[发明专利]模型训练、票据交易预测方法、装置、存储介质及设备

说明书

本发明公开了模型训练、票据交易预测方法、装置、存储介质及设备。模型训练方法包括：获取票据的历史交易数据、属性数据，预设指标的历史数据；将历史交易数据中的第一类票据和第二类票据分别标记为第一类样本和第二类样本；从预设指标的历史数据中，提取从第一类样本的开票时间至发生目标交易区间内的历史数据，以及从第二类样本的开票时间持续预设时长区间内的历史数据；基于提取出的预设指标的历史数据，构造时间序列特征；根据时间序列特征与票据的历史交易数据、属性数据，生成每个样本的特征数据；将每个样本的特征数据及样本类别标记输入预设机器学习算法中进行训练，得到票据交易行为预测模型。本申请可以提高机器学习模型的预测精度。

技术领域

本申请涉及机器学习技术领域，特别涉及模型训练、票据交易预测方法、装置、存储介质及设备。

背景技术

随着计算机技术的发展，在预测某个事件发生的概率时，通常会借助机器学习模型来进行预测。在通过机器学习模型对事件进行预测之前，需要预先训练出用于预测该事件的机器学习模型。

在实现本申请过程中，发明人发现在现有技术中至少存在如下问题：

在传统的机器学习模型训练过程中，以逻辑回归为例。预测函数可以由如下函数表示：f(x₁,x₂,x₃,...x_i,...x_n)＝σ(λ₁x₁+λ₂x₂+λ₃x₃+...+λ_ix_i+...+λ_nx_n)，其中，x₁～x_n代表模型的n个特征，λ₁～λ_n代表了模型的权重，σ代表了一个非线性函数，f(x₁,x₂,x₃,...x_i,...x_n)是模型x₁～x_n的函数，代表了模型的预测值，可以看出，只要λ₁～λ_n这些权重确定了，模型也就确定了。传统的专家规则会根据专家经验，由人工定义各个特征的权重，导致模型的准确性较差，难以准确地对事件发生的概率进行预测。

发明内容

本申请实施例的目的是提供模型训练、票据交易预测方法、装置、存储介质及设备，以提高机器学习模型的预测精度。

为达到上述目的，本申请实施例提供一种票据交易行为预测模型的训练方法，包括：

获取票据的历史交易数据、属性数据，及预设指标的历史数据；

将所述历史交易数据中的第一类票据和第二类票据分别标记为第一类样本和第二类样本；

从所述预设指标的历史数据中，提取从所述第一类样本的开票时间至发生目标交易区间内的历史数据，以及从所述第二类样本的开票时间持续所述预设时长区间内的历史数据；

基于提取出的预设指标的历史数据，构造时间序列特征；

根据时间序列特征与所述票据的历史交易数据、属性数据，生成每个样本的特征数据；

将所述每个样本的特征数据及样本类别标记输入预设机器学习算法中进行训练，得到票据交易行为预测模型。

优选的，所述第一类样本包括：开票时间与发生目标交易的交易时间的差值未超出预设时长的票据；所述第二类样本包括：开票时间与发生目标交易的交易时间的差值超出预设时长的票据，及未发生目标交易的票据。

优选的，所述票据为汇票，所述目标交易为贴现。

优选的，票据交易行为预测模型的训练方法还包括：