[发明专利]针对数据偏移的目标对象行为预测方法及其相关设备

说明书

本申请属于人工智能领域，涉及针对数据偏移的目标对象行为预测方法及其相关设备，所述方法包括:获取特征变量并进行预处理和特征筛选，生成第一特征变量集合和第二特征变量集合；对第一特征变量集合进行权重赋值，根据第二特征变量集合得到第三特征变量集合并进行权重赋值；根据第一特征变量集合和对应的权重进行模型训练输出训练结果，根据第一特征变量集合、第三特征变量集和对应的权重进行模型训练得到训练结果；当两个训练结果的比较结果满足预设条件时，输出第二训练模型进行行为预测。本申请还涉及区块链技术，前述行为预测结果可存储于区块链中。本申请方案可在提升模型预测精度的同时降低模型风险。

技术领域

本申请涉及人工智能技术领域，具体涉及一种针对数据偏移的目标对象行为预测方法、装置、计算机设备及存储介质。

背景技术

在目标对象的训练集和预测集存在较长时间间隔的模型预测场景中，目标对象的特征变量的分布和预测能力会随时间产生一定波动，此类不稳定的特征变量使得模型预测不确定性增加，导致预测风险加大。目前为了降低模型预测风险，利用特征选择的方式剔除不稳定的特征变量，或者对特征变量进行信息平滑化处理，然而这些不稳定的特征变量中仍存在有利于模型预测的信息，现有的解决方案在降低模型风险的过程中损失了信息的多样性，导致模型的预测精度降低。

发明内容

本申请实施例的目的在于提出一种针对数据偏移的目标对象行为预测方法、装置、计算机设备及存储介质，以解决现有技术中在降低模型风险的过程中损失了信息的多样性，导致模型的预测精度降低的问题。

为了解决上述技术问题，本申请实施例提供一种针对数据偏移的目标对象行为预测方法，采用了如下所述的技术方案：

一种针对数据偏移的目标对象行为预测方法，包括下述步骤：

获取与目标对象的行为相关的历史数据，从所述历史数据中提取多个维度的特征变量，并对所述特征变量进行预处理；

对预处理后的所述特征变量进行特征筛选，生成第一特征变量集合和第二特征变量集合，其中所述第一特征变量集合中各特征变量跨时间的预测稳定性均高于所述第二特征变量集合中各特征变量跨时间的预测稳定性；

对所述第二特征变量集合进行二次筛选得到第三特征变量集合，对所述第三特征变量集合和所述第一特征变量集合中的特征变量采用不同的赋值方式分别进行权重赋值；

根据所述第一特征变量集合和对应的权重对预设的LightGBM树模型进行训练，得到第一训练模型并输出第一训练结果，根据所述第一特征变量集合、所述第三特征变量集和对应的权重对预设的LightGBM树模型进行训练，得到第二训练模型并输出第二训练结果；

当所述第二训练结果与所述第一训练结果的比较结果满足预设条件时，输出所述第二训练模型，基于所述第一特征变量集合、所述第三特征变量集和所述第二训练模型对目标对象的行为进行预测。

为了解决上述技术问题，本申请实施例还提供一种针对数据偏移的目标对象行为预测装置，采用了如下所述的技术方案：

一种针对数据偏移的目标对象行为预测装置，包括：

特征获取模块，用于获取与目标对象的行为相关的历史数据，从所述历史数据中提取多个维度的特征变量，并对所述特征变量进行预处理；

特征集合生成模块，用于对预处理后的所述特征变量进行特征筛选，生成第一特征变量集合和第二特征变量集合，其中所述第一特征变量集合中各特征变量跨时间的预测稳定性均高于所述第二特征变量集合中各特征变量跨时间的预测稳定性；

赋值模块，用于对所述第二特征变量集合进行二次筛选得到第三特征变量集合，对所述第三特征变量集合和所述第一特征变量集合中的特征变量采用不同的赋值方式分别进行权重赋值；