模型训练方法技术

本申请提供一种模型训练方法

【技术实现步骤摘要】
模型训练方法、对象属性值确定方法、装置、设备及介质


[0001]本申请涉及人工智能
，尤其涉及一种模型训练方法
、
对象属性值确定方法
、
装置
、
设备及介质
。

技术介绍

[0002]在人工智能领域中，可以通过分析历史数据从中提取数据规律，从而预测未来某一时刻的数据
。
数据预测可在多个应用场景改善用户的生产以及生活，例如预测商品价格以及预测网络流量等场景，通过数据预测可以指导用户的生产以及生活
。
[0003]在相关技术中，数据预测基于时序数据进行预测，时序数据包括多个时段以及每个时段对应的数据，数据预测通过提取时段与数据之间的规律，预测未来时段的预测数据
。
[0004]然而，实际应用中，数据受多种因素影响，仅提取时段与数据之间的规律不能考虑到多种因素，导致模型预测不准确
。

技术实现思路

[0005]本申请提供一种模型训练方法
、
对象属性值确定方法
、
装置
、
设备及介质，用以提升预测准确性
。
[0006]第一方面，本申请提供一种模型训练方法，包括：确定初始模型，所述初始模型为季节性差分自回归滑动平均
(Seasonal Autoregressive Integrated Moving Average
，简称
SARIMA)
模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层
、
差分层
、
移动平均层和季节性差分层；确定所述初始模型中各处理层的处理阶数；根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值
、
以及各历史时段的季节信息；通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值
。
[0007]在一种可能的设计中，确定所述初始模型中各处理层的处理阶数，包括：获取多个第一历史对象数据，所述第一历史对象数据中包括所述预设对象在多个历史时刻的历史属性值；根据所述多个第一历史对象数据，确定对象属性值与时间之间的自相关信息和偏自相关信息；根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数
。
[0008]在一种可能的设计中，所述自相关信息为自相关图，所述偏自相关信息为偏自相关图；根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数，包括：确定所述自相关图的第一滞后阶数，并将所述第一滞后阶数确定为所述自回归层的处理阶数；确定所述偏自相关图的第二滞后阶数，并将所述第二滞后阶数确定为所述移动平均层的处理阶数；确定所述自相关图和所述偏自相关图的差分阶数，并将所述差分阶数确定为所述差分层的处理阶数；根据所述自相关图和所述偏自相关图的截尾信息和衰减信息，确定所述季节性差分层的处理阶数
。
[0009]在一种可能的设计中，确定训练样本，包括：确定多个第二历史对象数据，所述第二历史对象数据包括所述预设对象在多个历史时刻的历史属性值；确定所述多个历史时段，并确定每个历史时段对应的至少一个第二历史对象数据，所述历史时段对应的至少一个第二历史对象数据中的历史时刻位于所述历史时段内；针对任意一个历史时段，根据所述历史时段对应的至少一个第二历史对象数据中的历史属性值，确定所述历史时段对应的对象属性值；确定每个历史时段的季节信息；根据所述多个历史时段
、
每个历史时段对应的对象属性值
、
以及每个历史时段的季节信息，生成所述训练样本
。
[0010]在一种可能的设计中，确定多个第二历史对象数据，包括：获取多个初始历史对象数据，所述初始历史对象数据包括所述预设对象在多个历史时刻的历史属性值；对所述初始历史对象数据进行预处理，得到所述第二历史对象数据，所述预处理包括如下至少一种：缺失值填充处理
、
异常值剔除处理
、
非线性化处理和平稳型检测处理
。
[0011]在一种可能的设计中，通过所述训练样本对所述待训练模型进行训练，得到目标模型之后，还包括：获取验证数据集，所述验证数据集中包括验证输入数据和验证输出数据，所述验证输入数据包括所述预设对象在多个历史时段内的对象属性值
、
以及各历史时段的季节信息，所述验证输出数据包括所述预设对象在验证时刻的标注对象属性值，所述多个历史时段位于所述验证时刻之前；通过所述目标模型对所述验证输入数据进行处理，得到实际输出数据，所述实际输出数据包括所述预设对象在所述验证时刻的预测对象属性值；根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度
。
[0012]在一种可能的设计中，根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度之后，还包括：若所述精确度小于或等于预设阈值，则更新所述目标模型的模型参数，或者更新所述目标模型中各处理层的处理阶数
。
[0013]第二方面，本申请提供一种对象属性值确定方法，包括：获取预设对象在多个历史时段内的对象属性值；通过目标模型对所述预设对象在多个历史时段内的对象属性值进行处理，得到所述预设对象在未来时段的对象属性值，其中，所述目标模型为通过第一方面所述的方法训练得到的
。
[0014]第三方面，本申请提供一种模型训练装置，包括：确定模块，用于确定初始模型，所述初始模型为季节性差分自回归滑动平均
SARIMA
模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层
、
差分层
、
移动平均层和季节性差分层；获取模块，用于确定所述初始模型中各处理层的处理阶数；初始化模块，用于根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；执行模块，用于确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值
、
以及各历史时段的季节信息；训练模块，用于通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值
。
[0015]在一种可能的设计中，所述获取模块，具体用于获取多个第一历史对象数据，所述第一历史对象数据中包括所述预设对象在多个历史时刻的历史属性值；所述获取模块，具体还用于根据所述多个第一历史对象数据，确定对象属性值与时间之间的自相关信息和偏自相关信息；所述获取模块，具体还用于根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数
。
[0016]在一种可能的设计中，所述自相关信息为自相关图，所述偏自相关信息为偏自相
关图；所述获取模块，具体用于确定所述自相关图的第一滞后阶数，并将所述第一滞后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种模型训练方法，其特征在于，包括：确定初始模型，所述初始模型为季节性差分自回归滑动平均
SARIMA
模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层
、
差分层
、
移动平均层和季节性差分层；确定所述初始模型中各处理层的处理阶数；根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；确定训练样本，所述训练样本包括预设对象在多个历史时段内的对象属性值
、
以及各历史时段的季节信息；通过所述训练样本对所述待训练模型进行训练，得到目标模型，所述目标模型用于确定所述预设对象在未来时段的对象属性值
。2.
根据权利要求1所述的方法，其特征在于，确定所述初始模型中各处理层的处理阶数，包括：获取多个第一历史对象数据，所述第一历史对象数据中包括所述预设对象在多个历史时刻的历史属性值；根据所述多个第一历史对象数据，确定对象属性值与时间之间的自相关信息和偏自相关信息；根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数
。3.
根据权利要求2所述的方法，其特征在于，所述自相关信息为自相关图，所述偏自相关信息为偏自相关图；根据所述自相关信息和所述偏自相关信息，确定所述初始模型中各处理层的处理阶数，包括：确定所述自相关图的第一滞后阶数，并将所述第一滞后阶数确定为所述自回归层的处理阶数；确定所述偏自相关图的第二滞后阶数，并将所述第二滞后阶数确定为所述移动平均层的处理阶数；确定所述自相关图和所述偏自相关图的差分阶数，并将所述差分阶数确定为所述差分层的处理阶数；根据所述自相关图和所述偏自相关图的截尾信息和衰减信息，确定所述季节性差分层的处理阶数
。4.
根据权利要求1‑3任一项所述的方法，其特征在于，确定训练样本，包括：确定多个第二历史对象数据，所述第二历史对象数据包括所述预设对象在多个历史时刻的历史属性值；确定所述多个历史时段，并确定每个历史时段对应的至少一个第二历史对象数据，所述历史时段对应的至少一个第二历史对象数据中的历史时刻位于所述历史时段内；针对任意一个历史时段，根据所述历史时段对应的至少一个第二历史对象数据中的历史属性值，确定所述历史时段对应的对象属性值；确定每个历史时段的季节信息；根据所述多个历史时段
、
每个历史时段对应的对象属性值
、
以及每个历史时段的季节信息，生成所述训练样本
。5.
根据权利要求4所述的方法，其特征在于，确定多个第二历史对象数据，包括：
获取多个初始历史对象数据，所述初始历史对象数据包括所述预设对象在多个历史时刻的历史属性值；对所述初始历史对象数据进行预处理，得到所述第二历史对象数据，所述预处理包括如下至少一种：缺失值填充处理
、
异常值剔除处理
、
非线性化处理和平稳型检测处理
。6.
根据权利要求1‑5任一项所述的方法，其特征在于，通过所述训练样本对所述待训练模型进行训练，得到目标模型之后，还包括：获取验证数据集，所述验证数据集中包括验证输入数据和验证输出数据，所述验证输入数据包括所述预设对象在多个历史时段内的对象属性值
、
以及各历史时段的季节信息，所述验证输出数据包括所述预设对象在验证时刻的标注对象属性值，所述多个历史时段位于所述验证时刻之前；通过所述目标模型对所述验证输入数据进行处理，得到实际输出数据，所述实际输出数据包括所述预设对象在所述验证时刻的预测对象属性值；根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度
。7.
根据权利要求6所述的方法，其特征在于，根据所述标注对象属性值和所述预测对象属性值，确定所述目标模型的精确度之后，还包括：若所述精确度小于或等于预设阈值，则更新所述目标模型的模型参数，或者更新所述目标模型中各处理层的处理阶数
。8.
一种对象属性值确定方法，其特征在于，包括：获取预设对象在多个历史时段内的对象属性值；通过目标模型对所述预设对象在多个历史时段内的对象属性值进行处理，得到所述预设对象在未来时段的对象属性值，其中，所述目标模型为通过权利要求1‑7任一项所述的方法训练得到的
。9.
一种模型训练装置，其特征在于，包括：确定模块，用于确定初始模型，所述初始模型为季节性差分自回归滑动平均
SARIMA
模型，所述初始模型包括多个处理层，所述多个处理层包括自回归层
、
差分层
、
移动平均层和季节性差分层；获取模块，用于确定所述初始模型中各处理层的处理阶数；初始化模块，用于根据各处理层的处理阶数，对所述初始模型进行初始化处理，得到待训练模型；执行模块，用于确定训练样本，所述训练样...

【专利技术属性】
技术研发人员：张茂发，贾国琛，尹泽阳，庞爱茹，金士隆，高玉杰，焦鹏，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：