基于人工智能的数据预测方法、装置、设备及存储介质制造方法及图纸

本申请实施例属于人工智能领域，涉及一种基于人工智能的数据预测方法，包括：获取样本客户的服务敏感度与影响因子；对基础因子进行特征工程得到数值特征；基于饱和度预测模型对线上因子、服务因子以及移动定位服务因子进行处理，生成各因子对应的预测评分；基于服务敏感度、数值特征、各因子的预测评分构建训练集与测试集，并对初始预测模型进行训练与测试，得到训练好的服务敏感度预测模型；基于服务敏感度预测模型生成目标客户的目标服务敏感度。本申请还提供一种基于人工智能的数据预测装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标服务敏感度可存储于区块链中。本申请可以有效提升服务敏感度预测模型的模型预测效果。模型预测效果。模型预测效果。

【技术实现步骤摘要】
基于人工智能的数据预测方法、装置、设备及存储介质


[0001]本申请涉及人工智能开发
，尤其涉及基于人工智能的数据预测方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着现代网络科技的快速发展，大数据被应用在越来越多的金融科技领域的业务场景中，在给人们的生活带来便利、创造价值的同时，一系列安全问题也随之而来。人们开始更加注重个人信息的安全性，而随着《个人信息保护法》等相关的法律出台，客户信息的采集成本大幅提高，其采集流程也变得越来越复杂。对于大数据应用而言，能够用于建模预测的样本数据也出现了因子饱和度低、的问题。目前，在金融科技企业在进行预测客户服务敏感度的处理过程中，更是出现了一些对于服务敏感度影响大，但实际数据饱和度低的因子，目前的处理方式是直接将这些饱和度低的因子剔除后再进行服务敏感度模型的训练构建。然而，单纯地将这些饱和度低的因子弃用则会对模型准确度造成影响，从而导致后续经过模型预测处理后生成的客户的服务敏感度的准确度较低。

技术实现思路

[0003]本申请实施例的目的在于提出一种基于人工智能的数据预测方法、装置、计算机设备及存储介质，以解决现有的在金融科技企业在进行预测客户服务敏感度的处理过程中将这些饱和度低的因子剔除后再进行服务敏感度模型的训练构建的方式，会导致后续经过模型预测处理后生成的客户的服务敏感度的准确度较低的技术问题。
[0004]为了解决上述技术问题，本申请实施例提供一种基于人工智能的数据预测方法，采用了如下所述的技术方案：
[0005]获取样本客户的服务敏感度，并获取与所述服务敏感度对应的影响因子；其中，所述影响因子包括基础因子、线上因子、服务因子以及移动定位服务因子；
[0006]对所述基础因子进行特征工程处理，得到对应的数值特征；
[0007]基于预设的饱和度预测模型对所述线上因子、服务因子以及移动定位服务因子进行处理，生成与所述线上因子对应的第一预测评分、与所述服务因子对应的第二预测评分，以及与所述移动定位服务因子对应的第三预测评分；
[0008]基于所述服务敏感度、所述数值特征、所述第一预测评分、所述第二预测评分以及所述第三预测评分构建训练集与测试集；
[0009]将所述训练集中的所述数值特征、所述第一预测评分、所述第二预测评分以及所述第三预测评分作为预设的初始预测模型的输入参数，将所述训练集中的服务敏感度作为所述初始预测模型的输出参数，使用所述训练集对所述初始预测模型进行训练，并通过所述测试集对所述训练后的初始预测模型进行测试，得到训练好的服务敏感度预测模型；其中，所述初始预测模型为基于LGBM算法构建的模型；
[0010]基于所述服务敏感度预测模型对待处理的目标客户进行服务敏感度预测处理，生
成所述目标客户的目标服务敏感度。
[0011]进一步的，所述基于预设的饱和度预测模型对所述线上因子、服务因子以及移动定位服务因子进行处理，生成与所述线上因子对应的第一预测评分、与所述服务因子对应的第二预测评分，以及与所述移动定位服务因子对应的第三预测评分的步骤，具体包括：
[0012]对于每一类指定因子，将所述指定因子中数据值为空的数据作为负样本，并将所述指定因子中数据值不为空的数据作为正样本，构建得到与所述指定因子对应的样本数据；其中，所述指定因子包括所述线上因子、所述服务因子以及所述移动定位服务因子；
[0013]基于预设的过采样算法对所述样本数据进行采集处理，生成处理后的指定样本数据；
[0014]将所述指定样本数据输入至所述饱和度预测模型内，通过所述饱和度预测模型对所述指定因子进行的饱和度进行预测处理，生成与所述指定因子对应的预测评分。
[0015]进一步的，所述对所述基础因子进行特征工程处理，得到对应的数值特征的步骤，具体包括：
[0016]对所述基础因子进行数值特征归一化处理，得到对应的第一特征数据；
[0017]对所述第一特征数据进行数据分箱处理，得到对应的第二特征数据；
[0018]对所述第二特征数据进行离散特征数值化处理，得到对应的第三特征数据；
[0019]将所述第三特征数据作为所述数值特征。
[0020]进一步的，所述获取样本客户的服务敏感度，并获取与所述服务敏感度对应的影响因子的步骤，具体包括：
[0021]获取所述样本客户的服务敏感度；
[0022]获取与所述服务敏感度对应的所有初始影响因子；
[0023]基于预设的多种分析方法对所述初始影响因子进行因子分析，从所述初始影响因子筛选出所述影响因子。
[0024]进一步的，所述基于预设的多种分析方法对所述初始影响因子进行因子分析，从所述初始影响因子筛选出所述影响因子的步骤，具体包括：
[0025]使用因子分析方法对所述初始影响因子进行分析筛选，得到第一影响因子；
[0026]使用主成分分析方法所述初始影响因子进行分析筛选，得到第二影响因子；
[0027]使用基于相关系数的相关性分析方法对所述初始影响因子进行分析筛选，得到第三影响因子；
[0028]对所述第一影响因子、所述第二影响因子、所述第三影响因子进行整合过滤，得到所述影响因子。
[0029]进一步的，所述对所述第一影响因子、所述第二影响因子、所述第三影响因子进行整合过滤，得到所述影响因子的步骤，具体包括：
[0030]对所述第一影响因子、所述第二影响因子以及所述第三影响因子进行整合处理，得到因子集合；
[0031]筛选出所述因子集合中重复出现的第四影响因子；
[0032]将所述第四影响因子作为所述影响因子。
[0033]进一步的，所述基于所述服务敏感度预测模型对待处理的目标客户进行服务敏感度预测处理，生成所述目标客户的目标服务敏感度的步骤，具体包括：
[0034]获取待处理的目标客户的因子数据；
[0035]基于所述服务敏感度预测模型对所述因子数据进行服务敏感度预测处理，生成所述目标客户的目标服务敏感度。
[0036]为了解决上述技术问题，本申请实施例还提供一种基于人工智能的数据预测装置，采用了如下所述的技术方案：
[0037]获取模块，用于获取样本客户的服务敏感度，并获取与所述服务敏感度对应的影响因子；其中，所述影响因子包括基础因子、线上因子、服务因子以及移动定位服务因子；
[0038]第一处理模块，用于对所述基础因子进行特征工程处理，得到对应的数值特征；
[0039]第二处理模块，用于基于预设的饱和度预测模型对所述线上因子、服务因子以及移动定位服务因子进行处理，生成与所述线上因子对应的第一预测评分、与所述服务因子对应的第二预测评分，以及与所述移动定位服务因子对应的第三预测评分；
[0040]构建模块，用于基于所述服务敏感度、所述数值特征、所述第一预测评分、所述第二预测评分以及所述第三预测评分构建训练集与测试集；
[0041]训练模块，用于将所述训练集中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的数据预测方法，其特征在于，包括下述步骤：获取样本客户的服务敏感度，并获取与所述服务敏感度对应的影响因子；其中，所述影响因子包括基础因子、线上因子、服务因子以及移动定位服务因子；对所述基础因子进行特征工程处理，得到对应的数值特征；基于预设的饱和度预测模型对所述线上因子、服务因子以及移动定位服务因子进行处理，生成与所述线上因子对应的第一预测评分、与所述服务因子对应的第二预测评分，以及与所述移动定位服务因子对应的第三预测评分；基于所述服务敏感度、所述数值特征、所述第一预测评分、所述第二预测评分以及所述第三预测评分构建训练集与测试集；将所述训练集中的所述数值特征、所述第一预测评分、所述第二预测评分以及所述第三预测评分作为预设的初始预测模型的输入参数，将所述训练集中的服务敏感度作为所述初始预测模型的输出参数，使用所述训练集对所述初始预测模型进行训练，并通过所述测试集对所述训练后的初始预测模型进行测试，得到训练好的服务敏感度预测模型；其中，所述初始预测模型为基于LGBM算法构建的模型；基于所述服务敏感度预测模型对待处理的目标客户进行服务敏感度预测处理，生成所述目标客户的目标服务敏感度。2.根据权利要求1所述的基于人工智能的数据预测方法，其特征在于，所述基于预设的饱和度预测模型对所述线上因子、服务因子以及移动定位服务因子进行处理，生成与所述线上因子对应的第一预测评分、与所述服务因子对应的第二预测评分，以及与所述移动定位服务因子对应的第三预测评分的步骤，具体包括：对于每一类指定因子，将所述指定因子中数据值为空的数据作为负样本，并将所述指定因子中数据值不为空的数据作为正样本，构建得到与所述指定因子对应的样本数据；其中，所述指定因子包括所述线上因子、所述服务因子以及所述移动定位服务因子；基于预设的过采样算法对所述样本数据进行采集处理，生成处理后的指定样本数据；将所述指定样本数据输入至所述饱和度预测模型内，通过所述饱和度预测模型对所述指定因子进行的饱和度进行预测处理，生成与所述指定因子对应的预测评分。3.根据权利要求1所述的基于人工智能的数据预测方法，其特征在于，所述对所述基础因子进行特征工程处理，得到对应的数值特征的步骤，具体包括：对所述基础因子进行数值特征归一化处理，得到对应的第一特征数据；对所述第一特征数据进行数据分箱处理，得到对应的第二特征数据；对所述第二特征数据进行离散特征数值化处理，得到对应的第三特征数据；将所述第三特征数据作为所述数值特征。4.根据权利要求1所述的基于人工智能的数据预测方法，其特征在于，所述获取样本客户的服务敏感度，并获取与所述服务敏感度对应的影响因子的步骤，具体包括：获取所述样本客户的服务敏感度；获取与所述服务敏感度对应的所有初始影响因子；基于预设的多种分析方法对所述初始影响因子进行因子分析，从所述初始影响因子筛选出所述影响因子。5.根据权利要求4所述的基于人工智能的数据预测方法，其特征在于，所述基于预设的
多种分析方法对所述...

【专利技术属性】
技术研发人员：赵文婕，徐宁，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：