[发明专利]预测业务指标的方法及装置

说明书

本说明书实施例提供一种计算机执行的预测业务指标的方法和装置。根据上述方法，首先获取数据集序列，该数据集序列包括对应于连续的m个时间段、且按照时间顺序排列的m个数据集，所述m个数据集中第i个数据集包括，第i时间段中，待测业务实体的实体特征，以及该待测业务实体的多个待测业务指标各自的指标值。然后将该数据集序列输入预先训练的循环神经网络，获得输出结果；如此，根据输出结果，即可确定第m时间段的下一时间段中，待测业务实体的多个待测业务指标各自的指标值。

技术领域

本说明书一个或多个实施例涉及机器学习领域，尤其涉及利用机器学习预测业务实体的业务指标的方法和装置。

背景技术

随着计算机技术的发展，机器学习已经应用到各种各样的技术领域，用于分析、预测各种业务数据。在许多应用场景中，需要对业务实体的各种业务指标进行预测，便于在预测值出现较大波动，或预测值与真实值差异较大的情况下，提前预警，或发现异常。

例如，在电商场景中，常常需要对商家的各种指标序列进行预测，如商家的每日营业额序列预测。有些场景会涉及到多个指标序列的联合预测，比如同时预测商家的每日交易笔单价，每日交易笔数等，如此，可以提前预警或尽快注意到一些异常现象，例如刷单现象。又例如，在互联网借贷场景中，常常需要对用户的各种业务指标进行预测，从而预知风险。

然而，常规技术中，面对多个业务实体，多种业务指标的情况，常常存在建模效率低，预测准确率低等问题。因此，希望能有改进的方案，更加有效地实现多业务指标的准确预测。

发明内容

本说明书一个或多个实施例描述了预测业务指标的方法和装置，其中采用循环神经网络针对多业务实体多业务指标进行联合建模，得到的联合模型可以适用于多实体多指标的预测，全面提高多指标预测的准确性和效率。

根据第一方面，提供了一种计算机执行的预测业务指标的方法，包括：

获取数据集序列，所述数据集序列包括对应于连续的m个时间段、且按照时间顺序排列的m个数据集，所述m个数据集中第i个数据集包括，第i时间段中，待测业务实体的实体特征，以及该待测业务实体的多个待测业务指标各自的指标值；

将所述数据集序列输入预先训练的循环神经网络，获得输出结果；

根据所述输出结果，确定第m时间段的下一时间段中，所述待测业务实体的所述多个待测业务指标各自的指标值。

在一个实施例中，上述待测业务实体包括商家；相应的，所述实体特征包括以下中的至少一项：注册时长，商家规模，信誉等级，商品数目，商品类别，上架时长；所述多个待测业务指标包括以下指标中的多个：交易笔数，交易笔单价，交易总额，成交比例。

在另一实施例中，所述待测业务实体包括用户；相应的，所述多个待测业务指标包括，与消费行为相关的多个指标，和/或，与借贷行为的相关的多个指标。

在一种实施方式中，所述待测业务实体的实体特征包括，第一特征和第二特征，所述第一特征的特征值在所述m个时间段中保持不变，所述第二特征的特征值在所述m个时间段中不完全相同。

根据一个实施例，所述m个时间段包括，当前时刻所处的当前时间段，和从所述当前时间段向前追溯的m-1个时间段。

在一个实施例中，所述循环神经网络包括，长短期记忆神经网络LSTM。

根据一种实施方式，所述循环神经网络通过以下过程预先训练：