[发明专利]等级预测模型训练方法、等级预测方法、装置及电子设备

说明书

本申请提供了一种等级预测模型训练方法、等级预测方法、装置及电子设备，其中，该方法包括获取历史用户数据；从所述历史用户数据中确定出训练数据，所述训练数据包括多个用户在周期内的周期起点至周期中间指定时间节点的用户数据；将所述训练数据输入待训练模型中进行训练，得到等级预测模型，所述等级预测模型用于预测用户在当前周期的下一周期中的等级状态。

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种等级预测模型训练方法、等级预测方法、装置及电子设备。

背景技术

各类网约服务的服务状况的最主要的指标是用户群体的活跃程度。因此，网约服务的运行状况可以通过用户活跃状态了解。基于此，相关技术人员可以统计用户当前使用状态，了解网约服务中的用户活跃度。但是，针对用户的未来可能的状态还处于未知，也就导致了网约服务的维护存在障碍。

发明内容

有鉴于此，本申请实施例的目的在于提供一种等级预测模型训练方法、等级预测方法、装置及电子设备，能够通过周期内的一段时间中的数据进行训练可以得到用于预测后面周期的用户的等级情况，解决现有技术中存在的对用户的未来的状况不了解，导致的用户管理方便的问题，达到等级预测模型用于预测用户在当前周期的下一周期中的等级状态，实现对用户的状态有效预测的效果。

根据本申请的一个方面，提供一种电子设备，可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，以执行一个或多个以下操作：

获取历史用户数据；

从所述历史用户数据中确定出训练数据，所述训练数据包括多个用户在周期内的周期起点至周期中间指定时间节点的用户数据；

将所述训练数据输入待训练模型中进行训练，得到等级预测模型，所述等级预测模型用于预测用户在当前周期的下一周期中的等级状态。

本申请实施例提供的等级预测模型训练方法，采用用户在一周期的一段时间的数据对模型进行训练，可以训练出用于预测用户在下一周期的用户等级，与现有技术中的对未来的状况不了解相比，其可以得到有效预测用户在未来的时间段的等级状态。

在一些实施例中，所述从所述历史用户数据中确定出训练数据的步骤，包括：

根据预先设定的预测参数量从所述历史用户数据中确定出训练数据，所述预测参数量表示作为待训练模型的任意一项输入数据覆盖时间范围占一周期时间总长的比例。

进一步，本申请实施例提供的等级预测模型训练方法，还可以通过预先设定的预测参数量选择训练数据，可以使等级预测模型的训练灵活性更高，适应对不同预测参数量的选择。

在一些实施例中，所述待训练模型包括二分类模型，所述将所述训练数据输入待训练模型中进行训练，得到等级预测模型的步骤，包括：

将所述训练数据输入所述二分类模型中进行分类训练，得到输出结果；

将所述输出结果与所述训练数据的标记数据进行损失计算，得到当前损失误差；

判断所述损失误差是否小于设定值；

若否，则调整所述二分类模型中的待确定参数，得到更新的二分类模型；

若是；则将当前的二分类模型作为等级预测模型。

在一些实施例中，所述二分类模型是Spark Mlib中的分类模块；所述将所述训练数据输入待训练模型中进行训练，得到等级预测模型的步骤，包括：

使用Spark Mlib中的分类模块进行单机式训练，得到等级预测模型；或者，