业务信息预测方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种业务信息预测方法、装置、计算机设备和存储介质。


背景技术：

2.随着计算机技术与互联网技术的发展，出现了大数据技术。大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。通过对商品流通过程的相关业务信息大数据进行预测，确定商品的市场需求，可以有效提高商品流通过程的服务满足率的同时减少浪费率。
3.目前针对商品流通过程的相关业务信息数据进行预测的方法主要包括了机器学习，机器学习可以更加灵活地对这些商品流通数据进行特征工程处理，从而根据商品流通过程的业务信息数据的特征确定商品的市场需求，进而指导商品的生产流程。
4.然而机器学习的方法在遇到商品流通过程中的事件时，预测的准确率难以保证。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高预测准确率的事件影响下业务信息预测方法、装置、计算机设备和存储介质。
6.一种事件影响下业务信息预测方法，所述方法包括：
7.获取业务信息预测请求；
8.查找所述业务信息预测请求对应的事件数据；
9.提取所述事件数据对应的事件大小类型数据以及事件特征数据；
10.将所述事件大小类型数据以及所述事件特征数据输入预设信息预测模型，获取业务信息预测结果，所述预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。
11.在其中一个实施例中，所述将所述事件大小类型数据以及所述事件特征数据输入预设信息预测模型，获取业务信息预测结果之前，还包括：
12.获取历史业务信息以及历史事件数据；
13.根据所述历史业务信息以及历史事件数据，获取模型训练数据；
14.通过所述模型训练数据对初始信息预测模型进行训练，获得预测过渡模型；
15.根据所述历史业务信息以及所述历史事件数据，为所述预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
16.在其中一个实施例中，所述根据所述历史业务信息以及历史事件数据，获取模型训练数据以及模型测试数据包括：
17.提取所述历史事件数据对应的事件大小类型数据和事件特征数据；根据所述事件大小类型数据添加事件类型标签至所述历史业务信息，并根据所述事件特征数据添加事件
特征标签至所述历史事件数据，生成模型训练数据。
18.在其中一个实施例中，提取所述历史事件数据对应的事件特征数据包括：
19.提取所述历史事件数据中各事件对应的物品关联信息以及各事件对应的业务处理点类别；
20.根据提取的物品关联信息，获取所述历史事件数据对应的分箱特征和排序特征，并根据所述各事件对应的业务处理点类别，获取历史事件数据对应的交叉特征；
21.其中，所述排序特征基于提取的物品关联信息对应的排名特征获取。
22.在其中一个实施例中，所述根据所述历史业务信息以及所述历史事件数据，为所述预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型包括：
23.根据各类型历史事件对应的历史业务信息以及未发生历史事件对应的历史业务信息，获取各类型历史事件对应的因子系数；
24.根据各类型历史事件对应的因子系数生成输出结果因子系数调节函数；
25.为所述预测过渡模型添加所述输出结果因子系数调节函数，获取预设信息预测模型。
26.在其中一个实施例中，所述根据各类型历史事件对应的因子系数生成输出结果因子系数调节函数包括：
27.对各类型历史事件对应的模型训练数据进行t检验；
28.根据各类型历史事件对应的模型训练数据的t检验结果数据，生成输出结果因子系数调节函数。
29.一种事件影响下业务信息预测装置，所述装置包括：
30.请求获取模块，用于获取业务信息预测请求；
31.数据查找模块，用于查找所述业务信息预测请求对应的事件数据；
32.特征提取模块，用于提取所述事件数据对应的事件大小类型数据以及事件特征数据；
33.业务信息预测模块，用于将所述事件大小类型数据以及所述事件特征数据输入预设信息预测模型，获取业务信息预测结果，所述预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。
34.在其中一个实施例中，还包括模型构建模块，所述模型构建模块用于：
35.获取历史业务信息以及历史事件数据；
36.根据所述历史业务信息以及历史事件数据，获取模型训练数据；
37.通过所述模型训练数据对初始信息预测模型进行训练，获得预测过渡模型；
38.根据所述历史业务信息以及所述历史事件数据，为所述预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
39.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
40.获取业务信息预测请求；
41.查找所述业务信息预测请求对应的事件数据；
42.提取所述事件数据对应的事件大小类型数据以及事件特征数据；
43.将所述事件大小类型数据以及所述事件特征数据输入预设信息预测模型，获取业
务信息预测结果，所述预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。
44.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
45.获取业务信息预测请求；
46.查找所述业务信息预测请求对应的事件数据；
47.提取所述事件数据对应的事件大小类型数据以及事件特征数据；
48.将所述事件大小类型数据以及所述事件特征数据输入预设信息预测模型，获取业务信息预测结果，所述预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。
49.上述事件影响下业务信息预测方法、装置、计算机设备和存储介质，通过获取业务信息预测请求；查找所述业务信息预测请求对应的事件数据；提取所述事件数据对应的事件大小类型数据以及事件特征数据；将所述事件大小类型数据以及所述事件特征数据输入预设信息预测模型，获取业务信息预测结果，所述预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。本技术基于历史业务信息和历史事件数据，通过因子系数调节的方法来构建预设信息预测模型，而后获取业务信息预测请求，通过将影响业务信息的事件数据对应的事件大小类型数据以及事件特征数据，输入预设信息预测模型，由预设信息预测模型结合具体的事件数据，获取对应的事件影响下业务信息预测结果，可以有效提高事件影响下业务信息预测的准确性。
附图说明
50.图1为一个实施例中事件影响下业务信息预测方法的应用环境图；
51.图2为一个实施例中事件影响下业务信息预测方法的流程示意图；
52.图3为一个实施例中构建预设信息预测模型的流程示意图；
53.图4为一个实施例中图3中步骤308的子流程示意图；
54.图5为一个实施例中图4中步骤403的子流程示意图；
55.图6为一个实施例中事件影响下业务信息预测装置的结构框图；
56.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
57.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
58.本技术提供的装箱可视化方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。当遇到事件时，如果终端102所在方的用户需要对事件时期的业务信息进行预测时，终端102可以提交业务信息预测请求至服务器104，服务器104获取业务信息预测请求；查找业务信息预测请求对应的事件数据；提取事件数据对应的事件大小类型数据以及事件特征数据；将事件大小类型数据以及事件特征数据输入预设信息预测模型，获取业务信息预测结果，预设信息预测模型基于历史业务信息和历史
事件数据，采用因子系数调节构建。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
59.在一个实施例中，如图2所示，提供了一种事件影响下业务信息预测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
60.步骤201，获取业务信息预测请求。
61.其中，业务信息预测请求具体是指事件影响下的业务信息预测请求，该请求的目的在于用于获取相应的业务信息预测结果。在其中一个实施例中，业务信息具体可以为商品的销售量，本技术事件影响下业务信息预测方法可以用于进行事件影响下商品销售量分析预测，在预测到准确的销售量之后可以进一步地指导工厂合理生产，从而优化生产结构，提高供应链的整体效率。
62.具体的，在业务被事件影响时，为了对事件发生期间的业务信息数据进行分析预测，用户可以通过终端102向服务器提交业务信息预测请求，而后服务器104可以获取业务信息预测请求，以进行后续的事件影响下业务信息预测。
63.步骤203，查找业务信息预测请求对应的事件数据。
64.其中，事件数据具体是指影响业务的将发生的事件，或者正在发生的事件对应的数据。在其中一个实施例中，业务信息预测请求的预测目标是待销售商品在事件期间的销量。事件具体可以是待销售商品所在商店范围内举行了一场演唱会，或者是疾病疫情的爆发等。
65.具体地，当服务器接收到业务信息预测请求后，为了对业务信息进行分析预测，可以进一步地查找该业务信息预测请求对应的事件数据。其中事件数据可以预存在一个预设事件数据库内，当有事件正在发生，或者将要爆发时，工作人员可以将事件相关的事件数据录入该预设事件数据库。并对每个事件数据分配相应的编号。而终端102提交的业务信息预测请求除了业务信息的数据外，还可以包含事件数据的编号。从而服务器104可以在接收到事件影响下业务信息预测请求后，查找到事件影响下业务信息预测请求对应的事件数据。
66.步骤205，提取事件数据对应的事件大小类型数据以及事件特征数据。
67.具体地，事件数据可以包括事件的大小类型数据以及事件的特征数据。其中事件的大小类型数据是指事件所属的类型，如可以根据事件对待分析物品的影响，判断事件是属于大事件还是小事件。而事件的特征数据是指根据事件的属性构造获得的特征数据，为了增加预设数据模型的预测准确度，可以将事件构造成相应的特征，而后将这些特征加入到预设信息预测模型中去，一方面可以通过事件在模型中重要程度得出事件对预测影响程度，另一方面可以增加预设信息预测模型的鲁棒性。在其中一个实施例中，本技术的事件影响下业务信息预测方法具体用于商店内的待销售商品在事件时期的销量进行预测，则构造的特征具体可以包括：类别特征、分箱特征、排序特征以及交叉特征。
68.步骤207，将事件大小类型数据以及事件特征数据输入预设信息预测模型，获取业务信息预测结果，预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。
69.其中预设信息预测模型与需要预测的业务信息一一对应，专门用于对待业务信息进行分析，来获得事件影响下的业务信息预测结果。该预设信息预测模型是基于历史业务
信息和历史事件数据构建，而后通过因子系数调节进行后处理后获得得到的。预设信息预测模型在获得事件数据对应的事件大小类型数据与事件特征数据，可以基于事件数据对应的事件大小类型数据与事件特征数据来对事件对业务信息的影响进行分析，从而获得与之对应的业务信息预测结果。其中事件数据对应的事件大小类型数据用于确定预设信息预测模型中用于调节的因子系数的大小，而事件数据对应的特征数据则是用于确定事件对事件影响下业务信息预测结果的影响。因为由于出现事件时，模型的整体预测准确度会有一定程度的下降，但是并不是对每个事件的预测准确度都会下降，因此，为了更好的调节预测的准确度，进行预测结果因子调节法。在其中一个实施例中，业务信息预测请求的目的是获得某个待销售商品在事件发生时期的销量数据。而预设信息预测模型具体用于分析实现销量数据的越策。预设信息预测模型具体可以是一个机器学习模型。
70.上述事件影响下业务信息预测方法，通过获取业务信息预测请求；查找业务信息预测请求对应的事件数据；提取事件数据对应的事件大小类型数据以及事件特征数据；将事件大小类型数据以及事件特征数据输入预设信息预测模型，获取业务信息预测结果，预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。本技术基于历史业务信息和历史事件数据，通过因子系数调节的方法来构建预设信息预测模型，而后获取业务信息预测请求，通过将影响业务信息的事件数据对应的事件大小类型数据以及事件特征数据，输入预设信息预测模型，由预设信息预测模型结合具体的事件数据，获取对应的事件影响下业务信息预测结果，可以有效提高事件影响下业务信息预测的准确性。
71.在其中一个实施例中，步骤207之前，还包括：
72.步骤302，获取历史业务信息以及历史事件数据。
73.步骤304，根据历史业务信息以及历史事件数据，获取模型训练数据。
74.步骤306，通过模型训练数据对初始信息预测模型进行训练，获得预测过渡模型。
75.步骤308，根据历史业务信息以及历史事件数据，为预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
76.其中历史业务信息是指与事件影响下业务信息预测方法的业务信息相关的历史数据，如对于待分析物品的销量进行预测，则历史业务信息是指历史记录中待分析物品各个时期的销量。而模型训练数据而模型测试数据是指用于对初始机器学习模型进行训练以及测试所用到的数据。可以基于这些模型训练数据对初始模型进行训练，而后为训练获得的预测过渡模型添加输出结果因子系数调节模块，通过因子系数调节对训练获得的模型进行后处理，获得可用的预设信息预测模型。此外，还可以根据历史业务信息以及历史事件数据获取模型测试数据，通过模型测试数据对训练完成的初始信息预测模型进行测试，将通过测试的模型作为预测过渡模型。其中模型训练数据对初始信息预测模型进行训练具体是指，通过模型训练数据对初始信息预测模型进行有监督训练。本实施例中，基于历史业务信息以及历史事件数据获取对应的模型训练数据，而后通过这些数据获取相应的预测模型，并为训练完成的模型添加因子系数调节模块，可以有效提高模型训练的效率，并保证模型预测的准确率。
77.在其中一个实施例中，步骤304包括：提取历史事件数据对应的事件大小类型数据和事件特征数据；根据事件大小类型数据添加事件类型标签至历史业务信息，并根据事件特征数据添加事件特征标签至历史事件数据，生成模型训练数据。
78.其中，可以与历史业务信息结合，用于体现历史业务信息的事件特征，而事件特征数据则可以为历史事件数据添加对应的事件特征标签。其中为历史业务信息添加对应的事件类型标签，具体是指根据事件出现的日期，为目标历史数据添加是否处于事件时期的事件类型标签。同时还可以根据事件时期的销售量变化情况，确定事件是大事件还是小事件，进而为目标历史数据添加处于大事件还是处于小事件的事件类型标签，在其中一个实施例中，业务信息具体是指商品的销量，此时可以以周末销量均值为参照，确定事件是大事件还是小事件。首先分析各个事件销量均值的直方图分布情况；而后对比事件期间的销量均值与周末销量均值的情况；并将事件销量均值大于周末销量均值的50％的事件划分为大事件，其它的划分为小事件。而事件特征数据则可以直接作为特征标签添加到历史事件数据中。为了增加事件影响下业务信息预测模型的预测准确度，可以提取事件对应的特征数据，调加到机器学习模型中去，一方面可以通过事件在模型中重要程度得出事件对预测影响程度，另一方面可以增加模型的鲁棒性。具体的，为事件数据添加事件特征标签具体可以包括以下特征。类别特征：直接给事件打上是否是事件时期的0-1事件特征标签；分箱特征：为了更加细致的区别各个事件的影响，通过事件的销量直方图对事件按销量均值进行分箱，并添加分箱特征标签；排序特征：针对不同的事件类型按照销量均值进行排序，并添加相应的排序结果标签；交叉特征：为了体现事件对不同门店不同商品的影响程度，将门店、商品与事件类别进行交叉，得到相应的交叉特征。而后即可将添加事件类型标签的历史业务信息以及添加事件特征标签的历史事件数据，作为模型训练数据使用。在其中一个实施例中，事件影响下业务信息预测的目标是门店商品的销量，此时可以以门店商品的历史销量数据以及器件的事件数据做为一个样本，构建相应的模型训练数据以及模型测试数据并将近一年的数据划分为训练集(10个月)和测试集(2个月)。本实施例中，通过为历史业务信息以及历史事件数据添加对应的数据标签，可以高效地获得可用的模型训练数据以及模型测试数据，从而提高模型的训练效率，并提高模型预测的准确性。
79.在其中一个实施例中，提取历史事件数据中各事件对应的物品关联信息以及各事件对应的业务处理点类别；根据提取的物品关联信息，获取历史事件数据对应的分箱特征和排序特征，并根据各事件对应的业务处理点类别，获取历史事件数据对应的交叉特征；其中，排序特征基于提取的物品关联信息对应的排名特征获取。
80.其中，数据分箱也称为离散分箱或分段，是一种数据预处理技术，用于减少次要观察误差的影响，是一种将多个连续值分组为较少数量的“分箱”的方法。在本技术用于对事件时期商品销量进行分析时，分箱具体是指通过事件时期的销量直方图对事件按销量均值进行分箱处理。而交叉特征则是为了体现事件对不同业务处理点类别不同业务的影响程度，将业务处理点类别、业务与事件类别进行交叉，得到相应的交叉特征。
81.具体的，可以基于历史事件数据中各事件的具体数据，构造出各个历史事件对应的特征数据。这些特征数据可以作为附加到对应的历史事件数据上。在本实施例中，通过将事件构造成相应的特征，可以通过事件在事件影响下业务信息预测模型中重要程度得出事件对预测影响程度，从而提高事件影响下业务信息预测过程的预测准确性，另一方面还可以增加事件影响下业务信息预测模型的鲁棒性。
82.如图4所示，在其中一个实施例中，步骤308包括：
83.步骤401，根据各类型历史事件对应的历史业务信息以及未发生历史事件对应的
历史业务信息，获取各类型历史事件对应的因子系数；
84.步骤403，根据各类型历史事件对应的因子系数生成输出结果因子系数调节函数；
85.步骤405，为预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
86.其中，各类型历史事件都有与其对应的因子系数。从而在模型输出事件影响下业务信息预测结果之前，可以基于输入的事件影响下业务信息预测请求对应的事件数据，来添加相应的因子系数，从而可以确定最后的事件影响下业务信息预测结果。由于出现事件时，事件影响下业务信息预测模型的整体预测准确度会有一定程度的下降，但是并不是针对每个待分析物品在出现事件时预测准确度都会下降，因此，为了更好的调节预测的准确度，进行预测结果因子调节法。而根据各类型历史事件对应的历史业务信息以及未发生历史事件对应的历史业务信息，获取各类型历史事件对应的因子系数是指基于是否发生事件来获取结果调节用的因子系数。如在其中一个实施例中，本技术用于对事件时期商品销量进行分析，此时各类型历史事件对应的因子系数＝出现事件销量均值/不出现事件销量均值。而获得各类型时间对应的因子系数后，可以相应生成模型对应的输出结果因子系数调节模块，该模块用于对模型的原始输出结果进行因子调节，得到最终的事件影响下业务信息预测结果。而为预测过渡模型添加输出结果因子系数调节模块后，即可获取预设信息预测模型。本实施例中，基于事件时期以及非事件时期的历史业务信息，确定各类型历史事件的因子系数，进而为预测过渡模型添加输出结果因子系数调节模块，可以对模型的后处理，可以有效提高最后生成的预设信息预测模型的预测准确率。
87.如图5所示，在其中一个实施例中，步骤403包括：
88.步骤502，对各类型历史事件对应的模型训练数据进行t检验。
89.步骤504，根据各类型历史事件对应的模型训练数据的t检验结果数据，生成输出结果因子系数调节函数。
90.其中，t检验，亦称student t检验。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。在本技术中，可以通过在训练集上对样本进行t检验，从而确定是否事件影响下业务信息预测的结果数据进行因子系数调节。对于某个类型历史事件的样本，如果最终的样本数据不显著则对预测结果不进行因子系数调节处理，而如果显著则进行处理。在本实施例中，通过t检验，来确定是否对预测结果进行相应的因子系数调节处理，可以提高因子系数调节的准确率，从而提高预设信息预测模型的预测准确性。
91.应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
92.在一个实施例中，如图6所示，提供了一种事件影响下业务信息预测装置，包括：请求获取模块601、数据查找模块603、特征提取模块605和业务信息预测模块607，其中：
93.请求获取模块601，用于获取业务信息预测请求；
94.数据查找模块603，用于查找业务信息预测请求对应的事件数据；
95.特征提取模块605，用于提取事件数据对应的事件大小类型数据以及事件特征数据；
96.业务信息预测模块607，用于将事件大小类型数据以及事件特征数据输入预设信息预测模型，获取业务信息预测结果，预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。
97.在一个实施例中，还包括模型构建模块，模型构建模块用于：获取历史业务信息以及历史事件数据；根据历史业务信息以及历史事件数据，获取模型训练数据；通过模型训练数据对初始信息预测模型进行训练，获得预测过渡模型；根据历史业务信息以及历史事件数据，为预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
98.在一个实施例中，模型构建模块还用于：提取历史事件数据对应的事件大小类型数据和事件特征数据；根据事件大小类型数据添加事件类型标签至历史业务信息，并根据事件特征数据添加事件特征标签至历史事件数据，生成模型训练数据。
99.在一个实施例中，模型构建模块还用于：提取历史事件数据中各事件对应的物品关联信息以及各事件对应的业务处理点类别；根据提取的物品关联信息，获取历史事件数据对应的分箱特征和排序特征，并根据各事件对应的业务处理点类别，获取历史事件数据对应的交叉特征；其中，排序特征基于提取的物品关联信息对应的排名特征获取。
100.在一个实施例中，模型构建模块还用于：根据各类型历史事件对应的历史业务信息以及未发生历史事件对应的历史业务信息，获取各类型历史事件对应的因子系数；根据各类型历史事件对应的因子系数生成输出结果因子系数调节函数；为预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
101.在一个实施例中，模型构建模块还用于：对各类型历史事件对应的模型训练数据进行t检验；根据各类型历史事件对应的模型训练数据的t检验结果数据，生成输出结果因子系数调节函数。
102.关于事件影响下业务信息预测装置的具体限定可以参见上文中对于事件影响下业务信息预测方法的限定，在此不再赘述。上述事件影响下业务信息预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
103.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储事件影响下业务信息预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种事件影响下业务信息预测方法。
104.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备
可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
105.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
106.获取业务信息预测请求；
107.查找业务信息预测请求对应的事件数据；
108.提取事件数据对应的事件大小类型数据以及事件特征数据；
109.将事件大小类型数据以及事件特征数据输入预设信息预测模型，获取业务信息预测结果，预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。
110.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史业务信息以及历史事件数据；根据历史业务信息以及历史事件数据，获取模型训练数据；通过模型训练数据对初始信息预测模型进行训练，获得预测过渡模型；根据历史业务信息以及历史事件数据，为预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
111.在一个实施例中，处理器执行计算机程序时还实现以下步骤：提取历史事件数据对应的事件大小类型数据和事件特征数据；根据事件大小类型数据添加事件类型标签至历史业务信息，并根据事件特征数据添加事件特征标签至历史事件数据，生成模型训练数据。
112.在一个实施例中，处理器执行计算机程序时还实现以下步骤：提取历史事件数据中各事件对应的物品关联信息以及各事件对应的业务处理点类别；根据提取的物品关联信息，获取历史事件数据对应的分箱特征和排序特征，并根据各事件对应的业务处理点类别，获取历史事件数据对应的交叉特征；其中，排序特征基于提取的物品关联信息对应的排名特征获取。
113.在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据各类型历史事件对应的历史业务信息以及未发生历史事件对应的历史业务信息，获取各类型历史事件对应的因子系数；根据各类型历史事件对应的因子系数生成输出结果因子系数调节函数；为预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
114.在一个实施例中，处理器执行计算机程序时还实现以下步骤：对各类型历史事件对应的模型训练数据进行t检验；根据各类型历史事件对应的模型训练数据的t检验结果数据，生成输出结果因子系数调节函数。
115.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
116.获取业务信息预测请求；
117.查找业务信息预测请求对应的事件数据；
118.提取事件数据对应的事件大小类型数据以及事件特征数据；
119.将事件大小类型数据以及事件特征数据输入预设信息预测模型，获取业务信息预测结果，预设信息预测模型基于历史业务信息和历史事件数据，采用因子系数调节构建。
120.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史业务信息以及历史事件数据；根据历史业务信息以及历史事件数据，获取模型训练数据；通过模型训练数据对初始信息预测模型进行训练，获得预测过渡模型；根据历史业务信息以及历史事件数据，为预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
121.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取历史事件数
据对应的事件大小类型数据和事件特征数据；根据事件大小类型数据添加事件类型标签至历史业务信息，并根据事件特征数据添加事件特征标签至历史事件数据，生成模型训练数据。
122.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取历史事件数据中各事件对应的物品关联信息以及各事件对应的业务处理点类别；根据提取的物品关联信息，获取历史事件数据对应的分箱特征和排序特征，并根据各事件对应的业务处理点类别，获取历史事件数据对应的交叉特征；其中，排序特征基于提取的物品关联信息对应的排名特征获取。
123.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据各类型历史事件对应的历史业务信息以及未发生历史事件对应的历史业务信息，获取各类型历史事件对应的因子系数；根据各类型历史事件对应的因子系数生成输出结果因子系数调节函数；为预测过渡模型添加输出结果因子系数调节函数，获取预设信息预测模型。
124.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对各类型历史事件对应的模型训练数据进行t检验；根据各类型历史事件对应的模型训练数据的t检验结果数据，生成输出结果因子系数调节函数。
125.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
126.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
127.以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。