[发明专利]一种机器学习模型的动态融合方法及装置

权利要求书

1.一种机器学习模型的动态融合方法，其特征在于，包括如下步骤：

初始融合模型：

S1、按照机器学习子模型覆盖的样本时间长度，对机器学习子模型进行分池，得到N个模型池；

S2、获取匹配训练样本，对每个模型池进行模型融合，得到中间融合层；

S3、基于得到的中间融合层进行模型融合，得到最终的融合模型；

机器学习子模型变动时动态融合调整：

S4、若模型池中的机器学习子模型有变动，将步骤S2中变动后的模型池进行模型融合更新，再转到步骤S3。

2.根据权利要求1所述的一种机器学习模型的动态融合方法，其特征在于，所述步骤S1的具体步骤为：

S1.1、输入各机器学习子模型及历史样本信息，统计各机器学习子模型覆盖的样本时间长度；

S1.2、设置分池个数参数N；

S1.3、基于样本时间长度对各机器学习子模型使用K-means聚类算法将各机器学习子模型划分为N个模型池，得到N个模型池。

3.根据权利要求1或2所述的一种机器学习模型的动态融合方法，其特征在于，所述步骤S2的具体步骤为：

S2.1、给每个模型池分配匹配的训练样本，得到匹配训练样本；

S2.2、若模型池内只有1个机器学习子模型，此模型池不再做融合，该机器学习子模型作为该模型池的模型融合输出；否则基于逻辑回归融合算法，并行地对分配了匹配训练样本的模型池进行模型融合，得到N个融合模型。

4.根据权利要求3所述的一种机器学习模型的动态融合方法，其特征在于，所述步骤S2.1中根据历史样本信息，按照模型池内机器学习模型覆盖的最短样本时间长度，切割各模型池的训练样本，得到各模型池的匹配训练样本,即得到各模型池所对应的训练样本信息。

5.根据权利要求4所述的一种机器学习模型的动态融合方法，其特征在于，所述步骤S4的步骤包括：

若有机器学习子模型下线，则删除对应模型池中的该模型，判断该模型池内模型数量是否大于等于1，若是则再对该模型池分配匹配训练样本后进行模型融合更新，否则输出子模型为空的标识；

若有新机器学习子模型加入，首先提取该机器学习子模型覆盖的样本时间长度，并与各模型池中模型的平均样本时间长度做对比，选取样本时间长度最接近的模型池，加入该新机器学习子模型，再并对该模型池分配匹配训练样本后进行模型融合更新。

6.一种机器学习模型的动态融合装置，其特征在于，包括：

模型分池单元：用于按照机器学习子模型覆盖的样本时间长度，对机器学习子模型进行分池，得到N个模型池；

模型样本准备单元：用于记录历史样本信息，再基于历史样本信息获取匹配训练样本；

模型融合单元：用于根据获取的匹配训练样本，对每个模型池进行模型融合，得到中间融合层或基于中间融合层进行模型融合，得到最终的融合模型；

模型稳定单元：用于模型池中的机器学习子模型有变动，调度模型样本准备单元和模型融合单元对变动了的模型池进行模型融合更新。

7.根据权利要求6所述的一种机器学习模型的动态融合装置，其特征在于：还包括模型池管理单元：用于接收模型分池单元输出的N个模型池，对N个模型池中的机器学习子模型进行动态存储和更新，并存储各机器学习子模型的历史样本信息，模型池管理单元接收模型稳定单元的调度。

8.根据权利要求6所述的一种机器学习模型的动态融合装置，其特征在于：所述模型分池单元实现的步骤包括：

输入各机器学习子模型及历史样本信息，统计各机器学习子模型覆盖的样本时间长度；

设置分池个数参数N；

基于样本时间长度对各机器学习子模型使用K-means聚类算法将各机器学习子模型划分为N个模型池，得到N个模型池。