预测模型训练方法、数据监控方法、装置、设备及介质制造方法及图纸

本发明专利技术公开一种预测模型训练方法、数据监控方法、装置、设备及介质。该预测模型训练方法包括：对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；将所述训练业务数据按预设比例划分成训练集和测试集；采用所述训练集对长短时记忆循环神经网络模型进行训练，获取原始预测模型；采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。该预测模型训练方法进行预测时具有时序性强、准确率高的优点。

Prediction model training method, data monitoring method, device, equipment and medium

【技术实现步骤摘要】
预测模型训练方法、数据监控方法、装置、设备及介质
本专利技术涉及数据监控领域，尤其涉及一种预测模型训练方法、数据监控方法、装置、设备及介质。
技术介绍
随着市场经济的发展，企业之间的竞争也越来越激烈，为了提高的企业的竞争力，企业通过对历史业务数据进行大数据分析，以预测未来的业务发展趋势，从而进行策略调整。当前采用SVM(SupportVectorMachine，支持向量机)模型对历史业务数据进行大数据分析，这种方式缺乏对本身数据自相关性的考虑，不具备对时序数据预测的能力，使得数据预测结果的准确率较低。
技术实现思路
本专利技术实施例提供一种预测模型训练方法、数据监控方法、装置、设备及介质，以解决当前数据预测结果准确率较低的问题。第一方面，本专利技术实施例提供一种预测模型训练方法，包括：对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；将所述训练业务数据按预设比例划分成训练集和测试集；采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型；采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。第二方面，本专利技术实施例提供一种数据监控方法，包括：获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；采用所述目标预测模型对所述监控业务数据进行预测，获取预测业务数据。第三方面，本专利技术实施例提供一种预测模型训练装置，包括：训练业务数据获取模块，用于对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；数据划分模块，用于将所述训练业务数据按预设比例划分成训练集和测试集；原始预测模型获取模块，用于采用所述训练集对长短时记忆循环神经网络模型进行训练，获取原始预测模型；目标预测模型获取模块，用于采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。第四方面，本专利技术实施例提供一种数据监控装置，包括:数据监控指令获取模块，用于获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；监控业务数据获取模块，用于基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；预测业务数据获取模块，用于采用所述目标预测模型对所述监控业务数据进行预测，获取预测业务数据。第五方面，本专利技术实施例提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述预测模型训练方法的步骤。第六方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述数据监控方法的步骤。本专利技术实施例提供的预测模型训练方法、装置、设备及介质中，通过获取到的原始业务数据进行时间标注并按照预设期限进行划分，得到携带时序状态的训练业务数据，从而增加训练业务数据的时序性，提高预测模型的准确率。然后采用长短时记忆循环神经网络模型进行训练，得到原始预测模型，使得原始预测模型训练具有效率快且准确率高的优点。最后再采用测试集中的训练业务数据对原始预测模型进行测试，得到目标预测模型，以提高目标预测模型进行预测的准确率，并且由于训练业务数据具有时序性，使得获取的目标预测模型也具有时序性。本专利技术实施例提供的数据监控方法、装置、设备及介质中，通过采用目标预测模型对当前时间以前预设期限内的与监控指标相对的历史业务数据即监控业务数据进行监控，具有时序性强、准确率高的优点从而增加了数据监控结果的时序性和准确性。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例1中提供的预测模型训练方法的一流程图。图2是图1中步骤S130的一具体示意图。图3是图2中步骤S131的一具体示意图。图4是本专利技术实施例2中提供的预测模型训练装置的一示意图。图5是本专利技术实施例3中提供的数据监控方法的一流程图。图6是本专利技术实施例3中提供的数据监控方法的另一流程图。图7是本专利技术实施例3中提供的数据监控方法的又一流程图。图8是本专利技术实施例4中提供的数据监控装置的一示意图。图9是本专利技术实施例6中提供的终端设备的一示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1图1示出本实施例中预测模型训练方法的流程图。该预测模型训练方法应用在银行、证券、保险等金融机构或者其他机构配置的终端设备上，用于利用金融机构或其他机构产生的业务数据进行预测模型训练，以便基于训练好的预测模型对未来业务数据进行预测，以实现人工智能监控的目的。如图1所示，该预测模型训练方法包括如下步骤：S110：对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据。其中，原始业务数据是金融机构或其他机构中生产经营过程中形成的业务数据。该业务数据包括但不限于本实施例中的销售额、签单量、业务员出勤率、接待客户数和宣传活动量等数据。具体地，对原始业务数据进行时间标注是指使原始业务数据携带时间标签，该时间标签可以是形成原始业务数据当天的时间。如若原始业务数据为6月7号的销售额，则其原始业务数据的时间标签为6月7日。本实施例中，采用Hadoop大数据平台采集金融机构或其他机构每天形成的原始业务数据，并对统计的原始业务数据进行时间标注。Hadoop大数据平台可使用户在不了解分布式底层细节的情况下，开发分布式程序，并进行高速运算和存储，以提高原始业务数据的采集效率。其中，Hadoop是指一种分布式系统基础架构，Hadoop实现了一个分布式文件系统(HadoopDistributedFileSystem，以下简称HDFS)。HDFS有高容错性的特点，并设计用来部署在低廉的硬件上，且可提供高吞吐量来访问应用程序的数据，适合有着超大数据集的应用程序，使得采用Hadoop大数据平台采用原始业务数据具有采集效率高的优点。具体地，预设期限是预先设定好的用于划分带有时序状态的训练业务数据的期限，该预设期限可以是1个月、2个月、半年或者其他期限值。若预设期限为1个月，则在对原始业务数据进行时间标注并按预设期限进行划分时，需将对原始业务数据进行时间标注后形成的携带时间标签的原始业务数据中连续1个月中的原始业务数据作为1个携带时序状态的训练业务数据。即若预设期限为1个月，所要训练的预测模型为采用预设期限内的原始业务数据预测预设期限后1-N天的未来业务数据时，其形成的携带时序状态的训练业务数据可以采用(预设期限内的原始业务数据，预设期限后1-N天的原始业务数据)这种形式表示。其中，N为大于1的整数。如本实施例中可以采用(6月1号-6本文档来自技高网...

【技术保护点】
一种预测模型训练方法，其特征在于，包括：对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；将所述训练业务数据按预设比例划分成训练集和测试集；采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型；采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。

【技术特征摘要】
1.一种预测模型训练方法，其特征在于，包括：对原始业务数据进行时间标注并按预设期限进行划分，获取携带时序状态的训练业务数据；将所述训练业务数据按预设比例划分成训练集和测试集；采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型；采用所述测试集对所述原始预测模型进行测试，获取目标预测模型。2.如权利要求1所述的预测模型训练方法，其特征在于，所述采用长短时记忆循环神经网络模型对所述训练集进行训练，获取原始预测模型，包括：采用随时间反向传播算法对所述训练集进行训练，获取原始状态模型；采用R-square方法对所述原始状态模型进行检验，获取所述原始预测模型。3.如权利要求2所述的预测模型训练方法，其特征在于，所述采用随时间反向传播算法对所述训练集进行训练，获取原始状态模型，包括：采用前向传播算法对所述训练集进行训练，获取所述原始状态模型的第一状态参数；所述前向传播算法的计算公式为和其中，St表示当前时刻隐藏层的输出；表示隐藏层上一时刻到所述当前时刻的权值；表示输入层到输出层的权值；表示所述当前时刻的预测输出；表示所述隐藏层到所述输出层的权值；采用后向传播算法对所述第一状态参数进行误差计算，获取所述原始状态模型的第二状态参数；所述后向传播算法的计算公式为其中，表示t时刻的预测输出；ot表示所述t时刻与对应的真实值；基于所述第二状态参数，获取所述原始状态模型。4.一种数据监控方法，包括：获取数据监控指令，所述数据监控指令包括当前时间、预设期限和监控指标；基于所述数据监控指令获取监控业务数据，所述监控业务数据具体为当前时间以前所述预设期限内的与所述监控指标相对的历史业务数据；采用目标预测模型对所述监控业务数据进行预测，获取预测业务数据；其中，所述目标预测模型是采用权利要求1-3任一项所述预测模型训练方法获取到的模型。5.如权利要求4所述的数据监控方法，其特征在于，所述采用所述目标预测模型对所述监控业务数据进行预测，获取预测业务数据，之后还包括：获取与所述监控指标对应的标准业务数据；基于所述预测业务数据和所述标准业务数据，判断所述预测业务数据是否符合所述标准业务数据；若所述预测业务数据不符合所述标准业务数据，则获取监控数据异常的监控结果。6.如权利要求4所述的数据监...

【专利技术属性】
技术研发人员：张川，顾青山，金鑫，温善安，李磊，王定鑫，李泳章，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44