等级预测模型训练方法、等级预测方法、装置及电子设备制造方法及图纸

本申请提供了一种等级预测模型训练方法、等级预测方法、装置及电子设备，其中，该方法包括获取历史用户数据；从所述历史用户数据中确定出训练数据，所述训练数据包括多个用户在周期内的周期起点至周期中间指定时间节点的用户数据；将所述训练数据输入待训练模型中进行训练，得到等级预测模型，所述等级预测模型用于预测用户在当前周期的下一周期中的等级状态。

【技术实现步骤摘要】
等级预测模型训练方法、等级预测方法、装置及电子设备
本申请涉及数据处理
，具体而言，涉及一种等级预测模型训练方法、等级预测方法、装置及电子设备。
技术介绍
各类网约服务的服务状况的最主要的指标是用户群体的活跃程度。因此，网约服务的运行状况可以通过用户活跃状态了解。基于此，相关技术人员可以统计用户当前使用状态，了解网约服务中的用户活跃度。但是，针对用户的未来可能的状态还处于未知，也就导致了网约服务的维护存在障碍。
技术实现思路
有鉴于此，本申请实施例的目的在于提供一种等级预测模型训练方法、等级预测方法、装置及电子设备，能够通过周期内的一段时间中的数据进行训练可以得到用于预测后面周期的用户的等级情况，解决现有技术中存在的对用户的未来的状况不了解，导致的用户管理方便的问题，达到等级预测模型用于预测用户在当前周期的下一周期中的等级状态，实现对用户的状态有效预测的效果。根据本申请的一个方面，提供一种电子设备，可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，以执行一个或多个以下操作：获取历史用户数据；从所述历史用户数据中确定出训练数据，所述训练数据包括多个用户在周期内的周期起点至周期中间指定时间节点的用户数据；将所述训练数据输入待训练模型中进行训练，得到等级预测模型，所述等级预测模型用于预测用户在当前周期的下一周期中的等级状态。本申请实施例提供的等级预测模型训练方法，采用用户在一周期的一段时间的数据对模型进行训练，可以训练出用于预测用户在下一周期的用户等级，与现有技术中的对未来的状况不了解相比，其可以得到有效预测用户在未来的时间段的等级状态。在一些实施例中，所述从所述历史用户数据中确定出训练数据的步骤，包括：根据预先设定的预测参数量从所述历史用户数据中确定出训练数据，所述预测参数量表示作为待训练模型的任意一项输入数据覆盖时间范围占一周期时间总长的比例。进一步，本申请实施例提供的等级预测模型训练方法，还可以通过预先设定的预测参数量选择训练数据，可以使等级预测模型的训练灵活性更高，适应对不同预测参数量的选择。在一些实施例中，所述待训练模型包括二分类模型，所述将所述训练数据输入待训练模型中进行训练，得到等级预测模型的步骤，包括：将所述训练数据输入所述二分类模型中进行分类训练，得到输出结果；将所述输出结果与所述训练数据的标记数据进行损失计算，得到当前损失误差；判断所述损失误差是否小于设定值；若否，则调整所述二分类模型中的待确定参数，得到更新的二分类模型；若是；则将当前的二分类模型作为等级预测模型。在一些实施例中，所述二分类模型是SparkMlib中的分类模块；所述将所述训练数据输入待训练模型中进行训练，得到等级预测模型的步骤，包括：使用SparkMlib中的分类模块进行单机式训练，得到等级预测模型；或者，使用SparkMlib中的分类模块进行分布式训练，得到等级预测模型。通过选择SparkMlib模型可以使等级预测模型的灵活性更高，可以适用于训练数据量较大的模型的训练，也可以适应于训练数据量较小的模型的训练。在一些实施例中，所述获取历史用户数据的步骤，包括：从所述用户数据服务器中随机筛选出设定数量的用户的历史用户数据。在一些实施例中，所述从所述历史用户数据中确定出训练数据的步骤，包括：采用简单随机抽样方式从所述用户数据服务器中筛选出设定数量的用户的历史用户数据；或者，采用哈希加盐算法从所述用户数据服务器中筛选出设定数量的用户的历史用户数据。采用随机的方式选择一些用户数据作为训练数据，可以使用训练数据不存在偏向性，可以使训练出来的等级预测模型适应性更强。在一些实施例中，所述从所述历史用户数据中确定出训练数据的步骤，包括：从所述用户数据服务器中筛选出第一设定数量的第一类用户的历史用户数据，所述第一类用户为所述第一类用户的历史用户数据对应周期的下一周期将被降低等级的用户；从所述用户数据服务器中筛选出第二设定数量的第二类用户的历史用户数据，所述第二类用户为所述第二类用户的历史用户数据对应周期的下一周期将被升高等级或保持等级的用户。在一些实施例中，所述第一设定数量与所述第二设定数量的比值在设定范围内。选择一定量的所述第一类用户的历史用户数据和所述第二类用户的历史用户数据作为训练数据，可以使用训练的等级预测模型更加均衡，从而使用训练出来的等级预测模型对用户的预测的准确度更高。在另一方面，本申请实施例提供一种等级预测方法，包括：获取待预测用户在当前周期的设定时间段内的目标用户数据；将所述目标用户数据输入上述的等级预测模型中进行计算，得到所述待预测用户在当前周期的下一周期的等级预测结果。在一些实施例中，所述将所述目标用户数据输入上述的等级预测模型中进行计算，得到所述待预测用户在当前周期的下一周期的等级预测结果的步骤，包括：将所述目标用户数据输入所述等级预测模型中进行计算，得到所述目标用户下一周期将被降低等级的第一概率；将所述第一概率与设定概率进行比较，得出所述待预测用户下一周期的预测等级，将所述第一概率及所述预测等级作为所述待预测用户的等级预测结果。在一些实施例中，所述将所述目标用户数据输入上述的等级预测模型中进行计算，得到所述待预测用户在当前周期的下一周期的等级的步骤，包括：将所述目标用户数据中的第一组目标用户数据输入第一等级预测模型中进行计算，得到第一等级预测结果；或/及，将所述目标用户数据中的第二组目标用户数据输入第二等级预测模型中进行计算，得到第二等级预测结果，所述第一组目标用户数据覆盖的时间长度小于所述第二组目标用户数据覆盖的时间长度，所述第一等级预测结果或/及第二等级预测结果作为所述待预测用户的等级预测结果。在一些实施例中，所述方法还包括：将所述等级预测结果发送给所述待预测用户对应的用户终端。通过将等级预测结果发送给用户，可以使用户能够了解到自己下一周期可能的等级，促使用户可能采取一些补救措施，避免自己被降级。在一些实施例中，所述方法还包括：根据所述等级预测结果为所述待预测用户生成激励策略，所述激励策略包括抵用券、服务赠送中的至少一种；将所述激励策略发送给所述待预测用户对应的用户终端。通过给用户发送激励策略可以调动用户的活跃度，从而可以提高网约服务平台的活跃度。在一些实施例中，所述方法还包括：根据所述等级预测结果为所述待预测用户生成预测标签；将所述预测标签发送给用户标签数据库。将用户的预测标签存储在标签数据库中，可以方便平台了解用户在未来的周期的等级情况，从而可以采用一些补救措施。在另一方面，本申请实施例还提供本文档来自技高网...

【技术保护点】
1.一种等级预测模型训练方法，其特征在于，包括：/n获取历史用户数据；/n从所述历史用户数据中确定出训练数据，所述训练数据包括多个用户在周期内的周期起点至周期中间指定时间节点的用户数据；/n将所述训练数据输入待训练模型中进行训练，得到等级预测模型，所述等级预测模型用于预测用户在当前周期的下一周期中的等级状态。/n

【技术特征摘要】
1.一种等级预测模型训练方法，其特征在于，包括：
获取历史用户数据；
从所述历史用户数据中确定出训练数据，所述训练数据包括多个用户在周期内的周期起点至周期中间指定时间节点的用户数据；
将所述训练数据输入待训练模型中进行训练，得到等级预测模型，所述等级预测模型用于预测用户在当前周期的下一周期中的等级状态。


2.如权利要求1所述的方法，其特征在于，所述从所述历史用户数据中确定出训练数据的步骤，包括：
根据预先设定的预测参数量从所述历史用户数据中确定出训练数据，所述预测参数量表示作为待训练模型的任意一项输入数据覆盖时间范围占一周期时间总长的比例。


3.如权利要求1所述的方法，其特征在于，所述待训练模型包括二分类模型，所述将所述训练数据输入待训练模型中进行训练，得到等级预测模型的步骤，包括：
将所述训练数据输入所述二分类模型中进行分类训练，得到输出结果；
将所述输出结果与所述训练数据的标记数据进行损失计算，得到当前损失误差；
判断所述损失误差是否小于设定值；
若否，则调整所述二分类模型中的待确定参数，得到更新的二分类模型；
若是；则将当前的二分类模型作为等级预测模型。


4.如权利要求3所述的方法，其特征在于，所述二分类模型是SparkMlib中的分类模块；所述将所述训练数据输入待训练模型中进行训练，得到等级预测模型的步骤，包括：
使用SparkMlib中的分类模块进行单机式训练，得到等级预测模型；或者，
使用SparkMlib中的分类模块进行分布式训练，得到等级预测模型。


5.如权利要求1-4任意一项所述的方法，其特征在于，所述获取历史用户数据的步骤，包括：
从用户数据服务器中随机筛选出设定数量的用户的历史用户数据。


6.如权利要求1-4任意一项所述的方法，其特征在于，所述从所述历史用户数据中确定出训练数据的步骤，包括：
采用简单随机抽样方式从用户数据服务器中筛选出设定数量的用户的历史用户数据；或者，
采用哈希加盐算法从所述用户数据服务器中筛选出设定数量的用户的历史用户数据。


7.如权利要求1-4任意一项所述的方法，其特征在于，所述从所述历史用户数据中确定出训练数据的步骤，包括：
从所述用户数据服务器中筛选出第一设定数量的第一类用户的历史用户数据，所述第一类用户为所述第一类用户的历史用户数据对应周期的下一周期将被降低等级的用户；
从所述用户数据服务器中筛选出第二设定数量的第二类用户的历史用户数据，所述第二类用户为所述第二类用户的历史用户数据对应周期的下一周期将被升高等级或保持等级的用户。


8.如权利要求7所述的方法，其特征在于，所述第一设定数量与所述第二设定数量的比值在设定范围内。


9.一种等级预测方法，其特征在于，包括：
获取待预测用户在当前周期的设定时间段内的目标用户数据；
将所述目标用户数据输入权利要求1-8任意一项所述的等级预测模型中进行计算，得到所述待预测用户在当前周期的下一周期的等级预测结果。


10.如权利要求9所述的方法，其特征在于，所述将所述目标用户数据输入权利要求1-8任意一项所述的等级预测模型中进行计算，得到所述待预测用户在当前周期的下一周期的等级预测结果的步骤，包括：
将所述目标用户数据输入所述等级预测模型中进行计算，得到所述目标用户下一周期将被降低等级的第一概率；
将所述第一概率与设定概率进行比较，得出所述待预测用户下一周期的预测等级，将所述第一概率及所述预测等级作为所述待预测用户的等级预测结果。


11.如权利要求9所述的方法，其特征在于，所述将所述目标用户数据输入权利要求1-8任意一项所述的等级预测模型中进行计算，得到所述待预测用户在当前周期的下一周期的等级的步骤，包括：
将所述目标用户数据中的第一组目标用户数据输入第一等级预测模型中进行计算，得到第一等级预测结果；或/及，
将所述目标用户数据中的第二组目标用户数据输入第二等级预测模型中进行计算，得到第二等级预测结果，所述第一组目标用户数据覆盖的时间长度小于所述第二组目标用户数据覆盖的时间长度，所述第一等级预测结果或/及第二等级预测结果作为所述待预测用户的等级预测结果。


12.如权利要求9-11任意一项所述的方法，其特征在于，所述方法还包括：
将所述等级预测结果发送给所述待预测用户对应的用户终端。


13.如权利要求9-11任意一项所述的方法，其特征在于，所述方法还包括：
根据所述等级预测结果为所述待预测用户生成激励策略，所述激励策略包括抵用券、服务赠送中的至少一种；
将所述激励策略发送给所述待预测用户对应的用户终端。


14.如权利要求9-11任意一项所述的方法，其特征在于，所述方法还包括：
根据所述等级预测结果为所述待预测用户生成预测标签；
将所述预测标签发送给用户标签数据库。


15.一种等级预测模型训练装置，其特征在于，包括：
第一获取模块，用于获取历史用户数据；
确定模块，用于从所述历史...

【专利技术属性】
技术研发人员：石贤芝，丁建栋，杨育，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11