行为预测方法及装置制造方法及图纸

本申请公开了一种行为预测方法及装置，方法包括：获取至少一个时间周期对应的静态特征集，静态特征集中的静态特征为预设时间段内的发生特定行为的正样本的静态特征及未发生特定行为的负样本的静态特征；基于静态特征集获取样本的动态特征集；基于静态特征集及动态特征集，组合得到样本的建模数据集；对建模数据集进行训练，得到行为预测模型，行为预测模型用于输出待预测对象的标签，标签用于指示待预测对象是否发生特定行为。本申请实施例通过获取的静态特征计算得到样本的动态特征，进而对包括静态特征及动态特征的建模数据集进行训练，得到行为预测模型，使得预测模型的预测结果更准确，提高了特定行为预测的准确性。

【技术实现步骤摘要】
行为预测方法及装置
本申请一般涉及机器学习
，具体涉及一种行为预测方法及装置。
技术介绍
随着机器学习技术的发展与成熟，被逐渐应用到越来越多的领域。如大数据挖掘、计算机视觉及员工管理等领域。目前，在员工管理中，使用员工的二分类判别模型，来预测员工往后一段时间特定行为是否会发生。如采集前期员工的薪资、绩效、奖惩、以及其他个人信息，预测员工后期是否会离职，以指导管理者的管理行为。由于影响特定行为的发生是多维度因素影响的结果，在使用二分类模型预测员工行为时，仅仅考虑了静态因素，从而使得采集的样本维度单一，导致生成的预测模型准确度差。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种行为预测方法及装置，以提高行为预测的准确性。第一方面，本申请实施例提供一种行为预测方法，该方法包括：获取至少一个时间周期对应的样本的静态特征集，该静态特征集中的每一类静态特征为与该时间周期相邻的预设时间段内的样本的静态特征，该静态特征集包括发生特定行为的正样本的静态特征及未发生特定行为的负样本的静态特征；<本文档来自技高网...

【技术保护点】
1.一种行为预测方法，其特征在于，所述方法包括：/n获取至少一个时间周期对应的静态特征集，所述静态特征集中的每一类静态特征为与所述时间周期相邻的，且位于所述时间周期前的预设时间段内的所述样本的静态特征，所述静态特征集包括发生特定行为的正样本的静态特征及未发生特定行为的负样本的静态特征；/n基于所述静态特征集获取所述样本的动态特征集；/n基于所述静态特征集及所述动态特征集，组合得到所述样本的建模数据集；/n对所述建模数据集进行训练，得到行为预测模型，所述行为预测模型用于输出待预测对象的标签，所述标签用于指示所述待预测对象是否发生特定行为。/n

【技术特征摘要】
1.一种行为预测方法，其特征在于，所述方法包括：
获取至少一个时间周期对应的静态特征集，所述静态特征集中的每一类静态特征为与所述时间周期相邻的，且位于所述时间周期前的预设时间段内的所述样本的静态特征，所述静态特征集包括发生特定行为的正样本的静态特征及未发生特定行为的负样本的静态特征；
基于所述静态特征集获取所述样本的动态特征集；
基于所述静态特征集及所述动态特征集，组合得到所述样本的建模数据集；
对所述建模数据集进行训练，得到行为预测模型，所述行为预测模型用于输出待预测对象的标签，所述标签用于指示所述待预测对象是否发生特定行为。


2.根据权利要求1所述的行为预测方法，其特征在于，所述获取至少一个时间周期对应的样本的静态特征集包括：
获取多个时间周期对应的正样本的静态特征及一个时间周期对应的负样本的静态特征。


3.根据权利要求1所述的行为预测方法，其特征在于，所述基于所述静态特征集获取所述样本的动态特征集包括：
计算所述预设时间段中的第一时间段内的第一类静态特征值与第二时间段内的所述第一类静态特征值的差值，得到第一动态特征；和/或
计算所述预设时间段中的第一时间段内的第一类静态特征值与所述第一时间内的所有样本的所述第一类静态特征值的平均值的差值，得到第二动态特征。


4.根据权利要求1-3任一项所述的行为预测方法，其特征在于，在对所述特征集进行训练之前，所述方法还包括：
将所述建模数据集按照所述样本的预设比例分为训练集和测试集；
且在对所述训练集进行训练得到所述行为预测模型之后，所述方法还包括：
将所述测试集中的样本的静态特征和/或动态特征输入到所述行为预测模型，输出所述测试集中的所述样本的标签，所述标签用于指示所述测试集中的所述样本是否发生特定行为。


5.根据权利要求1-3任一项所述的行为预测方法，所述基于所述静态特征集及所述动态特征集，得到所述样本的建模数据集包括：
利用决策树删除所述静态特征集中的静态特征；
将删除处理后的所述静态特征集与所述动态特征集进行组合得到所述...

【专利技术属性】
技术研发人员：邝贤杰，刘琼，汤芬斯蒂，路高飞，曾文烨，金晶，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：广东;44