，所述根据所述资源数值序列样本集中的资源数值序列样本的数量、所述至少一个资源数值样本预测值及其对应的资源数值样本，确定目标函数的输出值，包括：

针对所述资源数值序列样本集中的每个资源数值序列样本，获取该资源数值序列样本对应的资源数值样本预测值和资源数值样本的差的平方，作为所述目标函数的函数项；

根据所述资源数值序列样本集中多个函数项的和，得到所述目标函数的输出值。

8.根据权利要求1所述的方法，其特征在于，所述将所述用户画像信息和所述历史资源数值序列输入所述目标预测模型，获取所述目标预测模型输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值，包括：

获取所述用户画像信息的第一特征和所述历史资源数值序列对应的第二特征，将所述第一特征和所述第二特征输入所述目标预测模型，获取所述目标预测模型基于所述第一特征和所述第二特征输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值。

9.一种资源数值预测装置，其特征在于，所述装置包括：

获取模块，用于获取待预测用户的历史资源数值序列以及获取所述待预测用户的用户画像信息；所述历史资源数值序列中包括所述待预测用户在多个历史时间点的历史资源数值；

类型确定模块，用于根据所述历史资源数值序列与多个聚类的距离，确定待预测用户的目标用户类型；所述多个聚类基于多种用户类型的样本用户的历史资源数值序列样本的聚类得到；

模型确定模块，用于从预先训练的多个预测模型中获取与所述目标用户类型对应的目标预测模型；所述目标预测模型基于所述目标用户类型的样本用户对应的历史资源数值序列样本和用户画像信息样本训练得到，且所述多个预测模型与所述多个聚类一一对应；

预测模块，用于将所述用户画像信息和所述历史资源数值序列输入所述目标预测模型，获取所述目标预测模型输出的所述待预测用户在未来预设时间段内至少一个时间点的预测资源数值。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

Images