[发明专利]数据预测优化方法、装置、设备及可读存储介质

说明书

本发明涉及人工智能技术领域，公开了一种数据预测优化方法，包括以下步骤：利用同一训练样本分别对多个初始待训练模型进行预测训练，得到待训练模型集合；通过预置叠加算法对待训练模型集合的中的待训练模型按照预置权重进行叠加，得到预置候选模型集；判断预置候选模型集中的预置候选模型是否满足预置评分标准；若是，则得到所述满足预置评分标准的预置候选模型以及使用所述预置候选模型进行预测，若否，则调节预置候选模型集中待训练模型所占的预置权重。本发明还公开了一种数据预测优化装置、设备及计算机可读存储介质。本发明提供的数据预测优化方法解决了现有的模型预测能力低的技术问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种数据预测优化方法、装置、设备及计算机可读存储介质。

背景技术

目前，现有技术中的机器学习服务平台所生成的模型的数量及类型是有限的，只能生成主流模型，所以应用场景比较局限，另外，在平台生成新模型后，则直接使用新模型对实际场景下的需求进行预测，没有对新模型进一步优化，新模型难以适应各种复杂场景。因此，现有技术中机器学习服务平台所生成的模型很难适应各种复杂的实景场景，使得模型预测受应用场景的限制，模型的预测能力降低，由于待预测数据来自于不同的实际场景，而单一的模型很难对不同实际场景下的待预测数据进行预测，其根本原因是模型的预测能力低，这样会造成预测结果的准确率降低，因此，如何对现有的模型进行处理或改进，以提高模型对待预测数据的预测能力，是目前本领域亟待解决的技术问题。

发明内容

本发明的主要目的在于提供一种数据预测优化方法、装置、设备及计算机可读存储介质，旨在解决传统预测模型对数据预测能力较低的技术问题。

为实现上述目的，本发明提供一种数据预测优化方法，所述数据预测优化方法包括以下步骤：

利用同一训练样本分别对多个初始待训练模型进行预测训练，得到待训练模型集合，所述待训练模型集合至少包括两个待训练模型，其中，所述模型至少包括：分布式的监督机器学习模型、分布式的无监督机器学习模型和增强学习模型RL,所述分布式的监督机器学习模型包括：聚类模型和离散点检测模型，所述分布式的无监督机器学习模型包括：主成分分析模型和深度卷积神经网络模型，所述增强学习模型包括：时序差分学习模型和Q-learning模型；

通过预置叠加算法对所述待训练模型集合的中的待训练模型按照预置权重进行叠加，得到预置候选模型集，所述预置候选模型集至少包括两个预置候选模型，其中，所述预置叠加算法至少包括：分类器迭代算法、背景梯度提升回归算法和对数提升算法；

判断所述预置候选模型集中的预置候选模型是否满足预置评分标准；

若所述预置候选模型集中的预置候选模型满足预置评分标准，则得到所述满足预置评分标准的预置候选模型，若所述预置候选模型集中的预置候选模型不满足预置评分标准，则调节预置候选模型集中待训练模型所占的预置权重，直至所述预置候选模型集中的预置候选模型满足预置评分标准；

将满足预置评分标准的预置候选模型作为目标优化模型；

通过所述目标优化模型对待预测数据进行预测，得到预测结果。

可选地，所述利用同一训练样本分别对多个初始待训练模型进行预测训练，得到待训练模型集合包括以下步骤：

通过预先设置的自动化部署脚本将多个算法部署至预置机器学习算法包内，其中，所述算法至少包括：分布式的监督机器学习算法、分布式的无监督机器学习算法和增强学习算法,所述分布式的监督机器学习算法包括：聚类算法，所述分布式的无监督机器学习算法包括：主成分分析算法和深度卷积神经网络算法，所述增强学习算法包括：时序差分学习算法和Q-learning算法；

通过预置API接口调用所述预置机器学习算法包内的多个算法，并通过同一训练样本分别对由所述多个算法和同一场景数据构建的多个初始待训练模型进行预测训练，得到待训练模型集合。