CN117172735A - 资源信息的预测方法、装置、计算机设备和存储介质 - Google Patents
资源信息的预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117172735A CN117172735A CN202310907551.5A CN202310907551A CN117172735A CN 117172735 A CN117172735 A CN 117172735A CN 202310907551 A CN202310907551 A CN 202310907551A CN 117172735 A CN117172735 A CN 117172735A
- Authority
- CN
- China
- Prior art keywords
- resource information
- historical
- prediction
- prediction model
- target
- 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 76
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012546 transfer Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 22
- 238000013101 initial test Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据人工智能技术领域,特别是涉及一种资源信息的预测方法、装置、计算机设备和存储介质。所述方法包括:获取目标用户在第一历史时间段内的第一历史资源信息;将所述第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息;对所述多个目标资源信息进行处理后得到预测资源信息。采用本方法能够提高对于资源信息的提醒方法的灵活性。
Description
技术领域
本申请涉及大数据人工智能技术领域,特别是涉及一种资源信息的预测方法、装置、计算机设备和存储介质。
背景技术
随着计算机互联网的快速发展,人们生活水平的提高,越来越多的用户可以使用智能机查看各类型生活应用的信息、以及与各类型生活应用的提供单位进行资源互动等,例如,用户可以在智能终端上进行话费充值、电费充值、水费充值等相关充值业务。
传统技术中,大数据管理平台在对于所有用户的资源账户进行管理过程中,均是在用户的相关账户出现资源流动时进行相关资源信息的提醒,例如,提醒用户充值时间和金额,或者提醒用户还款时间和金额。
但是,现有对于资源信息的提醒方法存在灵活性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高对于资源信息的提醒方法的灵活性的资源信息的预测方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种资源信息的预测方法,该方法包括:获取目标用户在第一历史时间段内的第一历史资源信息;将第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息;对多个目标资源信息进行处理后得到预测资源信息。
在其中一个实施例中,多个预测模型包括N个预测模型,将第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息,包括:从第一历史资源信息中提取N个历史资源信息;N表示目标用户在第一历史时间段内进行资源转移的次数;将N个历史资源信息分别输入至各自对应的预测模型中进行信息预测,得到N个目标资源信息。
在其中一个实施例中,该方法还包括:根据预设的预测模型与资源信息的次数标识之间的对应关系,确定与各历史资源信息的次数标识对应的目标预测模型;对应的,将N个历史资源信息分别输入至各自对应的预测模型中进行信息预测,得到N个目标资源信息,包括:将N个历史资源信息分别输入至与各历史资源信息的次数标识对应的目标预测模型进行信息预测,得到N个目标资源信息。
在其中一个实施例中,对多个目标资源信息进行处理后得到预测资源信息,包括:为各目标资源信息分配相应的权重;对各目标资源信息对应的权重和各目标资源信息进行处理,得到预测资源信息。
在其中一个实施例中,该方法还包括:从第一历史资源信息中提取第一中间资源信息;将第一中间资源信息分别输入至多个预测模型进行信息预测,得到各预测模型对应的第二中间资源信息;根据各预测模型对应的第二中间资源信息和第一历史资源信息,确定各预测模型对应的权重;为各目标资源信息分配相应的权重,包括:将各预测模型对应的权重确定为对应目标资源信息的权重。
在其中一个实施例中,根据各预测模型对应的第二中间资源信息和第一历史资源信息,确定各预测模型对应的权重,包括:从第一历史资源信息中提取与各第二中间资源信息属于相同次数的第一历史资源信息;将属于相同次数的第一历史资源信息与对应的第二中间资源信息进行比较,得到各第二中间资源信息对应的比较结果;根据各第二中间资源信息对应的比较结果,确定各预测模型对应的权重。
在其中一个实施例中,该方法还包括:基于第二历史资源信息对多个初始预测模型分别进行训练,得到多个预测模型;基于第二历史资源信息对多个初始预测模型分别进行训练,得到多个预测模型,包括:从第二历史资源信息提取训练各初始预测模型所需的标签资源信息;各初始预测模型所需的标签资源信息是根据各初始测试模型的测试需求确定;基于第二历史资源信息和各初始预测模型所需的标签资源信息,对各初始预测模型进行训练,得到多个预测模型。
第二方面,本申请还提供了一种资源信息的预测装置,该装置包括:获取模块,用于获取目标用户在第一历史时间段内的第一历史资源信息;第一确定模块,用于将第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息;第二确定模块,用于对多个目标资源信息进行处理后得到预测资源信息。
在其中一个实施例中,多个预测模型包括N个预测模型,第一确定模块,具体用于从第一历史资源信息中提取N个历史资源信息;N表示目标用户在第一历史时间段内进行资源转移的次数;将N个历史资源信息分别输入至各自对应的预测模型中进行信息预测,得到N个目标资源信息。
在其中一个实施例中,该装置还包括第三确定模块,用于根据预设的预测模型与资源信息的次数标识之间的对应关系,确定与各历史资源信息的次数标识对应的目标预测模型;对应的,第一确定模块,具体用于将N个历史资源信息分别输入至与各历史资源信息的次数标识对应的目标预测模型进行信息预测,得到N个目标资源信息。
在其中一个实施例中,第二确定模块,具体用于为各目标资源信息分配相应的权重;对各目标资源信息对应的权重和各目标资源信息进行处理,得到预测资源信息。
在其中一个实施例中,第二确定模块,还用于从第一历史资源信息中提取第一中间资源信息;将第一中间资源信息分别输入至多个预测模型进行信息预测,得到各预测模型对应的第二中间资源信息;根据各预测模型对应的第二中间资源信息和第一历史资源信息,确定各预测模型对应的权重;第二确定模块,具体用于将各预测模型对应的权重确定为对应目标资源信息的权重。
在其中一个实施例中,第二确定模块,具体用于从第一历史资源信息中提取与各第二中间资源信息属于相同次数的第一历史资源信息;将属于相同次数的第一历史资源信息与对应的第二中间资源信息进行比较,得到各第二中间资源信息对应的比较结果;根据各第二中间资源信息对应的比较结果,确定各预测模型对应的权重。
在其中一个实施例中,该装置还包括训练模块,用于基于第二历史资源信息对多个初始预测模型分别进行训练,得到多个预测模型;训练模块,具体用于从第二历史资源信息提取训练各初始预测模型所需的标签资源信息;各初始预测模型所需的标签资源信息是根据各初始测试模型的测试需求确定;基于第二历史资源信息和各初始预测模型所需的标签资源信息,对各初始预测模型进行训练,得到多个预测模型。
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上述第一方面任一项所述的方法的步骤。
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上述第一方面任一项所述的方法的步骤。
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上述第一方面任一项所述的方法的步骤。
上述资源信息的预测方法、装置、计算机设备和存储介质,通过获取目标用户在第一历史时间段内的第一历史资源信息,然后将第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息,再对多个目标资源信息进行处理后得到预测资源信息。由于预测资源信息是根据目标用户的历史的资源信息预测得到的,可以使预测资源信息贴合目标用户对资源管理的行为习惯,从而根据该预测资源信息对目标用户进行提醒,相比于传统技术灵活性更高,且能够进行准确提醒。
附图说明
图1为一个实施例中一种资源信息的预测方法应用环境图;
图2为一个实施例中一种资源信息的预测方法流程示意图;
图3为一个实施例中一种获取目标资源信息的方法流程示意图;
图4为一个实施例中一种获取预测资源信息的方法流程示意图;
图5为一个实施例中一种获取预测模型对应的权重的方法流程示意图;
图6为一个实施例中一种预测模型的训练方法流程示意图;
图7为一个实施例中一种资源信息的预测装置的结构框图;
图8为一个实施例中一种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资源信息的预测方法,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用于从服务器104获取目标用户在第一历史时间段内的第一历史资源信息,然后根据第一历史资源信息得到预测资源信息,并根据预测资源信息生成资源提醒消息并展示,以提醒目标用户。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。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。
随着计算机互联网的快速发展,人们生活水平的提高,越来越多的用户可以使用智能机查看各类型生活应用的信息、以及与各类型生活应用的提供单位进行资源互动等,例如,用户可以在智能终端上进行话费充值、电费充值、水费充值等相关充值业务。
传统技术中,大数据管理平台在对于所有用户的资源账户进行管理过程中,均是在用户的相关账户出现资源流动时进行相关资源信息的提醒,例如,提醒用户充值时间和金额,或者提醒用户还款时间和金额。
但是,对于资源信息的提醒方法存在灵活性低的问题,以话费充值为例,是在用户的话费余额达到固定额度时提醒用户充值,或者是在每月的固定时间提醒用户,然而,对于一些用户,可能在被提醒的时候,话费余额并没有达到该用户的预计再充值余额,例如,用户的预计再充值余额是6元,而平台是在话费余额为20元时给用户发送的提醒消息,从而用户不会在收到该提醒消息后进行充值,也就是说,以该方式发送的提醒消息对于用户来说不实用,不贴合用户的实际情况,存在灵活性低的问题。
基于此,有必要提出有效的技术手段来解决上述问题。
需要说明的是,本申请实施例所带来的有益效果或者所解决的技术问题并不限定于这一个,还可以是其它隐含或者关联的问题,具体可以参见下述实施例的描述。
在一个实施例中,如图2所示,提供了一种资源信息的预测方法流程示意图,以该方法应用于图1中的终端为例进行说明,该方法包括以下步骤:
步骤201,获取目标用户在第一历史时间段内的第一历史资源信息。
其中,第一历史时间段可以是以年为单位,包括多个年份,也可以是以月为单位,包括多个月份,在此不做限定。另外,第一历史时间段可以是预先设置好的。
第一历史资源信息包括多个历史资源转移时间间隔和各历史资源转移时间间隔对应的历史资源转移数量,其中,历史资源转移时间间隔可以是相邻历史充值时刻的时间间隔,历史资源转移数量可以是历史充值金额。
可选的,获取目标用户在第一历史时间段内的第一初始历史资源信息,第一初始历史资源信息包括历史资源转移时刻和历史资源转移时刻对应的历史资源转移数量,其中,历史资源转移时刻可以是历史充值时刻。
对第一初始历史资源信息处理,得到第一历史资源信息,如根据两个相邻历史资源转移时刻,得到历史资源转移时间间隔,将两个相邻历史资源转移时刻中的后一历史资源转移时刻对应的历史资源转移数量,作为历史资源转移时间间隔对应的历史资源转移数量。
例如,两个相邻历史资源转移时刻分别为1月8日和2月23日,1月8日对应的历史资源转移数量为100元,2月23日对应的历史资源转移数量为50元,则历史资源转移时间间隔为45,该历史资源转移时间间隔对应的历史资源转移数量为50。
步骤202,将第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息。
其中,预测模型可以是训练好的神经网络模型,如BP(BackPropagation)神经网络模型、LSTM(Long Short-Term Memory,长短期记忆)神经网络模型等。
另外,各预测模型具有不同的功能,如用ni表示第一历史资源信息中的第i个历史资源信息,向预测模型1输入ni,预测模型1输出mi+1,1,即向预测模型1输入目标用户上一次的资源信息,可以得到目标用户下一次的资源信息;向预测模型2输入ni,预测模型2输出mi+2,2,即向预测模型2输入目标用户上一次的资源信息,可以得到目标用户下一次的下一次的资源信息;向预测模型3输入ni,预测模型3输出mi+3,3,即向预测模型3输入目标用户上一次的资源信息,可以得到目标用户下一次的下一次的下一次的资源信息。
目标资源信息包括预测模型输出的初始预测资源转移时间间隔和初始预测资源转移时间间隔对应的初始预测资源转移数量,例如,初始充值时间间隔和初始充值时间间隔对应的初始充值金额。
可选的,实现该步骤202有两种可选的方式,分别如下:
第一种是将第一历史资源信息中的所有历史资源信息均分别输入多个预测模型中进行信息预测,得到多个目标资源信息,此时,各预测模型对应的目标资源信息中包括多个资源信息。
例如,用{n1,n2,n3,n4}表示第一历史资源信息,将{n1,n2,n3,n4}分别输入至上述预测模型1、预测模型2、预测模型3,得到预测模型1对应的目标资源信息为{m2,1,m3,1,m4,1,m5,1}、预测模型2对应的目标资源信息为{m3,2,m4,2,m5,2,m6,2}、预测模型3对应的目标资源信息为{m4,3,m5,3,m6,3,m7,3}。
第二种是根据预测模型的数量,从第一历史资源信息中提取出相应数量的历史资源信息,然后将各历史资源信息分别输入各自对应的预测模型中进行信息预测,得到多个目标资源信息,此时,各预测模型对应的目标资源信息中包括一个资源信息,其具体实现方式见下面的获取目标资源信息的实施例,在此不再赘述。
步骤203,对多个目标资源信息进行处理后得到预测资源信息。
其中,预测资源信息包括预测资源转移时间间隔和预测资源转移时间间隔对应的预测资源转移数量,例如,预测充值时间间隔和预测充值金额。
可选的,步骤202中得到多个目标资源信息有两种可选的方式,对应的,本步骤203也有两种可选的方式,分别如下:
第一种,各目标资源信息中包括多个资源信息,从各目标资源信息中提取目标用户最近一次的未来资源信息(即目标用户下一次的充值时间间隔和充值金额),然后对这多个目标用户最近一次的未来资源信息求平均,然后取整,得到预测资源信息。
例如,n4是目标用户最近一次的历史资源信息,则m5就是目标用户最近一次的未来资源信息,因此,从各目标资源信息中提取m5,由于一个资源信息包括两个数据,一个是充值时间间隔,另一个是充值金额,所以,对多个m5中的充值时间间隔求平均,然后取整,得到预测充值时间间隔,对多个m5中的充值金额求平均,然后取整,得到预测充值金额,从而就可以得到预测资源信息。
第二种,各目标资源信息中只包括一个资源信息,对多个目标资源求平均和取整得到预测资源信息,还可以根据各预测模型的权重以及各模型对应的目标资源加权求和后,得到预测资源信息。
本申请实施例提供的资源信息的预测方法,通过获取目标用户在第一历史时间段内的第一历史资源信息,然后将第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息,再对多个目标资源信息进行处理后得到预测资源信息。上述方法中,由于预测资源信息是根据目标用户的历史的资源信息预测得到的,可以使预测资源信息贴合目标用户对资源管理的行为习惯,从而根据该预测资源信息对目标用户进行信息提醒,相比于传统技术灵活性更高,且能够进行准确提醒。
在其中一个实施例中,多个预测模型包括N个预测模型,如图3所示,提供了一种获取目标资源信息的方法流程示意图,将第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息,包括如下步骤:
步骤301,从第一历史资源信息中提取N个历史资源信息;N表示目标用户在第一历史时间段内进行资源转移的次数。
其中,第一历史资源信息可以用{n1,n2,n3,…,nN}表示。资源转移的次数可以指充值的次数。
可选的,不同预测模型有不同的功能,因此,在进行预测时,需要根据预测模型的功能来确定输入该预测模型的历史资源信息,从而就需要根据预测模型的功能从第一历史资源信息中提取预测模型对应的历史资源信息。
例如,上述预测模型1、预测模型2和预测模型3的功能,当需要得到各个预测模型输出的目标资源信息m5时,则需从第一历史资源信息中提取n4、n3、n2。
步骤302,将N个历史资源信息分别输入至各自对应的预测模型中进行信息预测,得到N个目标资源信息。
可选的,根据预设的预测模型与资源信息的次数标识之间的对应关系,确定与各历史资源信息的次数标识对应的目标预测模型。将N个历史资源信息分别输入至与各历史资源信息的次数标识对应的目标预测模型进行信息预测,得到N个目标资源信息。
其中,获取预设的预测模型与资源信息的次数标识之间的对应关系有两种可选的方式,分别如下:
第一种,在步骤301得到N个历史资源信息后,对各历史资源信息用次数标识来进行标记,并将各次数标识与各预测模型进行一一关联,从而就可以得到预测模型与资源信息的次数标识之间的对应关系。
第二种,在步骤201得到第一历史资源信息后,就对第一历史资源信息的所有历史资源用次数标识来进行标记,从而从第一历史资源信息中提取到的历史资源信息就带有次数标识,然后将各次数标识与并将各次数标识与各预测模型进行一一关联,从而就可以得到预测模型与资源信息的次数标识之间的对应关系。
根据该对应关系,就可以确定出各历史资源信息应该输入至那个预测模型中,然后将各历史资源信息时输入至对应的预测模型就可以得到目标资源信息。
例如,在步骤301中提取到n4、n3、n2后,将n4输入至预测模型1,将n3输入至预测模型2,n2输入至预测模型3,从而可以得到预测模型1输出的m5,1、预测模型2输出的m5,2、预测模型3输出的m5,3。
本实施例中,多个预测模型包括N个预测模型,通过从第一历史资源信息中提取N个历史资源信息,然后根据预设的预测模型与资源信息的次数标识之间的对应关系,确定与各历史资源信息的次数标识对应的目标预测模型,再将N个历史资源信息分别输入至与各历史资源信息的次数标识对应的目标预测模型进行信息预测,得到N个目标资源信息,这样,一个预测模型只需输入一个历史资源信息,也就是说一个预测模型只需要进行少量的运算,从而可以提高预测模型的运算速度,进而可以提高本申请的预测效率。
在其中一个实施例中,如图4所示,提供了一种获取预测资源信息的方法流程示意图,对多个目标资源信息进行处理后得到预测资源信息,包括如下步骤:
步骤401,从第一历史资源信息中提取第一中间资源信息。
其中,第一中间资源信息中包含有第一历史资源信息中的多个资源信息。
可选的,可以从第一历史资源信息中随机选取多个资源信息,得到第一中间资源信息;还可以按照预设规则从第一历史资源信息中选取多个资源信息,得到第一中间资源信息。
例如,从第一历史资源信息{n1,n2,n3,…,nN}中,选取连续的5个资源信息,得到第一中间资源信息{n1,n2,n3,n4,n5}。
步骤402,将第一中间资源信息分别输入至多个预测模型进行信息预测,得到各预测模型对应的第二中间资源信息。
其中,将第一中间资源信息分别输入至多个预测模型进行信息预测有两种可选的实施方式,分别如下:
第一种,将第一中间资源信息中的所有资源信息均分别输入至多个预测模型进行信息预测,得到各预测模型对应的第二中间资源信息。
例如,将{n1,n2,n3,n4,n5}分别输入至上述预测模型1、预测模型2、预测模型3,得到预测模型1对应的第二中间资源信息{m2,1,m3,1,m4,1,m5,1,m6,1}、预测模型2对应的第二中间资源信息{m3,2,m4,2,m5,2,m6,2,m7,2}、预测模型3对应的第二中间资源信息{m4,3,m5,3,m6,3,m7,3,m8,3}。
第二种,将第一中间资源信息中的部分资源信息分别输入至多个预测模型进行信息预测,得到各预测模型对应的第二中间资源信息。
例如,将{n3,n4,n5}、{n2,n3,n4}、{n1,n2,n3}分别输入至预测模型1、预测模型2、预测模型3,得到预测模型1对应的第二中间资源信息{m4,1,m5,1,m6,1}、预测模型2对应的第二中间资源信息{m4,2,m5,2,m6,2}、预测模型3对应的第二中间资源信息{m4,3,m5,3,m6,3}。
步骤403,根据各预测模型对应的第二中间资源信息和第一历史资源信息,确定各预测模型对应的权重。
可选的,针对各预测模型,将属于相同次数的第一历史资源信息与对应的第二中间资源信息进行作差,得到第二中间资源信息对应的比较结果,其中比较结果中包括多个差值,对多个差值求平均,得到预测模型对应的预测差值。然后将各预测模型对应的预测差值进行归一化处理,得到各预测模型对应的权重。
例如,对于预测模型1,预测模型1对应的第二中间资源信息{m4,1,m5,1,m6,1},得到比较结果为{|m4,1-n4|,|m5,1-n5|,|m6,1-n6|},预测模型1对应的预测差值为(|m4,1-n4|,|m5,1-n5|,|m6,1-n6|)/3。同理,可以得到预测模型2对应的预测差值和预测模型3对应的预测差值。然后对预测模型1、预测模型2、预测模型3对应的预测差值进行归一化处理,得到预测模型1、预测模型2、预测模型3对应的权重分别为0.7,0.2,0.1。
步骤404,为各目标资源信息分配相应的权重,包括:将各预测模型对应的权重确定为对应目标资源信息的权重。
可选的,为各目标资源信息分配相应的权重,还包括:根据预测模型对应的预测差值,对各目标资源信息预设相应的权重。
步骤405,对各目标资源信息对应的权重和各目标资源信息进行处理,得到预测资源信息。
可选的,各目标资源信息对应的权重与各目标资源信息相乘,得到多个加权值,对多个加权值求和,得到一个和值,对该和值除以预测模型的数量,得到预测资源信息。
本实施例中,通过从第一历史资源信息中提取第一中间资源信息,并将第一中间资源信息分别输入至多个预测模型进行信息预测,得到各预测模型对应的第二中间资源信息,然后根据各预测模型对应的第二中间资源信息和第一历史资源信息,确定各预测模型对应的权重,并将各预测模型对应的权重确定为对应目标资源信息的权重,而后,对各目标资源信息对应的权重和各目标资源信息进行处理,得到预测资源信息,也就是说,目标资源信息对应的权重是根据预测模型的输出的第二中间资源信息和第一历史资源信息确定的,相比于直接给目标资源信息赋权重,本实施确定的权重更加准确,从而可以提高预测资源信息的准确性。
在其中一个实施例中,如图5所示,提供了一种获取预测模型对应的权重的方法流程示意图,根据各预测模型对应的第二中间资源信息和第一历史资源信息,确定各预测模型对应的权重,包括:
步骤501,从第一历史资源信息中提取与各第二中间资源信息属于相同次数的第一历史资源信息。
可选的,由于第一历史资源信息中包括不同资源转移次数的历史资源信息,每个历史资源信息对应有次数标识,因此,通过步骤401和步骤402得到的第二中间资源信息,基于预测模型的功能,易知第二中间资源信息所属的资源转移的次数,从而根据各第二中间资源信息所属的资源转移的次数和各历史资源信息对应有次数标识,就可从第一历史资源信息中提取出与各第二中间资源信息属于相同次数的第一历史资源信息。
例如,针对预测模型1,第二中间资源信息为{m4,1,m5,1,m6,1},则从第一历史资源信息中提取与该第二中间资源信息属于相同次数的第一历史资源信息为{n4,n5,n6}
步骤502,将属于相同次数的第一历史资源信息与对应的第二中间资源信息进行比较,得到各第二中间资源信息对应的比较结果。
可选的,将属于相同次数的第一历史资源信息与对应的第二中间资源信息进行作差,得到第二中间资源信息对应的比较结果,其中比较结果中包括多个差值。
例如,针对预测模型1,第二中间资源信息对应的比较结果为{|m4,1-n4|,|m5,1-n5|,|m6,1-n6|}。
步骤503,根据各第二中间资源信息对应的比较结果,确定各预测模型对应的权重。
可选的,对各比较结果中的多个差值求平均,得到各预测模型对应的预测差值后,可以将各预测模型对应的预测差值进行归一化处理,得到各预测模型对应的权重,也可以根据各预测模型对应的预测差值直接对各预测模型进行赋权重。
例如,预测差值越小,说明该与预测差值对应的预测模型的预测结果越好,因此,该预测模型的权重越大。
本实施例中,通过从第一历史资源信息中提取与各第二中间资源信息属于相同次数的第一历史资源信息,然后将属于相同次数的第一历史资源信息与对应的第二中间资源信息进行比较,得到各第二中间资源信息对应的比较结果,再根据各第二中间资源信息对应的比较结果,确定各预测模型对应的权重,这样,实现了根据预测模型输出的第二中间资源信息来确定预测模型的权重,其权重的准确度更高。
在其中一个实施例中,如图6所示,提供了一种预测模型的训练方法流程示意图,该方法包括:
基于第二历史资源信息对多个初始预测模型分别进行训练,得到多个预测模型。
可选的,基于第二历史资源信息对多个初始预测模型分别进行训练,得到多个预测模型,包括:
步骤601,从第二历史资源信息提取训练各初始预测模型所需的标签资源信息;各初始预测模型所需的标签资源信息是根据各初始测试模型的测试需求确定。
其中,初始预测模型可以是神经网络模型,如BP神经网络模型、LSTM神经网络模型等。
对于第二历史资源信息,其与第一历史资源信息的性质相同,只是第二历史资源信息中包括的历史资源信息的数量可能比第一历史资源信息中包括的历史资源信息的数量多。第二历史资源信息可以是在第二历史时间段内获取,第二历史时间段较第一历史时间段长。
可选的,第二历史资源信息用{n1,n2,n3,…,nM}表示,若需训练3个初始预测模型,则
对于初始预测模型1,所需的标签资源信息为{n2,n3,n4,…,nM};
对于初始预测模型2,所需的标签资源信息为{n3,n4,n5,…,nM};
对于初始预测模型3,所需的标签资源信息为{n4,n5,n6,…,nM}。
步骤602,基于第二历史资源信息和各初始预测模型所需的标签资源信息,对各初始预测模型进行训练,得到多个预测模型。
可选的,对于初始预测模型1,将ni输入至初始预测模型1,根据预测模型1输出的结果,用标签ni+1进行修正初始预测模型1的参数,直到该初始预测模型1输出的结果与标签的差值在预设范围内,则停止,此时的初始预测模型1就是训练好的预测模型1。
对于初始预测模型2,将ni输入至初始预测模型2,根据预测模型2输出的结果,用标签ni+2进行修正初始预测模型2的参数,直到该初始预测模型2输出的结果与标签的差值在预设范围内,则停止,此时的初始预测模型2就是训练好的预测模型2。
对于初始预测模型3,将ni输入至初始预测模型3,根据预测模型3输出的结果,用标签ni+3进行修正初始预测模型3的参数,直到该初始预测模型3输出的结果与标签的差值在预设范围内,则停止,此时的初始预测模型3就是训练好的预测模型3。
同理,根据上述方法可以训练得到其他预测模型。
本实施例中,通过从第二历史资源信息提取训练各初始预测模型所需的标签资源信息,然后基于第二历史资源信息和各初始预测模型所需的标签资源信息,对各初始预测模型进行训练,得到多个预测模型,其中各初始预测模型所需的标签资源信息可以根据各初始测试模型的测试需求确定,这样,由于每个初始预测模型的标签信息可以根据需求进行确定,从而实现了开源,提高了本申请的可推广性。
综上所有实施例所述方法,本申请还提供了一种超时时长的确定方法,该方法包括:
步骤1,从第二历史资源信息提取训练各初始预测模型所需的标签资源信息;各初始预测模型所需的标签资源信息是根据各初始测试模型的测试需求确定;
步骤2,基于第二历史资源信息和各初始预测模型所需的标签资源信息,对各初始预测模型进行训练,得到多个预测模型,多个预测模型包括N个预测模型。
步骤3,获取目标用户在第一历史时间段内的第一历史资源信息。
步骤4,从第一历史资源信息中提取N个历史资源信息;N表示目标用户在第一历史时间段内进行资源转移的次数。
步骤5,根据预设的预测模型与资源信息的次数标识之间的对应关系,确定与各历史资源信息的次数标识对应的目标预测模型。
步骤6,将N个历史资源信息分别输入至与各历史资源信息的次数标识对应的目标预测模型进行信息预测,得到N个目标资源信息。
步骤7,从第一历史资源信息中提取第一中间资源信息。
步骤8,将第一中间资源信息分别输入至多个预测模型进行信息预测,得到各预测模型对应的第二中间资源信息。
步骤9,从第一历史资源信息中提取与各第二中间资源信息属于相同次数的第一历史资源信息。
步骤10,将属于相同次数的第一历史资源信息与对应的第二中间资源信息进行比较,得到各第二中间资源信息对应的比较结果。
步骤11,根据各第二中间资源信息对应的比较结果,确定各预测模型对应的权重。
步骤12,将各预测模型对应的权重确定为对应目标资源信息的权重。
步骤13,对各目标资源信息对应的权重和各目标资源信息进行处理,得到预测资源信息。
步骤14,根据预测资源信息生成资源提醒消息,并将资源提醒消息展示在终端,以提醒目标用户。
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信息的预测方法的资源信息的预测装置。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信息的预测装置实施例中的具体限定可以参见上文中对于资源信息的预测方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种资源信息的预测装置,该资源信息的预测装置700包括:获取模块701、第一确定模块702和第二确定模块703,其中:
获取模块701,用于获取目标用户在第一历史时间段内的第一历史资源信息。
第一确定模块702,用于将第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息。
第二确定模块703,用于对多个目标资源信息进行处理后得到预测资源信息。
在其中一个实施例中,多个预测模型包括N个预测模型,第一确定模块702,具体用于从第一历史资源信息中提取N个历史资源信息;N表示目标用户在第一历史时间段内进行资源转移的次数;将N个历史资源信息分别输入至各自对应的预测模型中进行信息预测,得到N个目标资源信息。
在其中一个实施例中,该装置700还包括第三确定模块,用于根据预设的预测模型与资源信息的次数标识之间的对应关系,确定与各历史资源信息的次数标识对应的目标预测模型;对应的,第一确定模块702,具体用于将N个历史资源信息分别输入至与各历史资源信息的次数标识对应的目标预测模型进行信息预测,得到N个目标资源信息。
在其中一个实施例中,第二确定模块703,具体用于为各目标资源信息分配相应的权重;对各目标资源信息对应的权重和各目标资源信息进行处理,得到预测资源信息。
在其中一个实施例中,第二确定模块703,还用于从第一历史资源信息中提取第一中间资源信息;将第一中间资源信息分别输入至多个预测模型进行信息预测,得到各预测模型对应的第二中间资源信息;根据各预测模型对应的第二中间资源信息和第一历史资源信息,确定各预测模型对应的权重;第二确定模块603,具体用于将各预测模型对应的权重确定为对应目标资源信息的权重。
在其中一个实施例中,第二确定模块703,具体用于从第一历史资源信息中提取与各第二中间资源信息属于相同次数的第一历史资源信息;将属于相同次数的第一历史资源信息与对应的第二中间资源信息进行比较,得到各第二中间资源信息对应的比较结果;根据各第二中间资源信息对应的比较结果,确定各预测模型对应的权重。
在其中一个实施例中,该装置700还包括训练模块,用于基于第二历史资源信息对多个初始预测模型分别进行训练,得到多个预测模型;训练模块,具体用于从第二历史资源信息提取训练各初始预测模型所需的标签资源信息;各初始预测模型所需的标签资源信息是根据各初始测试模型的测试需求确定;基于第二历史资源信息和各初始预测模型所需的标签资源信息,对各初始预测模型进行训练,得到多个预测模型。
上述资源信息的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,该计算机设备还可以是终端,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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信息的预测方法。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8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任一项方法实施例中所述的方法的步骤。
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任一项方法实施例中所述的方法的步骤。
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任一项方法实施例中所述的方法的步骤。
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 (11)
1.一种资源信息的预测方法,其特征在于,所述方法包括:
获取目标用户在第一历史时间段内的第一历史资源信息;
将所述第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息;
对所述多个目标资源信息进行处理后得到预测资源信息。
2.根据权利要求1所述的方法,其特征在于,所述多个预测模型包括N个预测模型,所述将所述第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息,包括:
从所述第一历史资源信息中提取N个历史资源信息;所述N表示所述目标用户在所述第一历史时间段内进行资源转移的次数;
将所述N个历史资源信息分别输入至各自对应的预测模型中进行信息预测,得到N个目标资源信息。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据预设的预测模型与资源信息的次数标识之间的对应关系,确定与各所述历史资源信息的次数标识对应的目标预测模型;
对应的,所述将所述N个历史资源信息分别输入至各自对应的预测模型中进行信息预测,得到N个目标资源信息,包括:
将所述N个历史资源信息分别输入至与各所述历史资源信息的次数标识对应的目标预测模型进行信息预测,得到N个目标资源信息。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述对所述多个目标资源信息进行处理后得到预测资源信息,包括:
为各所述目标资源信息分配相应的权重;
对各所述目标资源信息对应的权重和各所述目标资源信息进行处理,得到所述预测资源信息。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
从所述第一历史资源信息中提取第一中间资源信息;
将所述第一中间资源信息分别输入至多个所述预测模型进行信息预测,得到各所述预测模型对应的第二中间资源信息;
根据各所述预测模型对应的第二中间资源信息和所述第一历史资源信息,确定各所述预测模型对应的权重;
所述为各所述目标资源信息分配相应的权重,包括:
将各所述预测模型对应的权重确定为对应所述目标资源信息的权重。
6.根据权利要求5所述的方法,其特征在于,所述根据各所述预测模型对应的第二中间资源信息和所述第一历史资源信息,确定各所述预测模型对应的权重,包括:
从所述第一历史资源信息中提取与各所述第二中间资源信息属于相同次数的第一历史资源信息;
将所述属于相同次数的第一历史资源信息与对应的所述第二中间资源信息进行比较,得到各所述第二中间资源信息对应的比较结果;
根据各所述第二中间资源信息对应的比较结果,确定各所述预测模型对应的权重。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于第二历史资源信息对多个初始预测模型分别进行训练,得到所述多个预测模型;
所述基于第二历史资源信息对多个初始预测模型分别进行训练,得到所述多个预测模型,包括:
从所述第二历史资源信息提取训练各所述初始预测模型所需的标签资源信息;各所述初始预测模型所需的标签资源信息是根据各所述初始测试模型的测试需求确定;
基于所述第二历史资源信息和各所述初始预测模型所需的标签资源信息,对各所述初始预测模型进行训练,得到所述多个预测模型。
8.一种资源信息的预测装置,其特征在于,所述装置包括:
获取模块,用于获取目标用户在第一历史时间段内的第一历史资源信息;
第一确定模块,用于将所述第一历史资源信息输入至多个预测模型中进行信息预测,得到多个目标资源信息;
第二确定模块,用于对所述多个目标资源信息进行处理后得到预测资源信息。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
11.一种计算机程序产品,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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907551.5A CN117172735A (zh) | 2023-07-21 | 2023-07-21 | 资源信息的预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907551.5A CN117172735A (zh) | 2023-07-21 | 2023-07-21 | 资源信息的预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172735A true CN117172735A (zh) | 2023-12-05 |
Family
ID=88943852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310907551.5A Pending CN117172735A (zh) | 2023-07-21 | 2023-07-21 | 资源信息的预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172735A (zh) |
-
2023
- 2023-07-21 CN CN202310907551.5A patent/CN117172735A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11170436B2 (en) | Credit scoring method and server | |
CN110210731A (zh) | 提醒任务分配方法、装置、计算机设备和存储介质 | |
CN110287250A (zh) | 用户等级量化方法和装置 | |
CN112258238A (zh) | 用户生命价值周期检测方法、装置和计算机设备 | |
CN117035980A (zh) | 资源借调评估方法、装置、计算机设备和存储介质 | |
CN116579460A (zh) | 信息预测方法、装置、计算机设备和存储介质 | |
CN117172735A (zh) | 资源信息的预测方法、装置、计算机设备和存储介质 | |
CN116228316A (zh) | 投放选址的确定方法、装置、电子设备及可读存储介质 | |
CN111861055A (zh) | 资源调度方法、装置与平台 | |
CN116681454B (zh) | 虚拟资源配比策略生成方法、装置、计算机设备和存储介质 | |
CN113065066B (zh) | 预测方法、装置、服务器及存储介质 | |
CN117390490A (zh) | 用电信用报告的生成方法、装置、设备、存储介质和产品 | |
CN117724680A (zh) | 需求评估方法、装置、计算机设备和存储介质 | |
CN117196703A (zh) | 资源发放方法、装置、计算机设备和存储介质 | |
CN117239723A (zh) | 基于联邦学习的用电量预测模型确定方法、装置和设备 | |
CN116186417A (zh) | 推荐方法、装置、计算机设备和存储介质 | |
CN118229008A (zh) | 资源管控方法、装置、计算机设备以及可读存储介质 | |
CN117648470A (zh) | 理财信息推送方法、装置、计算机设备、存储介质 | |
CN116862487A (zh) | 交易资产处理方法、装置、设备、存储介质和程序产品 | |
CN117573387A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN118195659A (zh) | 对象识别方法、装置、设备、存储介质和程序产品 | |
CN116416064A (zh) | 提供资源转换业务中辅助信息的方法、装置、计算机设备 | |
CN117035763A (zh) | 账户资源充值方法、装置、计算机设备以及存储介质 | |
CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
CN114842237A (zh) | 催收方式的确定方法、装置、计算机设备、存储介质 |
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 |