[发明专利]模型训练方法、装置、电子设备及存储介质

说明书

本申请提供一种模型训练方法、装置、电子设备及存储介质，涉及信息处理技术领域，用于提高神经网络模型预测多个出行指标的预测准确度。该方法包括：获取目标用户的样本数据；将样本数据输入预设神经网络模型中，预测目标用户在第二时间段的多个出行指标中每个出行指标的预测准确度；第二时间段为第一时间段后的时间段；根据每个出行指标的预测准确度，以及每个出行指标的预测准确度对应的第一权重值，确定预设神经网络模型的预测准确度；根据预设神经网络模型的预测准确度，确定用户出行预测模型。这样，依据每个出行指标的预测准确度和权重值调整神经网络模型，可以使得最终确定的神经网络模型能够同时预测多个准确度较高的出行指标。

技术领域

本申请涉及信息处理技术领域，尤其涉及一种模型训练方法、装置、电子设备及存储介质。

背景技术

目前，模型训练方法多以F1值或者均方误差(mean square error，MSE)，作为模型训练过程中的评价参数。一方面，F1值或者MSE作为评价参数，在训练过程中，只能对单一目标进行评价，使得训练完成的神经网络模型仅能对单一目标进行预测，无法同时预测两个目标或者多个目标。另一方面，F1值或者MSE作为评价参数，无法考虑时间跨度给神经网络模型的预测准确度带来的影响。例如，在神经网络模型需要同时预测7天内是否前往地点A，和24小时内是否前往地点A的场景中，假设模型训练过程仅对单一目标(24小时内是否前往地点A)进行训练，使得神经网络模型可以较为准确的预测24小时内是否前往地点A这一目标，而对另一目标(7天内是否前往地点A)的预测准确度较低。

因此，单一的F1值或者MSE作为评价参数的训练过程，无法满足神经网络模型需要对多个不同时间跨度目标预测的场景。

发明内容

本申请提供一种模型训练方法、装置、电子设备及存储介质，能够提高用户出行预测模型预测的对多个出行指标的预测准确度。

第一方面，提供一种模型训练方法，包括：获取目标用户的样本数据；样本数据为对第一时间段内目标用户的运营商数据进行处理后，得到的用于表征目标用户的出行特征的样本数据；将样本数据输入预设神经网络模型中，预测目标用户在第二时间段的多个出行指标中每个出行指标的预测准确度；第二时间段为第一时间段后的时间段；根据每个出行指标的预测准确度，以及每个出行指标的预测准确度对应的第一权重值，确定预设神经网络模型的预测准确度；根据预设神经网络模型的预测准确度，确定用户出行预测模型。

结合上述第一方面，在一种可能的实现方式中，该方法还包括：步骤1、确定当前神经网络模型的预测准确度是否大于预设阈值；当前神经网络模型为预设神经网络模型，或者当前神经网络模型为调整后的神经网络模型；步骤2、若满足，则确定当前神经网络模型为用户出行预测模型；步骤3、若不满足，则调整当前神经网络模型的参数，确定调整后的神经网络模型，将调整后的神经网络模型作为当前神经网络模型；步骤4、将样本数据输入当前神经网络模型，确定当前神经网络模型的预测准确度；执行步骤1、步骤2、步骤3，以及步骤4，直至确定用户出行预测模型。

结合上述第一方面，在一种可能的实现方式中，该方法还包括：确定第一出行指标；第一出行指标为多个出行指标中的任一个出行指标；将样本数据输入预设神经网络模型中，预测目标用户在第二时间段的子时间段内第一出行指标的预测准确度；根据目标用户在每个子时间段内第一出行指标的预测准确度，以及每个子时间段对应的第二权重值，确定第一出行指标的预测准确度；其中，第二权重值的大小与第一时长成反比；第一时长为子时间段和第二时间段的结束时间之间的时长。

结合上述第一方面，在一种可能的实现方式中，子时间段为第一子时间段和第二子时间段中的至少一个，第一子时间段和第二子时间段的时长不同；多个出行指标包括以下至少一项：每一第一子时间段是否前往预设地点；每一第二子时间段内是否前往预设地点；第一次前往预设地点的第一时间段；第一次前往预设地点的第二子时间段；

每一第一子时间段是否前往预设地点的第一预测准确度，满足以下公式：