[发明专利]预测模型训练方法、价格预测方法、存储介质及电子设备

权利要求书

1.一种预测模型训练方法，其特征在于，所述方法包括：

获取影响目标产品的产品价格的多个影响因素，及该目标产品在多个时刻下的产品价格；

从预设网站的网址中获取各所述影响因素在每个所述时刻下分别对应的因素数据；

对各时刻的产品价格及各所述影响因素在每个所述时刻下分别对应的因素数据采用预设算法进行训练以得到价格预测模型。

2.根据权利要求1所述的预测模型训练方法，其特征在于，对各时刻的产品价格及对应的处理后的因素数据采用预设算法进行训练以得到价格预测模型，包括：

将每个时刻的产品价格和该时刻处理后的因素数据作为与该时刻对应的样本数据；

将多个所述样本数据划分至训练样本集和验证样本集中，其中，所述训练样本集和验证样本集中分别包括多个样本数据；

将所述训练样本集中的多个样本数据采用多种预设算法分别进行训练以得到多个初始模型；

根据所述验证样本集中的多个样本数据对多个所述初始模型分别进行性能验证，以得到各所述初始模型的验证性能指标；

根据各所述初始模型的验证性能指标从多个初始模型中确定价格预测模型。

3.根据权利要求2所述的预测模型训练方法，其特征在于，所述多种预设算法包括Xgboost算法、GBRT算法以及LSTM算法中的至少两种。

4.根据权利要求1所述的预测模型训练方法，其特征在于，从预设网站的网址中获取各所述影响因素在每个所述时刻下分别对应的因素数据，包括：

获取具有所述影响因素的多个爬取网址，并将各所述爬取网址分别作为预设网站的网址；

基于所述影响因素和多个所述预设网址生成爬虫程序，并利用所述爬虫程序爬取所述预设网址以得到各所述影响因素分别对应的爬取数据；

对每个所述影响因素对应的爬取数据分别进行处理，以得到各所述影响因素在每个所述时刻下分别对应的因素数据。

5.根据权利要求4所述的预测模型训练方法，其特征在于，所述爬虫程序中包括爬虫任务，利用所述爬虫程序爬取所述预设网址以得到各所述影响因素分别对应的爬取数据，包括：

将所述爬虫任务拆分成多个子任务，且每个所述子任务对应一个所述预设网址；

采用分布式的方式执行所述多个子任务，得到多个所述预设网址中各所述影响因素分别对应的爬取数据。

6.根据权利要求4所述的预测模型训练方法，其特征在于，对每个所述影响因素对应的爬取数据分别进行处理，以得到各所述影响因素在每个所述时刻下分别对应的因素数据，包括：

在确定存在影响因素对应的爬取数据中存在未对应有爬取数据的第一目标时刻时，根据缺失值处理算法及该影响因素对应的爬取数据中其他时刻对应的爬取数据，得到该第一目标时刻对应的爬取数据，从而得到每个所述影响因素在每个时刻下分别对应的爬取数据；

将每个所述影响因素在每个时刻分别对应的爬取数据分别进行归一化处理，以得到各所述影响因素在每个所述时刻下分别对应的因素数据。

7.根据权利要求1所述的预测模型训练方法，其特征在于，所述方法还包括：

根据各所述影响因素在每个所述时刻下分别对应的因素数据得到各影响因素在多个预设时长窗口内的最大值、最小值、均值、方差、多节差分中的一个或多个特征数据；

对各时刻的产品价格和各所述影响因素在每个所述时刻下分别对应的因素数据采用预设算法进行训练以得到价格预测模型，包括：

对各时刻的产品价格、各所述影响因素在每个所述时刻下分别对应的因素数据，以及各所述影响因素对应的特征数据采用预设算法进行训练以得到价格预测模型。

8.一种价格预测方法，其特征在于，所述方法包括：

获取影响目标产品的产品价格的多个影响因素分别对应的当前因素数据；

将所述当前因素数据输入至通过上述权利要求1-7中任意一项的预测模型训练方法获得的价格预测模型中，以得到产品预测价格。