交易上链预测模型构建方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及互联网和区块链技术领域，提供一种交易上链预测模型构建方法、装置、电子设备及存储介质，该方法包括：收集各个交易的自身开销信息和在预设时间点之前的总开销信息，构建原始数据集；通过均值计算、趋势计算和涨跌幅计算对原始数据集进行衍生，得到目标训练数据集；根据各个交易的区块链信息和目标训练数据集，构建最终训练数据集；通过预设集成机器学习模型方式结合最终训练数据集进行模型训练，得到交易上链预测模型。本申请实施例提供的交易上链预测模型构建方法通过机器学习算法，结合开销信息维度、时间维度和衍生维度构建出维度完善的交易上链预测模型，通过交易上链预测模型准确地预测成功率，提升交易上链成功率预测的准确性。成功率预测的准确性。成功率预测的准确性。

【技术实现步骤摘要】
交易上链预测模型构建方法、装置、电子设备及存储介质


[0001]本申请涉及互联网和区块链
，尤其涉及一种交易上链预测模型构建方法、装置、电子设备及存储介质。

技术介绍

[0002]目前主要的交易上链成功率预测方法是：通过获取目标节点的目标历史交易对应的状态数据；将状态数据输入至环境预测模型，得到环境预测模型输出的状态数据的目标类型标签；根据标记有目标类型标签且交易状态为成功状态的训练样本，在所有标记有目标类型标签的训练样本中所占的比例，确定交易请求的目标交易成功率；根据目标交易成功率与成功率阈值的大小关系，确定是否执行交易请求对应的交易操作。然而，目前主要的交易上链成功率预测方法训练样本构建方法考虑特征维度不够完善，采取基于比例计算交易上链成功率预测，导致交易上链成功率预测的准确性低。

技术实现思路

[0003]本申请提供一种交易上链预测模型构建方法、装置、电子设备及存储介质，旨在提升交易上链成功率预测的准确性。
[0004]第一方面，本申请提供一种交易上链预测模型构建方法，包括：
[0005]收集各个交易的自身开销信息，以及收集各个所述交易在预设时间点之前的总开销信息，构建原始数据集；
[0006]通过均值计算、趋势计算和涨跌幅计算对所述原始数据集进行衍生，得到目标训练数据集；
[0007]确定各个所述交易的区块链信息，根据各个所述区块链信息和所述目标训练数据集，构建最终训练数据集；
[0008]通过预设集成机器学习模型方式结合所述最终训练数据集进行模型训练，得到交易上链预测模型。
[0009]在一个实施例中，所述通过预设集成机器学习模型方式结合所述最终训练数据集进行模型训练，得到交易上链预测模型，包括：
[0010]构建多个弱学习模型，以及通过所述最终训练数据集对各个所述弱学习模型进行模型训练，输出各个目标预测结果；
[0011]构建混合学习模型，以及通过各个所述目标预测结果对所述混合学习模型进行模型训练，得到所述交易上链预测模型。
[0012]所述通过所述最终训练数据集对各个所述弱学习模型进行模型训练，输出各个目标预测结果，包括：
[0013]拆分所述最终训练数据集，得到训练数据集和验证数据集；
[0014]通过训练数据集对各个所述弱学习模型进行模型训练，得到训练后的各个弱学习模型；
[0015]通过各个所述训练后的各个弱学习模型对所述验证数据集进行预测，输出各个待预测结果；
[0016]对各个所述待预测结果进行合并，得到各个所述目标预测结果。
[0017]所述收集各个交易的自身开销信息，以及收集各个所述交易在预设时间点之前的总开销信息，构建原始数据集，包括：
[0018]收集各个所述交易的自身CPU开销信息和自身存储开销信息；
[0019]收集各个所述交易在所述预设时间点之前，预设数量块生成周期中各个块生成周期的交易总数、CPU总开销信息和存储总开销信息；
[0020]根据各个所述交易的自身CPU开销信息和自身存储开销信息，以及各个所述块生成周期的交易总数、CPU总开销信息和存储总开销信息，构建所述原始数据集。
[0021]所述通过均值计算、趋势计算和涨跌幅计算对所述原始数据集进行衍生，得到目标训练数据集，包括：
[0022]根据所述原始数据集中的各个所述交易，以及结合所述预设时间点和所述预设数量对各个块生成周期的交易总数、CPU总开销信息和存储总开销信息进行聚合计算，得到聚合后的数据集；
[0023]通过均值计算、趋势计算和涨跌幅计算对所述聚合后的数据集进行衍生，生成携带有多个衍生特征信息的目标训练数据集。
[0024]所述根据各个所述区块链信息和所述目标训练数据集，构建最终训练数据集，包括：
[0025]将所述目标训练数据集中各个所述交易基于所述预设时间点和所述预设数量得到的各个块生成周期的交易总数、CPU总开销信息和存储总开销信息；以及
[0026]各个所述交易的均值衍生值、趋势衍生值和涨跌幅衍生值；以及
[0027]各个所述交易的自身CPU开销信息和自身存储开销信息，与各个所述交易的区块链信息进行绑定，构建所述最终训练数据集。
[0028]所述通过预设集成机器学习模型方式结合所述最终训练数据集进行模型训练，得到交易上链预测模型之后，还包括：
[0029]间隔预设时长收集各个最新交易的自身开销信息，以及收集各个所述最新交易在预设时间点之前的总开销信息；
[0030]通过预设集成机器学习模型方式，结合各个所述最新交易的自身开销信息和各个所述最新交易在预设时间点之前的总开销信息进行模型训练，得到新的交易上链预测模型；
[0031]根据所述新的交易上链预测模型，更新所述交易上链预测模型。
[0032]第二方面，本申请还提供一种交易上链预测模型构建装置包括：
[0033]收集构建模块，用于收集各个交易的自身开销信息，以及收集各个所述交易在预设时间点之前的总开销信息，构建原始数据集；
[0034]衍生模块，用于通过均值计算、趋势计算和涨跌幅计算对所述原始数据集进行衍生，得到目标训练数据集；
[0035]确定构建模块，用于确定各个所述交易的区块链信息，根据各个所述区块链信息和所述目标训练数据集，构建最终训练数据集；
[0036]模型训练模块，用于通过预设集成机器学习模型方式结合所述最终训练数据集进行模型训练，得到交易上链预测模型。
[0037]第三方面，本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述交易上链预测模型构建方法的步骤。
[0038]第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述交易上链预测模型构建方法的步骤。
[0039]第五方面，本申请还提供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，所述计算机程序被所述处理器执行时实现第一方面所述交易上链预测模型构建方法的步骤。
[0040]本申请提供的交易上链预测模型构建方法、装置、设备及计算机程序产品，在交易上链预测模型构建的过程中，通过机器学习算法，结合各个交易的自身开销信息和总开销信息维度，以及时间维度，以及均值特征维度、趋势特征维度和涨跌幅特征维度构建出维度完善的交易上链预测模型，使得通过交易上链预测模型能够准确地预测出交易上链成功率，从而提升了交易上链成功率预测的准确性。
附图说明
[0041]为了更清楚地说明本申请的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
[0042]图1是本申请提供的交易上链预测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交易上链预测模型构建方法，其特征在于，包括：收集各个交易的自身开销信息，以及收集各个所述交易在预设时间点之前的总开销信息，构建原始数据集；通过均值计算、趋势计算和涨跌幅计算对所述原始数据集进行衍生，得到目标训练数据集；确定各个所述交易的区块链信息，根据各个所述区块链信息和所述目标训练数据集，构建最终训练数据集；通过预设集成机器学习模型方式结合所述最终训练数据集进行模型训练，得到交易上链预测模型。2.根据权利要求1所述的交易上链预测模型构建方法，其特征在于，所述通过预设集成机器学习模型方式结合所述最终训练数据集进行模型训练，得到交易上链预测模型，包括：构建多个弱学习模型，以及通过所述最终训练数据集对各个所述弱学习模型进行模型训练，输出各个目标预测结果；构建混合学习模型，以及通过各个所述目标预测结果对所述混合学习模型进行模型训练，得到所述交易上链预测模型。3.根据权利要求2所述的交易上链预测模型构建方法，其特征在于，所述通过所述最终训练数据集对各个所述弱学习模型进行模型训练，输出各个目标预测结果，包括：拆分所述最终训练数据集，得到训练数据集和验证数据集；通过训练数据集对各个所述弱学习模型进行模型训练，得到训练后的各个弱学习模型；通过各个所述训练后的各个弱学习模型对所述验证数据集进行预测，输出各个待预测结果；对各个所述待预测结果进行合并，得到各个所述目标预测结果。4.根据权利要求1所述的交易上链预测模型构建方法，其特征在于，所述收集各个交易的自身开销信息，以及收集各个所述交易在预设时间点之前的总开销信息，构建原始数据集，包括：收集各个所述交易的自身CPU开销信息和自身存储开销信息；收集各个所述交易在所述预设时间点之前，预设数量块生成周期中各个块生成周期的交易总数、CPU总开销信息和存储总开销信息；根据各个所述交易的自身CPU开销信息和自身存储开销信息，以及各个所述块生成周期的交易总数、CPU总开销信息和存储总开销信息，构建所述原始数据集。5.根据权利要求4所述的交易上链预测模型构建方法，其特征在于，所述通过均值计算、趋势计算和涨跌幅计算对所述原始数据集进行衍生，得到目标训练数据集，包括：根据所述原始数据集中的各个所述交易，以及结合所述预设时间点和所述预设数量对各个块生成周期的交易总数、CPU总开...

【专利技术属性】
技术研发人员：郑旭晓，方有轩，叶可可，张晓京，赵思远，张晶，黄梦芝，郭晓震，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：