事件发生数量的预测方法和装置制造方法及图纸

本发明专利技术公开了一种事件发生数量的预测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：响应于对事件发生数量的预测请求，获取待预测事件的属性信息，待预测事件的属性信息包括待预测事件对应的事件类型、事件区域、时间分段信息和每个时间分段对应的事件发生数量；根据事件类型和事件区域获取待预测事件对应的预测模型；根据时间分段信息和每个时间分段对应的事件发生数量进行特征提取，得到待预测事件对应的时间序列特征；将时间序列特征输入到待预测事件对应的预测模型中，以得到未来目标时间段内的事件发生数量。该实施方式能够对未来的事件发生数量进行准确预测，对市域治理部门掌控市域治理态势具有重要参考价值。考价值。考价值。

【技术实现步骤摘要】
事件发生数量的预测方法和装置


[0001]本专利技术涉及计算机
，尤其涉及一种事件发生数量的预测方法和装置。

技术介绍

[0002]在市域治理体系中，市民上报各类型或区域的事件数量往往呈现较大变化幅度。例如，当地震等灾害爆发后，举报违反灾害处理规定的事件数量呈现爆炸性增长趋势，又如上报房屋漏雨的事件数量同时呈现周期性、趋势性变化。因此，对某个区块或某类型的事件数量进行预测，对于社会治理部门提前调度人力、物资储备具有重要参考意义。
[0003]在实现本专利技术过程中，专利技术人发现现有技术目前在对事件进行预警的技术方案中，多是结合已经过去的某个时间周期内，某类型的事件是否发生数量存在异常来进行的，无法对未来发生的事件进行预测，使得社会治理部门无法提前做好防范工作。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种事件发生数量的预测方法和装置，能够分事件类型、事件区域、不同时间分段信息，基于历史数据对未来的事件发生数量进行预测，预测模型能够较好的拟合事件发生的突然增加、趋势性、周期性等，预测结果更准确，对市域治理部门掌控市域治理态势具有重要参考价值，使得社会治理部门可提前预知未来的社会治理事件发生态势，辅助提前做好防范工作。
[0005]为实现上述目的，根据本专利技术实施例的一个方面，提供了一种事件发生数量的预测方法，包括：响应于对事件发生数量的预测请求，获取待预测事件的属性信息，所述待预测事件的属性信息包括所述待预测事件对应的事件类型、事件区域、时间分段信息和每个时间分段对应的事件发生数量；根据所述事件类型和事件区域获取所述待预测事件对应的预测模型；根据所述时间分段信息和每个时间分段对应的事件发生数量进行特征提取，得到所述待预测事件对应的时间序列特征；将所述时间序列特征输入到所述待预测事件对应的预测模型中，以得到未来目标时间段内的事件发生数量。
[0006]可选地，根据所述时间分段信息和每个时间分段对应的事件发生数量进行特征提取，得到所述待预测事件对应的时间序列特征，包括：对所述时间分段信息和每个时间分段对应的事件发生数量进行特征提取以得到第一时间序列特征；对所述第一时间序列特征进行数据归一化处理，得到所述待预测事件对应的时间序列特征；并且，将所述时间序列特征输入到所述待预测事件对应的预测模型中，以得到未来目标时间段内的事件发生数量，包括：将所述时间序列特征输入到所述待预测事件对应的预测模型中，得到模型输出结果；对所述模型输出结果进行逆归一化处理，得到未来目标时间段内的事件发生数量。
[0007]可选地，所述预测模型是通过以下方式训练得到的：获取指定时间段内的事件集合，并对所述事件集合内的每个事件进行属性信息提取，以得到每个事件对应的事件类型、事件区域、和时间分段信息；根据所述每个事件对应的事件类型、事件区域和时间分段信息进行聚合处理，得到不同的事件类型、事件区域和时间分段信息对应的事件发生数量；基于
事件类型和事件区域的维度，将所述事件类型和所述事件区域对应的时间分段信息及每个时间分段信息对应的事件发生数量作为一条训练数据，以得到所述事件集合中的事件所构成的训练数据集；对所述训练数据集中的每条训练数据进行特征处理，得到训练数据特征；基于事件类型和事件区域的维度，根据所述事件类型和所述事件区域对应的训练数据的训练数据特征，基于时间序列模型进行模型训练，得到所述事件类型和所述事件区域对应的预测模型。
[0008]可选地，对所述训练数据集中的每条训练数据进行特征处理，得到训练数据特征，包括：对所述训练数据集中的每条训练数据，基于所述训练数据中的时间分段信息进行特征提取得到时段信息特征，并将所述时段信息特征与所述训练数据中的事件发生数量进行拼接，得到训练数据特征。
[0009]可选地，根据所述事件类型和所述事件区域对应的训练数据的训练数据特征，基于时间序列模型进行模型训练，得到所述事件类型和所述事件区域对应的预测模型，包括：将所述事件类型和所述事件区域对应的训练数据的训练数据特征，按照训练数据中时间分段信息的先后进行排序，并保存到矩阵中；依次从所述矩阵中选取连续的第一设定条数的训练数据特征作为模型输入，将所选取的训练数据特征之后的连续的第二设定条数的训练数据特征中的事件发生数量作为模型输出，构建样本特征，以得到所述事件类型和所述事件区域对应的样本特征集；基于时间序列模型，使用所述样本特征集进行模型训练，得到所述事件类型和所述事件区域对应的预测模型。
[0010]可选地，获取待预测事件的属性信息，包括：根据所述待预测事件的事件描述信息，使用预先训练的文本分类模型得到所述待预测事件对应的事件类型，所述文本分类模型是基于标注了事件类型的事件描述信息进行分类模型训练得到的。
[0011]可选地，获取待预测事件的属性信息，包括：根据所述待预测事件的事件地址信息得到所述待预测事件对应的经纬度值；根据所述经纬度值和每个事件区域对应的地理围栏数据，得到所述待预测事件对应的事件区域，所述地理围栏数据包括事件区域对应的经纬度区间。
[0012]根据本专利技术实施例的另一方面，提供了一种事件发生数量的预测装置，包括：属性获取模块，用于响应于对事件发生数量的预测请求，获取待预测事件的属性信息，所述待预测事件的属性信息包括所述待预测事件对应的事件类型、事件区域、时间分段信息和每个时间分段对应的事件发生数量；模型获取模块，用于根据所述事件类型和事件区域获取所述待预测事件对应的预测模型；特征提取模块，用于根据所述时间分段信息和每个时间分段对应的事件发生数量进行特征提取，得到所述待预测事件对应的时间序列特征；数量预测模块，用于将所述时间序列特征输入到所述待预测事件对应的预测模型中，以得到未来目标时间段内的事件发生数量。
[0013]根据本专利技术实施例的又一方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术实施例所提供的事件发生数量的预测方法。
[0014]根据本专利技术实施例的再一方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本专利技术实施例所提供的事件发生数量的预测方法。
[0015]上述专利技术中的一个实施例具有如下优点或有益效果：通过响应于对事件发生数量
的预测请求，获取待预测事件的属性信息，待预测事件的属性信息包括待预测事件对应的事件类型、事件区域、时间分段信息和每个时间分段对应的事件发生数量；根据事件类型和事件区域获取待预测事件对应的预测模型；根据时间分段信息和每个时间分段对应的事件发生数量进行特征提取，得到待预测事件对应的时间序列特征；将时间序列特征输入到待预测事件对应的预测模型中，以得到未来目标时间段内的事件发生数量的技术方案，基于构建的预测模型，能够分事件类型、事件区域、不同时间分段信息，基于历史数据对未来的事件发生数量进行预测，预测模型能够较好的拟合事件发生的突然增加、趋势性、周期性等，预测结果更准确，对市域治理部门本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种事件发生数量的预测方法，其特征在于，包括：响应于对事件发生数量的预测请求，获取待预测事件的属性信息，所述待预测事件的属性信息包括所述待预测事件对应的事件类型、事件区域、时间分段信息和每个时间分段对应的事件发生数量；根据所述事件类型和事件区域获取所述待预测事件对应的预测模型；根据所述时间分段信息和每个时间分段对应的事件发生数量进行特征提取，得到所述待预测事件对应的时间序列特征；将所述时间序列特征输入到所述待预测事件对应的预测模型中，以得到未来目标时间段内的事件发生数量。2.根据权利要求1所述的方法，其特征在于，根据所述时间分段信息和每个时间分段对应的事件发生数量进行特征提取，得到所述待预测事件对应的时间序列特征，包括：对所述时间分段信息和每个时间分段对应的事件发生数量进行特征提取以得到第一时间序列特征；对所述第一时间序列特征进行数据归一化处理，得到所述待预测事件对应的时间序列特征；并且，将所述时间序列特征输入到所述待预测事件对应的预测模型中，以得到未来目标时间段内的事件发生数量，包括：将所述时间序列特征输入到所述待预测事件对应的预测模型中，得到模型输出结果；对所述模型输出结果进行逆归一化处理，得到未来目标时间段内的事件发生数量。3.根据权利要求1所述的方法，其特征在于，所述预测模型是通过以下方式训练得到的：获取指定时间段内的事件集合，并对所述事件集合内的每个事件进行属性信息提取，以得到每个事件对应的事件类型、事件区域、和时间分段信息；根据所述每个事件对应的事件类型、事件区域和时间分段信息进行聚合处理，得到不同的事件类型、事件区域和时间分段信息对应的事件发生数量；基于事件类型和事件区域的维度，将所述事件类型和所述事件区域对应的时间分段信息及每个时间分段信息对应的事件发生数量作为一条训练数据，以得到所述事件集合中的事件所构成的训练数据集；对所述训练数据集中的每条训练数据进行特征处理，得到训练数据特征；基于事件类型和事件区域的维度，根据所述事件类型和所述事件区域对应的训练数据的训练数据特征，基于时间序列模型进行模型训练，得到所述事件类型和所述事件区域对应的预测模型。4.根据权利要求3所述的方法，其特征在于，对所述训练数据集中的每条训练数据进行特征处理，得到训练数据特征，包括：对所述训练数据集中的每条训练数据，基于所述训练数据中的时间分段信息进行特征提取得到时段信息特征，并将所述时段信息特征与所述训练数据中的事件发生数量进行拼接，得到训练数据特征。...

【专利技术属性】
技术研发人员：任朝淦，肖艳清，刁文波，张鹏，张钧波，
申请(专利权)人：京东科技信息技术有限公司，
类型：发明
国别省市：