基于大数据的效果预测方法、装置、介质及电子设备制造方法及图纸

本发明专利技术实施例提供了一种基于大数据的效果预测方法、装置、介质及电子设备，属于大数据技术领域的预测估值技术。该方法包括：按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。本发明专利技术实施例的技术方案可以提高数据预测精度。

Effect Prediction Method, Device, Medium and Electronic Equipment Based on Large Data

The embodiment of the invention provides an effect prediction method, device, medium and electronic equipment based on large data, which belongs to the prediction and evaluation technology in the field of large data technology. The method includes: acquiring multiple time periods corresponding to historical data according to time series, and determining the key influence parameters corresponding to each time period from multiple influence parameters of historical data; training machine learning model by taking the historical data corresponding to each time period and the parameters corresponding to the key influence parameters corresponding to each time period as training set; and determining the correlation of the target time period to be predicted. The key influence parameters are input into the machine learning model after training, and the prediction data of the target time period to be predicted are determined according to the output of the machine learning model to obtain the prediction effect. The technical scheme of the embodiment of the present invention can improve the accuracy of data prediction.

【技术实现步骤摘要】
基于大数据的效果预测方法、装置、介质及电子设备
本专利技术涉及数据分析
的预测估值技术，具体而言，涉及一种基于大数据的效果预测方法、基于大数据的效果预测装置、存储介质及电子设备。
技术介绍
随着计算机的普及，数据共享的程度越来越高，导致数据变得越来越复杂和多元。为了充分利用资源，产生最大效益，从而对市场和产品做出更加明智的决策，数据预测成为了管理者的主要依据。现有的预测方法主要是利用历史数据来预测市场或者产品的变化规律，从而得到未来的特定时间点可能产生的效益。此外，还有些预测方法可以预测特定影响因素对市场或者产品的影响，从而可以根据当前或者未来该影响因素的变化预测可能产生的效益。但是影响市场或者产品的影响因素往往是多个，对单一影响因素的市场的预测已不能满足预测的精度要求。因此，如何克服单一影响因素的片面性，对多个影响因素的市场进行预测，提高预测的精确度成为了亟待解决的问题。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本专利技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本专利技术实施例的目的在于提供一种基于大数据的效果预测方法，进而至少在一定程度上克服对预测数据的预测精度低的问题。本专利技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得。根据本专利技术实施例的第一方面，提供了一种基于大数据的效果预测方法，包括：按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。在本专利技术的一种示例实施例中，得到所述待预测目标时间段的预测数据之后包括：计算所述待预测目标时间段的预测数据在所述历史数据基础上的提升比例，以得到所述预测数据的预测效果。在本专利技术的一种示例实施例中，得到所述待预测目标时间段的预测数据之后还包括：获取待预测目标时间段的真实数据，验证所述提升比例是否正确；在所述提升比例不正确时，将所述真实数据和所述关键影响参数的多个参数值加入所述训练集，训练所述机器学习模型。在本专利技术的一种示例实施例中，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：分析各时间段对应的历史数据与所述多个影响参数的相关性；选取所述相关性最大的影响参数作为对应时间段的关键影响参数。在本专利技术的一种示例实施例中，所述将所述关键影响参数的多个参数值输入训练后的所述机器学习模型包括：根据待预测目标时间段对应的所述历史数据，增大或减小所述关键影响参数对应的参数值。在本专利技术的一种示例实施例中，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：获取包含所述历史数据的多个样本；根据所述多个时间段，统计各影响参数的样本数量；选取每一时间段中所述样本数量最多的影响参数作为每一时间段的关键影响参数。在本专利技术的一种示例实施例中，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：从所述影响参数中确定各时间段对应的一个或多个关键影响参数。根据本专利技术实施例的第二方面，提供一种基于大数据的效果预测装置，包括：获取数据单元，用于按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；获取模型单元，用于将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；预测单元，用于确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；确定预测结果单元，用于根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。根据本专利技术实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的基于大数据的效果预测方法。根据本专利技术实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的基于大数据的效果预测方法。在本专利技术的一些实施例所提供的技术方案中，按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。一方面，可以将预测过程智能化，利用机器学习模型获取预测数据，提高预测的效率，并且可以提高预测的精确度；另一方面，利用机器学习模型得到关键影响参数的多个参数值的多组预测数据，可以选择最优的预测数据，实现了效果最优化，可以提高预测的可信度和实用性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1示意性示出了根据本专利技术的实施例的基于大数据的效果预测方法的流程图；图2示意性示出了根据本专利技术的实施例的基于大数据的效果预测装置的框图；图3示出了适于用来实现本专利技术实施例的电子设备的计算机系统的结构示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本专利技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本专利技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本专利技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本专利技术的各方面。附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。现有的预测方法对于多个影响因素作用的市场或者产品的预测过于片面，造成不能精确预测市场本文档来自技高网...

【技术保护点】
1.一种基于大数据的效果预测方法，其特征在于，包括：按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。

【技术特征摘要】
1.一种基于大数据的效果预测方法，其特征在于，包括：按照时间序列获取历史数据对应的多个时间段，并从历史数据的多个影响参数中确定各时间段对应的关键影响参数；将各时间段对应的历史数据与所述各时间段对应的关键影响参数的参数值作为训练集，训练机器学习模型；确定待预测目标时间段的关键影响参数，并将所述关键影响参数的多个参数值输入训练后的所述机器学习模型；根据所述机器学习模型的输出结果，确定所述待预测目标时间段的预测数据，以得到预测效果。2.根据权利要求1所述的基于大数据的效果预测方法，其特征在于，得到所述待预测目标时间段的预测数据之后包括：计算所述待预测目标时间段的预测数据在所述历史数据基础上的提升比例，以得到所述预测数据的预测效果。3.根据权利要求2所述的基于大数据的效果预测方法，其特征在于，得到所述待预测目标时间段的预测数据之后还包括：获取待预测目标时间段的真实数据，验证所述提升比例是否正确；在所述提升比例不正确时，将所述真实数据和所述关键影响参数的多个参数值加入所述机器学习模型的训练集，训练所述机器学习模型。4.根据权利要求1所述的基于大数据的效果预测方法，其特征在于，所述从历史数据的多个影响参数中确定各时间段对应的关键影响参数包括：分析各时间段对应的历史数据与所述多个影响参数的相关性；选取所述相关性最大的影响参数作为对应时间段的关键影响参数。5.根据权利要求1所述的基于大数据的效果预测方法，其特征在于，所述将所述关键影响参数的多个参数值输入训练后的所述机器学习模型包括：根据待预测目标时间段对应的所述历史数据，增大或减小所述关键影...

【专利技术属性】
技术研发人员：陈伟源，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：广东,44