CN116596398A - 预测模型的选择方法、装置、设备、存储介质和程序产品 - Google Patents
预测模型的选择方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN116596398A CN116596398A CN202310655758.8A CN202310655758A CN116596398A CN 116596398 A CN116596398 A CN 116596398A CN 202310655758 A CN202310655758 A CN 202310655758A CN 116596398 A CN116596398 A CN 116596398A
- Authority
- CN
- China
- Prior art keywords
- prediction
- index data
- prediction model
- index
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 14
- 230000001960 triggered effect Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010187 selection method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004904 shortening Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种预测模型的选择方法、装置、计算机设备、存储介质和计算机程序产品。涉及人工智能技术领域。方法包括:获取指标数据;将指标数据进行标准化处理,得到标准化指标数据;记录标准化指标数据的存储情况;根据标准化指标数据的存储情况,确定是否满足预设要求;在满足预设要求的情况下,触发将标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;获取各预测模型对应的预测耗时,根据预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;按照第二预设周期,使用指标预测模型执行指标预测任务。采用本方法,实现无需依赖于人工进行耗费大量的时间和精力即可选定指标预测模型。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种预测模型的选择方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
传统技术中,现有指标预测模型的选择策略,采用人工分析指标数据并估计模型拟合效果的方式,需要人工整理指标的历史数据,并对历史数据一个一个地进行拟合,然后通过专家经验进行分析,以最终人工选择合适的预测模型。
然而,现有指标预测模型的选择策略,非常的依赖人工,需要耗费大量的时间和精力去处理重复的数据处理工作,非常费事费力。
发明内容
基于此,有必要针对上述技术问题,提供一种能够缩短预测模型的选定所花费的时间的预测模型的选择方法、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,本申请提供了一种预测模型的选择方法。所述方法包括:
按照第一预设周期,获取指标数据;
将所述指标数据进行标准化处理,得到标准化指标数据;
将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
根据所述标准化指标数据的存储情况,确定是否满足预设要求;
在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
按照第二预设周期,使用所述指标预测模型执行指标预测任务。
在其中一个实施例中,所述根据所述标准化指标数据的存储情况,确定是否满足预设要求,包括:
在所述标准化指标数据的存储量达到预设数据量或者所述标准化指标数据的存储时长达到预设时长的情况下,则确定满足所述预设要求;
在所述标准化指标数据的存储量未达到所述预设数据量、且所述标准化指标数据的存储时长未达到所述预设时长的情况下,确定不满足所述预设要求。
在其中一个实施例中,所述触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果,包括:
将存储的标准化指标数据依据预设时间段划分为多个测试集,并获取所述测试集对应的验证集;
将多个测试集依次输入至各个预测模型,以得到各个预测模型对应的多个预测结果。
在其中一个实施例中,所述预测结果包括所述测试集对应的指标预测值;所述根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型,包括:
根据所述指标预测值和所述测试集对应的验证集,获取各个预测模型的预测结果的均方根误差;
根据各个预测模型的均方根误差和预测耗时,从所有预测模型中确定指标预测模型。
在其中一个实施例中,所述根据各个预测模型的均方根误差和预测耗时,从所有预测模型中确定指标预测模型,包括:
根据所述预测模型的预测耗时,计算预测耗时平均值;
根据各个预测模型的均方根误差和预测耗时平均值,从所有预测模型中确定指标预测模型。
在其中一个实施例中,所述根据各个预测模型的均方根误差和预测耗时平均值,从所有预测模型中确定指标预测模型,包括:
获取第一预设权重和第二预设权重;
将各个预测模型的均方根误差和预测耗时平均值进行归一化处理;
根据所述第一预设权重、所述第二预设权重、归一化处理后的均方根误差和预测耗时平均值,计算各预测模型的评分;
将各预测模型中评分最高的预测模型,设置为所述指标预测模型。
第二方面,本申请还提供了一种预测模型的选择装置。所述装置包括:
第一数据获取模块,用于按照第一预设周期,获取指标数据;
第一数据得到模块,用于将所述指标数据进行标准化处理,得到标准化指标数据;
存储情况记录模块,用于将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
预设要求确定模块,用于根据所述标准化指标数据的存储情况,确定是否满足预设要求;
预测结果得到模块,用于在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
指标模型确定模块,用于获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
指标模型使用模块,用于按照第二预设周期,使用所述指标预测模型执行指标预测任务。
第三方面,本申请还提供了一种计算机设备。所述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以下步骤:
按照第一预设周期,获取指标数据;
将所述指标数据进行标准化处理,得到标准化指标数据;
将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
根据所述标准化指标数据的存储情况,确定是否满足预设要求;
在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
按照第二预设周期,使用所述指标预测模型执行指标预测任务。
第四方面,本申请还提供了一种计算机可读存储介质。所述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以下步骤:
按照第一预设周期,获取指标数据;
将所述指标数据进行标准化处理,得到标准化指标数据;
将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
根据所述标准化指标数据的存储情况,确定是否满足预设要求;
在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
按照第二预设周期,使用所述指标预测模型执行指标预测任务。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
按照第一预设周期,获取指标数据;
将所述指标数据进行标准化处理,得到标准化指标数据;
将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
根据所述标准化指标数据的存储情况,确定是否满足预设要求;
在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
按照第二预设周期,使用所述指标预测模型执行指标预测任务。
上述预测模型的选择方法、装置、计算机设备、存储介质和计算机程序产品,按照第一预设周期,获取指标数据;将指标数据进行标准化处理,得到标准化指标数据;将标准化指标数据进行存储,并记录标准化指标数据的存储情况;根据标准化指标数据的存储情况,确定是否满足预设要求;在满足预设要求的情况下,触发将标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;获取各预测模型对应的预测耗时,根据预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;按照第二预设周期,使用指标预测模型执行指标预测任务。采用本方法,将获取的指标数据进行标准化处理,得到标准化指标数据,并根据标准化指标数据的存储情况,以触发将标准化指标数据输入至各个预测模型中,得到对应的多个预测结果,实现无需依赖于人工进行耗费大量的时间和精力即可选定预测模型,从而缩短预测模型的选定所花费的时间和减少了预测模型选定的精力。并且,便于指标数据的数据量比较大时,选定预测模型。
附图说明
图1为一个实施例中预测模型的选择方法的应用环境图;
图2为一个实施例中预测模型的选择方法的流程示意图;
图3为一个实施例中预测模型选择系统的示意图;
图4为另一个实施例中预测模型的选择方法的流程示意图;
图5为一个实施例中预测模型的选择装置的结构框图;
图6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。
本申请实施例提供的预测模型的选择方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
终端102从服务器104中按照第一预设周期,获取指标数据,将指标数据进行标准化处理,得到标准化指标数据;将指标数据进程存储以记录标准化指标数据的存储情况;根据标准化指标数据的存储情况,确定是否满足预设要求,在满足预设要求的情况下,触发将标准化指标数据输入至各个预测模型中,以得到各预测模型对应的多个预测结果;获取各预测模型对应的预测耗时,并根据预测结果和预测耗时,确定指标预测模型;按照第二预设周期,使用指标预测模型执行指标预测任务。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种预测模型的选择方法,该方法可以通过终端或服务器单独执行,也可以通过终端和服务器协同执行,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,按照第一预设周期,获取指标数据。
其中,指标数据包括三种类型,分别为系统指标数据、业务指标数据和自定义指标数据。具体地,指标数据可以为CPU使用率、内存占用率和网络带宽使用率等系统指标数据,可以是交易量、交易成功率和响应时间等需要统计的业务指标数据,还可以为需要特定处理逻辑的自定义指标数据。
第一预设周期为指标数据的获取时间间隔,可以设定为1分钟,即每一分钟获取一次指标数据。具体地,第一预设周期可以根据实际情况进行设定,本发明在此不作限定。
示例性地,不同类型的指标数据获取的方式不同。当指标数据的类型为系统指标数据时,直接从数据源处进行获取指标数据。当指标数据的类型为业务指标数据时,通过地址、索引和查询语句的方式进行获取指标数据。当指标数据的类型为自定义指标数据时,通过设定接口的方式进行获取指标数据。
步骤204,将所述指标数据进行标准化处理,得到标准化指标数据。
其中,标准化指标数据可以为时间间隔相等、数据结构相同的数据点。
在具体实践中,可以通过设定定时任务的方式,将不同类型的指标数据进行标准化处理,得到标准化指标数据。
步骤206,将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长。
其中,标准化指标数据的存储情况可以包括标准化指标数据的存储量和存储时长。存储量为数据的累计存储数量;存储时长为当前这个阶段累计存储标准化指标数据的时长。
示例性地,可以采用ES的存储方式将标准化指标数据进行存储。当然,还可以采用MYSQL、ORACLE和SQL等关系数据库的方式进行存储。
在一种实施例中,终端可以将标准化指标数据进行存储后,并监测标准化指标数据的存储量和存储时长。
步骤208,根据所述标准化指标数据的存储情况,确定是否满足预设要求。
其中,预设要求可以为预先设定的一个触发要求,可以根据标准化指标数据的存储情况,确定是否满足预设要求。
步骤210,在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果。
其中,预测模型可以采用Prophet(先知)模型、季节性差分自回归滑动平均模型、三次指数平滑预测模型。当然,预测模型还可以为逻辑回归、决策树、XGBoost等模型。
具体地,Prophet(先知)模型是一种开源的时间序列预测框架,适用于各种具有潜在特殊特征的预测问题包括广泛的业务时间序列问题,并且其对时间序列趋势变化点的检测、季节性、节假日以及突发事件具有更好的拟合效果。模型内部由循环中的分析师与自动化两部分构成一个循环体系,其预测过程是根据预测问题建立时间序列模型,对历史数据进行仿真,评估模型的效果,根据出现的问题,进一步进行调整和建模,最终以可视化方式反馈整个预测结果。
季节性差分自回归滑动平均模型是针对平稳时间序列进行拟合预测的模型,综合考虑了时间序列的趋势、周期的变化以及随机误差干扰等因素,并对模型参数进行量化,可以较好的反应原始序列的趋势和变化情况,适合短期预测随时间平稳并稳定变化的序列。
三次指数平滑预测模型是根据数据在时间线上距离的远近依次给予不同的权重,近期数据影响较大则赋予更大的权重,远期数据影响较小而被赋予较小的权重,适合含有线性趋势和周期波动的非平稳序列。
示例性地,在满足预设要求的情况下,触发将标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果。具体地,可以采用训练集的方式对各个预测模型进行训练,以得到各预测模型对应的多个预测结果。
步骤212,获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型。
其中,预测耗时为预测模型进行每一次预测训练所消耗的时间。预设结果为预测的后一阶段的指标数据。
示例性地,指标数据存在三种类型,可以为每一种类型的指标数据进行训练,以确定每一种类型的指标数据对应的指标预测模型。
在一种实施例中,终端根据预测模型对应的预测结果和预测耗时,从所有预测模型中选定预测模型作为指标预测模型。
步骤214,按照第二预设周期,使用所述指标预测模型执行指标预测任务。
其中,第二预设周期为使用指标预测模型进行执行指标预测任务的时间周期,其大小可以设定为2小时,即每2个小时使用指标预测模型进行执行指标预测任务。具体地,第二预设周期的大小可以根据实际情况进行设定,本发明在此不作限定。
示例性地,指标预测任务的执行过程可以为:获取到当前时间点的预设第一时间段的历史指标数据,以根据历史指标数据,预测当前时间点后的预设第二时间段的指标数据。
在具体实践中,例如,指标数据是针对服务器中CPU之类的系统指标数据,当通过指标预测模型预测得到的指标数据表明后续的CPU运行性能不佳时,可以通过预测的指标数据进行调节服务器中CPU的使用情况,来调整CPU的运行性能。
上述预测模型的选择方法中,按照第一预设周期,获取指标数据;将指标数据进行标准化处理,得到标准化指标数据;将标准化指标数据进行存储,并记录标准化指标数据的存储情况;根据标准化指标数据的存储情况,确定是否满足预设要求;在满足预设要求的情况下,触发将标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;获取各预测模型对应的预测耗时,根据预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;按照第二预设周期,使用指标预测模型执行指标预测任务。采用本方法,实现无需耗费大量的时间和精力即可选定指标预测模型,从而缩短预测模型的选定所花费的时间和减少了预测模型选定的精力。并且,便于指标数据的数据量比较大时,进行选定预测模型。
在一个实施例中,步骤208,包括:
步骤2082,在所述标准化指标数据的存储量达到预设数据量或者所述标准化指标数据的存储时长达到预设时长的情况下,则确定满足所述预设要求。
步骤2084,在所述标准化指标数据的存储量未达到所述预设数据量、且所述标准化指标数据的存储时长未达到所述预设时长的情况下,确定不满足所述预设要求。
示例性地,预设要求为标准化指标数据的存储量达到预设数据量或者标准化指标数据的存储时长达到预设时长。具体地,预设数据量和预测时长可以基于实际情况进行设定,本发明在此不作限定。
在上述实施例中,在标准化指标数据的存储量达到预设数据量或者标准化指标数据的存储时长达到预设时长的情况下,则确定满足预设要求。在标准化指标数据的存储量未达到预设数据量、且标准化指标数据的存储时长未达到预设时长的情况下,确定不满足预设要求,实现了通过标准化指标数据的存储量进行触发预测模型的训练,无需耗费大量的时间和精力即可选定预测模型,从而缩短预测模型的选定所花费的时间和减少了预测模型选定的精力。
在一个实施例中,步骤210,包括:
步骤2102,将存储的标准化指标数据依据预设时间段划分为多个测试集,并获取所述测试集对应的验证集。
步骤2104,将多个测试集依次输入至各个预测模型,以得到各个预测模型对应的多个预测结果。
其中,测试集和验证集用于预测模型的训练。测试集为输入的指标数据,得到预测结果,预测结果为根据输入的指标数据得到的后一个时间段的预测指标数据,通过验证集对预测指标数据进行验证。
在上述实施例中,将存储的标准化指标数据依据预设时间段进行划分为多个测试集,并获取测试集对应的验证集,以将多个测试集依次输入至各个预测模型,以得到各个预测模型对应的多个预测结果,实现了对各个预测模型进行训练的过程,从而实现无需依赖于人工进行耗费大量的时间和精力即可选定预测模型,缩短预测模型的选定所花费的时间和减少了预测模型选定的精力。
在一个实施例中,所述预测结果包括所述测试集对应的指标预测值;步骤212,包括:
步骤2122,根据所述指标预测值和所述测试集对应的验证集,获取各个预测模型的预测结果的均方根误差。
步骤2124,根据各个预测模型的均方根误差和预测耗时,从所有预测模型中确定指标预测模型。
其中,测试结果可以包括测试集对应的指标预测值。指标预测值由将测试集输入至预测模型中得到。
在上述实施例中,根据指标预测值和测试集对应的验证集,获取各个预测模型的预测结果的均方根误差,根据各个预测模型的均方根误差和预测耗时,从预测模型中确定指标预测模型,实现了基于均方根误差和预测耗时,确定指标预测模型,实现无需依赖于人工即可选定预测模型,从而缩短预测模型的选定所花费的时间和减少了预测模型选定的精力。
在一个实施例中,所述根据各个预测模型的均方根误差和预测耗时,从所有预测模型中确定指标预测模型,包括:
根据所述预测模型的预测耗时,计算预测耗时平均值;
根据各个预测模型的均方根误差和预测耗时平均值,从所有预测模型中确定指标预测模型。
其中,预测耗时平均值为一个预测模型进行预测训练所花费的总时间除以该预测模型进行预测的次数。
在上述实施例中,根据预测模型的预测耗时,计算预测耗时平均值,以根据各个预测模型的均方根误差和预测耗时平均值,确定指标预测模型,实现无需依赖于人工即可选定预测模型,从而缩短预测模型的选定所花费的时间和减少了预测模型选定的精力。
在一个实施例中,所述根据各个预测模型的均方根误差和预测耗时平均值,从所有预测模型中确定指标预测模型,包括:
获取第一预设权重和第二预设权重;
将各个预测模型的均方根误差和预测耗时平均值进行归一化处理;
根据所述第一预设权重、所述第二预设权重、归一化处理后的均方根误差和预测耗时平均值,计算各预测模型的评分;
将各预测模型中评分最高的预测模型,设置为所述指标预测模型。
其中,第一预设权重为均方根误差对应的权重值;第二预设权重为预测耗时平均值对应的权重值。第一预设权重和第二预设权重的和为1,对应的取值范围为0~1。
具体地,第一预设权重的大小和第二预设权重的大小,可以根据实际需求进行设定,本发明在此不作限定。
在一个实施例中,参考图3,示出了预测模型选择系统的示意图,包括:指标获取模块302、指标存储模块304、后端处理模块306、指标预测模块308、前端交互模块310。
指标获取模块302,用于收集指标数据,并将指标数据进行标准化处理,得到标准化指标数据。具体地,可以设定定时任务的方式,将不同类型的指标数据进行标准化为时间间隔相等、数据结构相同的数据点。
指标存储模块304,用于存储标准化指标数据,其中,标准化指标数据是时间间隔相等、数据结果相同的数据点。具体地,可以采用ES(Elastic Search,弹性搜索)的存储方式,ES作为一个分布式搜索引擎,具备良好的横向扩展性,以保证在接入指标不断增多的同时,系统依然能够稳定高效的运行。
后端处理模块306,用于选择指标预测模型和定时触发指标预测任务,将历史数据发送至指标预测模块308,接收指标预测模块308发送的预测结果,并将预测结果发送至指标存储模块304。
具体地,在标准化指标数据的存储量达到预设数据量或者标准化指标数据的存储时长达到预设时长的情况下,触发将标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果,以根据预测结果选定指标预测模型。当选定指标预测模型后,通过设定定时任务,执行指标预测任务。
指标预测模块308,用于接收后端处理模块306发送的指标预测任务。
前端交互模块310,用于展示后端处理模块的评分情况和预测模型的预测结果。
在本实施例中,采用预测模型选择系统,实现了只需提供指标数据的来源,自动收集指标数据,并选定评分最高的预测模型作为指标预测模型,将预测结果展示在前端交互模块上,降低了指标预测模型的接入成本。
在具体实践中,当标准化指标数据的存储时长达到14天的情况下,触发后端处理模块将每7天的数据作为一个时间窗口,轮流发送至指标预测模块308种不同预测模型的接口,以预测后续2小时的指标数据,得到预测结果。具体地,公式如下所示:
其中,预测结果中Pij为指标预测值,Xij为指标实际值,n为标准化指标数据对应的数据点数量,i为第i次预测,j为第j个标准化指标数据对应的数据点。
其中,为均方根误差的均值;Ri为第i次预测的均方根误差,m为预测执行次数。
其中,为预测模型对应的预测耗时平均值,Ti为第i次预测耗时。
其中,为指标实际值的均值。
具体地,计算评分的公式可以如下所示:
其中,α为第一预设权重;β为第二预设权重;为均方根误差的均值;/>为指标实际值的均值;/>为预测耗时平均值;S为预测模型的评分。
在上述实施例中,根据第一预设权重、第二预设权重、归一化处理后的均方根误差和预测耗时平均值,计算各预测模型的评分,以选定评分最高的预测模型作为指标预测模型,实现了无需依赖于人工进行选定预测模型,从而缩短预测模型的选定所花费的时间和减少了预测模型选定的精力。
为了更好地理解本发明实施例中预测模型的选择的完整过程,以一完整示例加以说明,参考图4,示出了另一个实施例中预测模型的选择方法的流程示意图,包括以下步骤:
步骤402,按照第一预设周期,获取指标数据,将指标数据进行标准化处理,得到标准化指标数据;将标准化指标数据进行存储,并记录标准化指标数据的存储情况。
具体地,存储情况包括标准化指标数据的存储量和标准化指标数据的存储时长。
步骤404,在标准化指标数据的存储量达到预设数据量或者标准化指标数据的存储时长达到预设时长的情况下,则确定满足预设要求;在标准化指标数据的存储量未达到预设数据量、且标准化指标数据的存储时长未达到预设时长的情况下,确定不满足预设要求。
步骤406,在满足预设要求的情况下,触发将存储的标准化指标数据依据预设时间段划分为多个测试集,并获取测试集对应的验证集;将多个测试集依次输入至各个预测模型,以得到各个预测模型对应的多个预测结果。
步骤408,根据指标预测值和测试集对应的验证集,获取各个预测模型的预测结果的均方根误差;根据预测模型的预测耗时,计算预测耗时平均值。
步骤410,获取第一预设权重和第二预设权重;将各个预测模型的均方根误差和预测耗时平均值进行归一化处理;根据第一预设权重、第二预设权重、归一化处理后的均方根误差和预测耗时平均值,计算各预测模型的评分;将各预测模型中评分最高的预测模型,设置为指标预测模型。
步骤412,按照第二预设周期,使用指标预测模型执行指标预测任务。
本实施例中,按照第一预设周期,获取指标数据;将指标数据进行标准化处理,得到标准化指标数据;将标准化指标数据进行存储,并记录标准化指标数据的存储情况;根据标准化指标数据的存储情况,确定是否满足预设要求;在满足预设要求的情况下,触发将标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;获取各预测模型对应的预测耗时,根据预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;按照第二预设周期,使用指标预测模型执行指标预测任务。采用本方法,将获取的指标数据进行标准化处理,得到标准化指标数据,并根据标准化指标数据的存储情况,以触发将标准化指标数据输入至各个预测模型中,得到对应的多个预测结果,实现无需依赖于人工进行耗费大量的时间和精力即可选定预测模型,从而缩短预测模型的选定所花费的时间和减少了预测模型选定的精力。并且,便于指标数据的数据量比较大时,选定预测模型。
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预测模型的选择方法的预测模型的选择装置。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预测模型的选择装置实施例中的具体限定可以参见上文中对于预测模型的选择方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种预测模型的选择装置,包括:第一数据获取模块502、第一数据得到模块504、存储情况记录模块506、预设要求确定模块508、预测结果得到模块510、指标模型确定模块512和指标模型使用模块514,其中:
第一数据获取模块502,用于按照第一预设周期,获取指标数据;
第一数据得到模块504,用于将所述指标数据进行标准化处理,得到标准化指标数据;
存储情况记录模块506,用于将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
预设要求确定模块508,用于根据所述标准化指标数据的存储情况,确定是否满足预设要求;
预测结果得到模块510,用于在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
指标模型确定模块512,用于获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
指标模型使用模块514,用于按照第二预设周期,使用所述指标预测模型执行指标预测任务。
在一些实施例中,所述预设要求确定模块508,包括:
第一预设要求确定子模块,用于在所述标准化指标数据的存储量达到预设数据量或者所述标准化指标数据的存储时长达到预设时长的情况下,则确定满足所述预设要求;
第二预设要求确定子模块,用于在所述标准化指标数据的存储量未达到所述预设数据量、且所述标准化指标数据的存储时长未达到所述预设时长的情况下,确定不满足所述预设要求。
在一些实施例中,所述预测结果得到模块510,包括:
验证集获取子模块,用于将存储的标准化指标数据依据预设时间段划分为多个测试集,并获取所述测试集对应的验证集;
预测结果得到子模块,用于将多个测试集依次输入至各个预测模型,以得到各个预测模型对应的多个预测结果。
在一些实施例中,所述预测结果包括所述测试集对应的指标预测值;所述指标模型确定模块512,包括:
均方根误差获取子模块,用于根据所述指标预测值和所述测试集对应的验证集,获取各个预测模型的预测结果的均方根误差;
预测模型确定子模块,用于根据各个预测模型的均方根误差和预测耗时,从所有预测模型中确定指标预测模型。
在一些实施例中,所述预测模型确定子模块,包括:
耗时平均值计算单元,用于根据所述预测模型的预测耗时,计算预测耗时平均值;
预测模型确定单元,用于根据各个预测模型的均方根误差和预测耗时平均值,从所有预测模型中确定指标预测模型。
在一些实施例中,所述预测模型确定单元,包括:
权重获取子单元,用于获取第一预设权重和第二预设权重;
归一化处理子单元,用于将各个预测模型的均方根误差和预测耗时平均值进行归一化处理;
模型评分计算子单元,用于根据所述第一预设权重、所述第二预设权重、归一化处理后的均方根误差和预测耗时平均值,计算各预测模型的评分;
预测模型设置子单元,用于将各预测模型中评分最高的预测模型,设置为所述指标预测模型。
上述预测模型的选择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服务器,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储指标数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种预测模型的选择方法。
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6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以下步骤:
按照第一预设周期,获取指标数据;
将所述指标数据进行标准化处理,得到标准化指标数据;
将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
根据所述标准化指标数据的存储情况,确定是否满足预设要求;
在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
按照第二预设周期,使用所述指标预测模型执行指标预测任务。
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以下步骤:
按照第一预设周期,获取指标数据;
将所述指标数据进行标准化处理,得到标准化指标数据;
将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
根据所述标准化指标数据的存储情况,确定是否满足预设要求;
在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
按照第二预设周期,使用所述指标预测模型执行指标预测任务。
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以下步骤:
按照第一预设周期,获取指标数据;
将所述指标数据进行标准化处理,得到标准化指标数据;
将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
根据所述标准化指标数据的存储情况,确定是否满足预设要求;
在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
按照第二预设周期,使用所述指标预测模型执行指标预测任务。
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,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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 (10)
1.一种预测模型的选择方法,其特征在于,所述方法包括:
按照第一预设周期,获取指标数据;
将所述指标数据进行标准化处理,得到标准化指标数据;
将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
根据所述标准化指标数据的存储情况,确定是否满足预设要求;
在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
按照第二预设周期,使用所述指标预测模型执行指标预测任务。
2.根据权利要求1所述的方法,其特征在于,所述根据所述标准化指标数据的存储情况,确定是否满足预设要求,包括:
在所述标准化指标数据的存储量达到预设数据量或者所述标准化指标数据的存储时长达到预设时长的情况下,则确定满足所述预设要求;
在所述标准化指标数据的存储量未达到所述预设数据量、且所述标准化指标数据的存储时长未达到所述预设时长的情况下,确定不满足所述预设要求。
3.根据权利要求1所述的方法,其特征在于,所述触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果,包括:
将存储的标准化指标数据依据预设时间段划分为多个测试集,并获取所述测试集对应的验证集;
将多个测试集依次输入至各个预测模型,以得到各个预测模型对应的多个预测结果。
4.根据权利要求3所述的方法,其特征在于,所述预测结果包括所述测试集对应的指标预测值;所述根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型,包括:
根据所述指标预测值和所述测试集对应的验证集,获取各个预测模型的预测结果的均方根误差;
根据各个预测模型的均方根误差和预测耗时,从所有预测模型中确定指标预测模型。
5.根据权利要求4所述的方法,其特征在于,所述根据各个预测模型的均方根误差和预测耗时,从所有预测模型中确定指标预测模型,包括:
根据所述预测模型的预测耗时,计算预测耗时平均值;
根据各个预测模型的均方根误差和预测耗时平均值,从所有预测模型中确定指标预测模型。
6.根据权利要求5所述的方法,其特征在于,所述根据各个预测模型的均方根误差和预测耗时平均值,从所有预测模型中确定指标预测模型,包括:
获取第一预设权重和第二预设权重;
将各个预测模型的均方根误差和预测耗时平均值进行归一化处理;
根据所述第一预设权重、所述第二预设权重、归一化处理后的均方根误差和预测耗时平均值,计算各预测模型的评分;
将各预测模型中评分最高的预测模型,设置为所述指标预测模型。
7.一种预测模型的选择装置,其特征在于,所述装置包括:
第一数据获取模块,用于按照第一预设周期,获取指标数据;
第一数据得到模块,用于将所述指标数据进行标准化处理,得到标准化指标数据;
存储情况记录模块,用于将所述标准化指标数据进行存储,并记录所述标准化指标数据的存储情况;所述存储情况包括所述标准化指标数据的存储量和所述标准化指标数据的存储时长;
预设要求确定模块,用于根据所述标准化指标数据的存储情况,确定是否满足预设要求;
预测结果得到模块,用于在满足所述预设要求的情况下,触发将所述标准化指标数据输入至各个预测模型,以得到各预测模型对应的多个预测结果;
指标模型确定模块,用于获取各预测模型对应的预测耗时,根据所述预测模型对应的预测结果和预测耗时,从所有预测模型中确定指标预测模型;
指标模型使用模块,用于按照第二预设周期,使用所述指标预测模型执行指标预测任务。
8.一种计算机设备,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6中任一项所述的预测模型的选择方法的步骤。
9.一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6中任一项所述的预测模型的选择方法的步骤。
10.一种计算机程序产品,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6中任一项所述的预测模型的选择方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310655758.8A CN116596398A (zh) | 2023-06-05 | 2023-06-05 | 预测模型的选择方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310655758.8A CN116596398A (zh) | 2023-06-05 | 2023-06-05 | 预测模型的选择方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596398A true CN116596398A (zh) | 2023-08-15 |
Family
ID=87604385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310655758.8A Pending CN116596398A (zh) | 2023-06-05 | 2023-06-05 | 预测模型的选择方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596398A (zh) |
-
2023
- 2023-06-05 CN CN202310655758.8A patent/CN116596398A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10846643B2 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
CN107766573B (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
US20190220924A1 (en) | Method and device for determining key variable in model | |
CN115641019A (zh) | 指标异常分析方法、装置、计算机设备和存储介质 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
US11631094B2 (en) | Pre-computing data metrics using neural networks | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
CN116596398A (zh) | 预测模型的选择方法、装置、设备、存储介质和程序产品 | |
CN115619261A (zh) | 一种作业标签画像数据处理方法、装置、计算机设备 | |
CN111353815B (zh) | 一种潜在用户预测方法和系统 | |
US11620565B1 (en) | System and method for enhanced distribution of data to compute nodes | |
CN117495131A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
CN118132091A (zh) | 业务模型的处理方法、装置、计算机设备和存储介质 | |
CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
CN116468531A (zh) | 账户信息处理方法、装置、计算机设备和存储介质 | |
CN116127195A (zh) | 套餐推荐方法、装置、计算机设备、存储介质和程序产品 | |
CN116091209A (zh) | 信贷业务处理方法、装置、计算机设备和存储介质 | |
CN116452308A (zh) | 风险评估方法、装置、计算机设备、存储介质和程序产品 | |
CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
CN116880886A (zh) | 产品推荐模型的更新方法和装置 | |
CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
CN117407153A (zh) | 接口访问控制方法、装置、计算机设备、存储介质和产品 |
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 |