变量异常修复方法、设备、介质及计算机程序产品与流程

技术特征：
1.一种变量异常修复方法，其特征在于，所述变量异常修复方法包括：获取待预测数据集；通过缺失数据预测模型对所述待预测数据集中的缺失变量进行预测，获得数据预测结果，其中，所述缺失数据预测模型是通过预先收集的缺失数据集和完整数据集对待训练缺失数据预测模型进行迭代训练优化得到的；基于所述数据预测结果，对所述缺失变量进行修复，获得变量修复结果。2.如权利要求1所述变量异常修复方法，其特征在于，在所述缺失数据预测模型是通过预先收集的缺失数据集和完整数据集对待训练缺失数据预测模型进行迭代训练优化得到的步骤之前，所述变量异常修复方法包括：获取样本客户的历史数据集；对所述样本客户的历史数据集进行缺失处理，获得所述历史数据集中的缺失数据集以及所述历史数据集中的完整数据集；通过所述缺失数据集和所述完整数据集对待训练缺失数据预测模型进行迭代训练优化，获得所述缺失数据预测模型。3.如权利要求2所述变量异常修复方法，其特征在于，所述待训练缺失数据预测模型包括长短期记忆网络模型和全连接神经网络模型，所述通过所述缺失数据集和所述完整数据集对待训练缺失数据预测模型进行迭代训练优化，获得所述缺失数据预测模型的步骤包括：将所述完整数据集输入所述长短期记忆网络模型，输出特征信息结果；根据所述缺失数据集和所述特征信息结果，对所述全连接神经网络模型进行迭代训练优化，获得所述缺失数据预测模型。4.如权利要求2所述变量异常修复方法，其特征在于，所述对所述样本客户的历史数据集进行缺失处理，获得所述历史数据集中的缺失数据集以及完整数据集的步骤包括：获取所述历史数据集对应的时点集合；在所述时点集合中选取预设数量的时点随机数，获得目标时点；基于所述目标时点，选取所述历史数据集中缺失变量对应的取值，获得所述缺失数据集；基于所述目标时点，将所述历史数据集中各完整变量的取值设置为所述完整数据集。5.如权利要求4所述变量异常修复方法，其特征在于，所述基于所述目标时点，选取所述历史数据集中缺失变量对应的取值，获得所述缺失数据集步骤包括：在预设观察时长中选取缺失程度随机数，获得所述历史数据集中缺失变量对应的缺失程度；基于所述目标时点，将所述历史数据集中对应的缺失变量的取值按照所述缺失程度进行设置，获得所述缺失数据集。6.如权利要求3所述变量异常修复方法，其特征在于，在所述根据所述缺失数据集和所述特征信息结果，对所述全连接神经网络模型进行迭代训练优化，获得所述缺失数据预测模型的步骤之前，所述变量异常修复方法还包括：获取所述缺失数据集中缺失数据对应的缺失个数；将所述缺失数据集抽取为多维特征向量；
基于所述缺失个数，将所述多维特征向量按照预设数值规则进行设置，获得缺失数据维度特征向量。7.如权利要求1所述变量异常修复方法，其特征在于，所述缺失数据预测模型包括长短期记忆网络模型和全连接神经网络模型，所述通过缺失数据预测模型对所述待预测数据集中的缺失变量进行预测，获得数据预测结果的步骤包括：将所述待预测数据集中各完整变量的历史取值输入所述长短期记忆网络模型，输出所述待预测数据集中各完整变量对应的特征信息结果；将所述待预测数据集中各完整变量对应的特征信息结果和所述待预测数据集中缺失变量的历史取值输入所述全连接神经网络模型，输出所述所述缺失变量的数据预测结果。8.一种变量异常修复设备，其特征在于，所述变量异常修复设备包括：存储器、处理器以及存储在存储器上的变量异常修复程序，所述变量异常修复程序被所述处理器执行实现如权利要求1至7中任一项所述变量异常修复方法的步骤。9.一种介质，所述介质为可读存储介质，其特征在于，所述可读存储介质上存储有变量异常修复程序，所述变量异常修复程序被处理器执行以实现如权利要求1至7中任一项所述变量异常修复方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述变量异常修复方法的步骤。

技术总结
本申请公开了一种变量异常修复方法、设备、介质及计算机程序产品，所述变量异常修复方法包括：获取待预测数据集，通过缺失数据预测模型对所述待预测数据集中的缺失变量进行预测，获得数据预测结果，其中，所述缺失数据预测模型是通过预先收集的缺失数据集和完整数据集对待训练缺失数据预测模型进行迭代训练优化得到的，基于所述数据预测结果，对所述缺失变量进行修复，获得变量修复结果。本申请解决了模型预测的准确性低的技术问题。决了模型预测的准确性低的技术问题。决了模型预测的准确性低的技术问题。


技术研发人员：要卓 陈婷 吴三平 庄伟亮
受保护的技术使用者：深圳前海微众银行股份有限公司
技术研发日：2021.08.12
技术公布日：2021/11/14