[发明专利]业务时序指标的归因方法以及装置

权利要求书

1.一种业务时序指标的归因方法，应用于计算机对业务时序指标数据的处理，所述方法包括：

将特征池输入第一机器学习模型进行训练，得到所述特征池中的变量的特征权重，其中，所述特征池中包括基于业务时序指标样本分解得到的多个变量，所述第一机器学习模型，用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合；

如果所述第一机器学习模型的训练未达到预设训练目标，通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算，按影响特征权重筛选出变量组合，将所述变量组合添加到所述特征池中，重新进入所述将特征池输入第一机器学习模型进行训练的步骤；

如果所述第一机器学习模型的训练达到预设训练目标，根据所述特征池包含的变量组合对应的特征权重，确定所述业务时序指标样本的多个变量中，具有耦合关系的变量组合；

计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数；

基于具有耦合关系的变量组合的贡献系数，利用机器学习模型对业务时序指标的发展趋势进行预测。

2.根据权利要求1所述的方法，所述按影响特征权重筛选出变量组合包括：

分别针对各业务时序指标样本，按所针对的业务时序指标样本的多个变量各自的影响特征权重，对所针对的业务时序指标样本的多个变量进行排序；

筛选出分别在多个业务时序指标样本的排序在前的变量中组合出现的多个变量作为变量组合。

3.根据权利要求1所述的方法，还包括：

如果所述第一机器学习模型的训练达到预设训练目标，根据所述特征池包含的变量对应的特征权重，确定所述业务时序指标样本的多个变量中，具有耦合关系的变量；

计算所述具有耦合关系的变量对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。

4.根据权利要求1所述的方法，所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括：

基于具有耦合关系的变量以及变量组合，对所述业务时序指标样本构建第二机器学习模型；

基于所述第二机器学习模型，以所述业务时序指标样本在异常时间点达到异常变动幅度为目标，对具有耦合关系的变量以及变量组合分别对应的权重系数进行求解，求解得到的权重系数作为所述贡献系数。

5.根据权利要求1所述的方法，所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括：

将所述第一机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的特征权重作为输入，利用可解释机器学习框架的局部加性模型做近似，拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。

6.根据权利要求1所述的方法，所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括：

基于所述具有耦合关系的变量以及变量组合，对所述业务时序指标样本构建第二机器学习模型；

基于所述第二机器学习模型，以所述业务时序指标样本在异常时间点达到异常变动幅度为目标，对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解；

将所述第二机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的权重系数作为输入，利用可解释机器学习框架的局部加性模型做近似，拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。