场景贝叶斯网络的构建方法、变量取值预测方法和装置与流程

1.本技术涉及计算机技术领域，尤其涉及场景贝叶斯网络的构建方法、变量取值预测方法和装置。


背景技术：

2.相关技术中，在对对应场景所对应的贝叶斯网络进行构建的过程中，通常依赖专家经验，从数据出发进行结构学习，如基于限制的(constraint
‑
based)和基于分数的(score
‑
based)结构学习方法等，然而，上述构建贝叶斯网络的方式，贝叶斯网络的构建成本较高，贝叶斯网络的效率不高。因此，如何以便捷的方式构建贝叶斯网络是目前亟需解决的问题。


技术实现要素：

3.本技术提出一种场景贝叶斯网络的构建方法、变量取值预测方法和装置。
4.本技术一方面实施例提出了一种场景贝叶斯网络的构建方法，包括：获取待处理的场景类型，并获取所述场景类型对应的场景变量集合，其中，所述场景变量集合包括多个场景变量；确定所述多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度，其中，所述第二时间段的开始时间减去所述第一时间段的开始时间所得到的时间差等于预设时间差；根据任意两个变量之间在第一时间段和第二时间段上的相关度，确定所述场景类型对应的场景变量对集合，其中，所述场景变量对集合包括多个场景变量对，每个所述场景变量对均包括第一场景变量和第二场景变量，其中，所述第一场景变量和所述第二场景变量为所述多个场景变量中的任意一个，所述第一场景变量在所述第一时间段上和所述第二场景变量在第二时间段上的相关度大于预设相关度阈值；根据所述第一场景变量和第二场景变量，构建所述场景类型对应的贝叶斯网络，所述贝叶斯网络包括第一节点和第二节点，所述第一节点与所述第一场景变量对应，所述第二节点与所述第二场景变量对应，所述第一节点与所述第二节点之间的有向边的起点为所述第一节点，终点为所述第二节点，所述有向边上的取值为所述第一场景变量与所述第二场景变量之间的相关度。
5.在本技术的一个实施例中，所述确定所述多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度，包括：获取每个所述场景变量在所述第一时间段和所述第二时间段上的变量值序列；针对每个所述场景变量，将所述场景变量在所述第一时间段上的变量值序列，与所述多个场景变量中每个场景变量在第二时间段上的变量值序列进行相关性计算，以得到所述多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度。
6.在本技术的一个实施例中，所述预设时间差通过下述方式得到的：提供与所述场景类型对应的多个候选时间差；获取从所述多个候选时间差选择出的目标时间差，并将所述目标差作为所述预设时间差。
7.在本技术的一个实施例中，在所述获取待处理的场景类型之前，所述方法还包括：
提供多个候选场景类型；获取从多个候选场景类型中选择出的目标场景类型，并将目标场景类型作为所述待处理的场景类型。
8.在本技术的一个实施例中，所述获取每个所述场景变量在所述第一时间段和所述第二时间段上的变量值序列，包括：从所述场景类型对应的处理系统中，获取每个所述场景变量在所述第一时间段和所述第二时间段上的变量值序列。
9.本技术实施例的场景贝叶斯网络的构建方法，在构建待场景的场景类型的贝叶斯网络的过程中，结合该场景类型对应的多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度，确定所述场景类型对应的场景变量对集合，然后，结合场景变量对集合中的第一场景变量和第二场景变量，构建所述场景类型对应的贝叶斯网络。由此，结合对应场景变量在时序上的相关性，直接构建场景类型对应的贝叶斯网络，方便了构建对应场景类型的贝叶斯网络，提高了贝叶斯网络的构建效率。
10.本技术另一方面实施例提出了一种基于上述实施例的贝叶斯网络进行变量取值预测方法，所述方法包括：获取各个场景变量在当前时间段上的变量值序列；将所述变量值序列输入至所述贝叶斯网络中，以得到在各个场景变量下一个时间段上的变量预测值序列。
11.本技术实施例的变量取值预测方法，在对下一个时间段上各个场景变量的变量值进行预测的过程中，结合各个场景变量在当前时间段上的变量值序列，通过贝叶斯网络，准确确定出了各个场景变量下一个时间段上的变量预测值序列。由此，方便了后续基于下一个时间段上的变量预测值序列继续后续业务处理。
12.本技术另一方面实施例提出了一种场景贝叶斯网络的构建装置，包括：第一获取模块，用于获取待处理的场景类型，并获取所述场景类型对应的场景变量集合，其中，所述场景变量集合包括多个场景变量；第一确定模块，用于确定所述多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度，其中，所述第二时间段的开始时间减去所述第一时间段的开始时间所得到的时间差等于预设时间差；第二确定模块，用于根据任意两个变量之间在第一时间段和第二时间段上的相关度，确定所述场景类型对应的场景变量对集合，其中，所述场景变量对集合包括多个场景变量对，每个所述场景变量对均包括第一场景变量和第二场景变量，其中，所述第一场景变量和所述第二场景变量为所述多个场景变量中的任意一个，所述第一场景变量在所述第一时间段上和所述第二场景变量在第二时间段上的相关度大于预设相关度阈值；构建模块，用于根据所述第一场景变量和第二场景变量，构建所述场景类型对应的贝叶斯网络，所述贝叶斯网络包括第一节点和第二节点，所述第一节点与所述第一场景变量对应，所述第二节点与所述第二场景变量对应，所述第一节点与所述第二节点之间的有向边的起点为所述第一节点，终点为所述第二节点，所述有向边上的取值为所述第一场景变量与所述第二场景变量之间的相关度。
13.在本技术的一个实施例中，所述第一确定模块，包括：获取单元，用于获取每个所述场景变量在所述第一时间段和所述第二时间段上的变量值序列；相关性计算单元，用于针对每个所述场景变量，将所述场景变量在所述第一时间段上的变量值序列，与所述多个场景变量中每个场景变量在第二时间段上的变量值序列进行相关性计算，以得到所述多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度。
14.在本技术的一个实施例中，所述预设时间差通过下述方式得到的：提供与所述场
景类型对应的多个候选时间差；获取从所述多个候选时间差选择出的目标时间差，并将所述目标差作为所述预设时间差。
15.在本技术的一个实施例中，所述装置还包括：提供模块，用于提供多个候选场景类型；第二获取模块，用于获取从多个候选场景类型中选择出的目标场景类型，并将所述目标场景类型作为所述待处理的场景类型。
16.在本技术的一个实施例中，所述获取单元，具体用于：从所述场景类型对应的处理系统中，获取每个所述场景变量在所述第一时间段和所述第二时间段上的变量值序列。
17.本技术实施例的场景贝叶斯网络的构建装置，在构建待场景的场景类型的贝叶斯网络的过程中，结合该场景类型对应的多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度，确定所述场景类型对应的场景变量对集合，然后，结合场景变量对集合中的第一场景变量和第二场景变量，构建所述场景类型对应的贝叶斯网络。由此，结合对应场景变量在时序上的相关性，直接构建场景类型对应的贝叶斯网络，方便了构建对应场景类型的贝叶斯网络，提高了贝叶斯网络的构建效率。
18.本技术另一方面实施例提出了一种基于贝叶斯网络进行变量取值预测装置，所述装置包括：第三获取模块，用于获取各个场景变量在当前时间段上的变量值序列；预测模块，用于将所述变量值序列输入至所述贝叶斯网络中，以得到在各个场景变量下一个时间段上的变量预测值序列。
19.本技术实施例的变量取值预测装置，在对下一个时间段上各个场景变量的变量值进行预测的过程中，结合各个场景变量在当前时间段上的变量值序列，通过贝叶斯网络，准确确定出了各个场景变量下一个时间段上的变量预测值序列。由此，方便了后续基于下一个时间段上的变量预测值序列继续后续业务处理。
20.本技术另一方面实施例提出了一种电子设备，包括：一种电子设备，包括：存储器，处理器；所述存储器中存储有计算机指令，当所述计算机指令被所述处理器执行时，实现本技术实施例的贝叶斯网络的构建方法，或者，基于贝叶斯网络所进行的变量取值预测方法。
21.本技术另一方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本技术实施例公开的贝叶斯网络的构建方法，或者，基于贝叶斯网络所进行的变量取值预测方法。
22.上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
23.附图用于更好地理解本方案，不构成对本技术的限定。其中：
24.图1是根据本技术一个实施例的场景贝叶斯网络的构建方法的流程示意图。
25.图2是根据本技术另一个实施例的场景贝叶斯网络的构建方法的流程示意图。
26.图3是根据本技术一个实施例的变量值预测方法的流程示意图。
27.图4是根据本技术一个实施例的场景贝叶斯网络的构建装置的结构示意图。
28.图5是根据本技术一个实施例的变量取值预测装置的结构示意图。
29.图6是根据本技术一个实施例的电子设备的框图。
具体实施方式
30.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
31.下面参考附图描述本技术实施例的场景贝叶斯网络的构建方法、装置和电子设备。
32.图1是根据本技术一个实施例的场景贝叶斯网络的构建方法的流程示意图。其中，需要说明的是，本实施例提供的场景贝叶斯网络的构建方法的执行主体为场景贝叶斯网络的构建装置(为了方便描述，简称为“构建装置”)，该场景贝叶斯网络的构建装置可以为终端设备、服务器等硬件设备，或者为硬件设备上安装的软件。其中，需要说明的是，本实施例中的场景贝叶斯网络的构建装置可以提供贝叶斯构建功能。
33.如图1所示，该场景贝叶斯网络的构建方法可以包括：
34.步骤101，获取待处理的场景类型，并获取场景类型对应的场景变量集合，其中，场景变量集合包括多个场景变量。
35.在本技术的一个实施例中，在使用构建装置的过程中，在有创建对应场景的贝叶斯网络的需求的情况下，可在构建装置中触发相应控件(例如场景类型选择控件)，对应地，构建装置相应针对该控件的触发操作，提供多个候选场景类型，并获取从多个候选场景类型中选择出的目标场景类型，并将所述目标场景类型作为待处理的场景类型。
36.作为一种可能的实现方式，在检测到构建装置中对应的用户界面上的场景类型选择控件被触发后，构建装置可通过用户界面的形式显示多个场景类型，对应地，根据在该用户界面中的用户选择操作，确定从多个场景类型中所选中的目标场景类型，并将目标场景类型作为待处理的场景类型。
37.其中，场景类型可以包括场景变量在时序上存在相关性的场景类型，即，场景变量在时序上存在先后关系的场景类型。例如，场景类型可以是股票场景，在股票场景中，其对应的场景变量可以包括但不限于开盘价格、收盘时间、最高价格、最低价格等。例如，场景类型可以是宏观经济研究场景，在宏观经济研究场景中，场景变量可以包括宏观经济研究场景有关的各种宏观经济变量，比如，国内生产总值gdp等，各种宏观经济变量在时序上是存在一定的依赖关系的。
38.步骤102，确定多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度，其中，第二时间段的开始时间减去第一时间段的开始时间所得到的时间差等于预设时间差。
39.可以理解的是，在不同应用场景中，上述确定多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度的实现方式不同，举例说明如下；
40.作为一种可能的实现方式，可根据预先保存的场景类型和相关度数据之间的对应关系中，获取与该场景类型对应的相关度数据，该相关度数据中包括多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度。
41.作为另一种可能的实现方式，可获取多个场景变量在第一时间段上对应的第一变量值矩阵，并获取多个场景变量在第二时间段上对应的第二变量值矩阵，然后，根据第一变量值矩阵和第二变量值矩阵进行变量相关性计算，以得到变量相关性矩阵。其中，变量相关
性矩阵中的每个元素表示对应场景变量在第一时间段的变量值序列，与另一个对应场景变量在第二时间段的变量值序列之间的相关度。
42.其中，第一变量值矩阵中每一个列表示对应场景变量在第一时间段内的变量值序列。
43.其中，第二变量值矩阵中的每一个列表示对应场景变量在第二时间段内的变量值序列。
44.其中，可以理解是，本实施例中第一时间段和第二时间段的时间长度是相同，但是，对应的时间是不同的。例如，第一时间段和第二时间段的时间长度可以均为一天、一周、一个月或者一年等。
45.作为另一种可能的实现方式，可获取每个场景变量在第一时间段和第二时间段上的变量值序列，然后，针对每个场景变量，将场景变量在第一时间段上的变量值序列，与多个场景变量中每个场景变量在第二时间段上的变量值序列进行相关性计算，以得到多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度。
46.在本技术的一个实施例中，获取每个场景变量在第一时间段和第二时间段上的变量值序列的一种可能实现方式为：从场景类型对应的处理系统中，获取每个场景变量在第一时间段和第二时间段上的变量值序列。
47.其中，上述处理系统为对应场景类型对应的实际业务系统，该实际业务系统在运行该场景类型的业务的过程中，可记录该场景类型对应的场景变量在各个时间的变量值情况，从而构建装置可从该处理系统中获取对应场景变量在实际业务中对应时间段上的变量值。
48.在本技术的另一种实施例中，获取每个场景变量在第一时间段和第二时间段上的变量值序列的一种可能实现方式为：可根据预先的每个场景变量在各个时间点上的历史数据，确定出每个场景变量在第一时间段和第二时间段上的变量值序列。
49.其中，需要说明的是，上述预设时间差可以为一天、一个周、一个月，半年等，在实际应用中，可以根据实际场景需求来设置，该实施例对此不作具体限定。
50.在本技术的一个实施例中，为了减少用户在该构建装置手动选择对应场景类型的预设时间差的麻烦，在一些实施例中，该构建装置中可以默认设置对应场景类型对应的预设时间差。例如，可设置股票场景中对应的预设时间差为一天。又例如，在宏观经济研究场景，可设置宏观经济研究场景对应的预设时间差为一年或者两年。
51.在本技术的另一个实施例中，为了满足个性化选择时间差的需求，在一些实施例中，该构建装置可提供与场景类型对应的多个候选时间差，获取从多个候选时间差选择出的目标时间差，并将目标差作为预设时间差。
52.作为一种示例性的实施方式，该构建装置可通过用户界面的方式提供与场景类型对应的多个候选时间差，对应地，根据在该用户界面中的用户操作，从多个候选时间差中，获取用户选中的目标时间差，并将该目标时间差作为预设时间差。
53.在本技术的另一个实施例中，为了满足用户个性化设置时间差的需求，上述构建装置可提供与场景类型对应的时间差范围，并获取从该时间差范围内所选择的时间差，并将所选择的时间差作为预设时间差。
54.例如，构建装置可以显示时间差范围为1天
‑
30天，可获取用户根据时间差范围所
选择的时间差为2天，对应地，可将用户所选择的时间差2天作为预设时间差。
55.步骤103，根据任意两个变量之间在第一时间段和第二时间段上的相关度，确定场景类型对应的场景变量对集合。
56.其中，场景变量对集合包括多个场景变量对，每个场景变量对均包括第一场景变量和第二场景变量，其中，第一场景变量和第二场景变量为多个场景变量中的任意一个，第一场景变量在第一时间段上和第二场景变量在第二时间段上的相关度大于预设相关度阈值。
57.步骤104，根据第一场景变量和第二场景变量，构建场景类型对应的贝叶斯网络。
58.其中，贝叶斯网络包括第一节点和第二节点，第一节点与第一场景变量对应，第二节点与第二场景变量对应，第一节点与第二节点之间的有向边的起点为第一节点，终点为第二节点，有向边上的取值为第一场景变量与第二场景变量之间的相关度。
59.本技术实施例的场景贝叶斯网络的构建方法，在构建待场景的场景类型的贝叶斯网络的过程中，结合该场景类型对应的多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度，确定场景类型对应的场景变量对集合，然后，结合场景变量对集合中的第一场景变量和第二场景变量，构建场景类型对应的贝叶斯网络。由此，结合对应场景变量在时序上的相关性，直接构建场景类型对应的贝叶斯网络，方便了构建对应场景类型的贝叶斯网络，提高了贝叶斯网络的构建效率。
60.图2是根据本技术另一个实施例的场景贝叶斯网络的构建方法的流程示意图。其中，需要说明的是，第二实施例是对第一实施例的进一步细化或者优化。
61.如图2所示，该场景贝叶斯网络的构建方法可以包括：
62.步骤201，获取待处理的场景类型，并获取场景类型对应的场景变量集合，其中，场景变量集合包括多个场景变量。
63.步骤202，获取时序变量集1在第一时间段的第一变量值矩阵。
64.其中，第一时间段是从第一时刻到第t时刻之间的时间段。
65.例如，时序变量集set(a,b,c,d,
……
),其中a＝(a1，a2，...，a
t
))表示变量a从第一时刻到第t时刻上各个时刻的变量值。
66.在本技术的一个实施例中，对于多个场景变量在第一时间段上的各个变量值，可通过矩阵的方式进行表示，时序变量集1set(a,b,c,d,
……
)在第一时间段上对应的第一变量值矩阵如下所示：
[0067][0068]
其中，可以理解的是，通过第一变量值矩阵可以看出，上述第一变量值矩阵中的每一列表示对应场景变量在第一时刻到第t时刻上各个时刻的变量值。
[0069]
步骤203，获取与场景类型对应的预设时间差，根据第一时间段和预设时间差，确定第二时间段。
[0070]
步骤204，获取时序变量集2在第二时间段的第二变量值矩阵。
[0071]
在本实施例中，为了方便后续描述，可将第二时间段对应的场景变量集合2表示为set(a
′
，b
′
，c
′
，d
′
，......)。其中，可以理解的是，上述a和a
′
实际上表示是相同的场景变
量。
[0072]
在本技术的一个实施例中，对于多个场景变量在第二时间段上的各个变量值，可通过矩阵的方式进行表示，时序变量集2(set(a
′
，b
′
，c
′
，d
′
，......))在第二时间段上对应的第二变量值矩阵如下所示：
[0073][0074]
其中，第二变量值矩阵中的diff是表示预设时间差。
[0075]
其中，第二场景变量矩阵中的每一个列表示对应场景变量从diff时刻到t diff时刻之间上各个时刻上对应的变量值。例如，a
diff
表示对应场景变量a在diff时刻上的变量值，a
t diff
表示对应场景变量a在t diff时刻上的变量值。
[0076]
步骤205，获取与场景类型对应的相关度阈值。
[0077]
步骤206，根据第一变量值矩阵和第二变量值矩阵，确定时序变量集1和时序变量集2中变量的两两相关性，所得到的变量相关性矩阵。
[0078]
在本实施例中，通过矩阵的方式计算变量之间的相关性，可提高提升运算效率。
[0079]
其中，变量相关性矩阵如下：
[0080][0081]
其中，coρ(a，a
′
)表示时序变量集1中的场景变量a在第一时间段上的变量值序列，与时序变量集2中的场景变量a'在第二时间段上的变量值序列之间的相关度。
[0082]
步骤207，根据变量相关性矩阵和预设相关度阈值，得到场景类型对应的场景变量对集合。
[0083]
在本技术的一个实施例中，若预设时间差表示5天，即，diff＝5,变量相关性矩阵中的取值如[(a,b',ρ＝0.8),(c,d',ρ＝0.7),(e,f',ρ＝0.4)，
……
]，进行以下三种删除操作：删除其中相关性低于预设相关度阈值threshold的变量对,如threshold＝0.5，删除(e,f',ρ＝0.4)；删除自相关的变量对，如(a,a'，ρ＝0.9)；删除可能存在的循环结构，如[(a,b'，ρ＝0.8),(b'，a,ρ＝0.8)]；从而获得场景变量对集合。
[0084]
步骤208，根据场景变量对集合，构建该场景类型对应的贝叶斯网络。
[0085]
例如，场景变量对为a,b'的相关度大于预设相关度阈值，则场景变量a为贝叶斯网络中的第一节点，场景变量b'为贝叶斯网络的第二节点，第一节点为表示父节点，第二个节点表示子节点，该方法在解决节点关联问题的同时解决了节点之间的指向问题。
[0086]
步骤209，根据学习到的贝叶斯网络结构，设置父节点的数据为对应时序变量集1中的变量，子节点的数据为对应时序变量集2中的变量进行参数学习。
[0087]
在本实施例中，可结合每个场景变量在第一时间段的变量值矩阵，以及每个场景变量在第二时间段的变量值矩阵，基于极大似然估计法和贝叶斯估计法等，确定出贝叶斯网络结构中节点的条件概率。
[0088]
在本实施例中，针对待处理的场景类型，通过学习变量间时序上的相关性，按照发生时间的先后确定贝叶斯网络的节点边方向。由此，快速建立出了以该场景类型对应的贝
叶斯网络。
[0089]
为了实现上述实施例，本技术还提出一种使用第一方面实施例的贝叶斯网络所进行的变量值预测方法。
[0090]
图3是根据本技术一个实施例的变量值预测方法的流程示意图。
[0091]
其中，需要说明的是，本实施例提供的变量值预测方法的执行主体为变量值预测装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在变量值预测装置中，该变量值预测装置可配置在电子设备、服务器等，电子设备可以包括终端设备，终端设备可以包括个人计算机、平板电脑、智能电话等设备，该实施例对此不作具体限定。
[0092]
如图3所示，该方法可以包括：
[0093]
步骤301，获取各个场景变量在当前时间段上的变量值序列。
[0094]
步骤302，将变量值序列输入至贝叶斯网络中，以得到在各个场景变量下一个时间段上的变量预测值序列。
[0095]
本技术实施例的变量值预测方法，在对下一个时间段上各个场景变量的变量值进行预测的过程中，结合各个场景变量在当前时间段上的变量值序列，通过贝叶斯网络，准确确定出了各个场景变量下一个时间段上的变量预测值序列。由此，方便了后续基于下一个时间段上的变量预测值序列继续后续业务处理。
[0096]
与上述几种实施例提供的场景贝叶斯网络的构建方法相对应，本技术的一种实施例还提供一种场景贝叶斯网络的构建装置，由于本技术实施例提供的场景贝叶斯网络的构建装置与上述几种实施例提供的场景贝叶斯网络的构建方法相对应，因此在场景贝叶斯网络的构建方法的实施方式也适用于本实施例提供的场景贝叶斯网络的构建装置，在本实施例中不再详细描述。
[0097]
图4是根据本技术一个实施例的场景贝叶斯网络的构建装置的结构示意图。
[0098]
该场景贝叶斯网络的构建装置400包括：
[0099]
第一获取模块401，用于获取待处理的场景类型，并获取场景类型对应的场景变量集合，其中，场景变量集合包括多个场景变量。
[0100]
第一确定模块402，用于确定多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度，其中，第二时间段的开始时间减去第一时间段的开始时间所得到的时间差等于预设时间差。
[0101]
第二确定模块403，用于根据任意两个变量之间在第一时间段和第二时间段上的相关度，确定场景类型对应的场景变量对集合，其中，场景变量对集合包括多个场景变量对，每个场景变量对均包括第一场景变量和第二场景变量，其中，第一场景变量和第二场景变量为多个场景变量中的任意一个，第一场景变量在第一时间段上和第二场景变量在第二时间段上的相关度大于预设相关度阈值。
[0102]
构建模块404，用于根据第一场景变量和第二场景变量，构建场景类型对应的贝叶斯网络，贝叶斯网络包括第一节点和第二节点，第一节点与第一场景变量对应，第二节点与第二场景变量对应，第一节点与第二节点之间的有向边的起点为第一节点，终点为第二节点，有向边上的取值为第一场景变量与第二场景变量之间的相关度。
[0103]
在本技术的一个实施例中，如图4所示，该第一确定模块402，包括：
[0104]
获取单元4021，用于获取每个场景变量在第一时间段和第二时间段上的变量值序
列。
[0105]
相关性计算单元4022，用于针对每个场景变量，将场景变量在第一时间段上的变量值序列，与多个场景变量中每个场景变量在第二时间段上的变量值序列进行相关性计算，以得到多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度。
[0106]
在本技术的一个实施例中，预设时间差通过下述方式得到的：提供与场景类型对应的多个候选时间差；获取从多个候选时间差选择出的目标时间差，并将目标差作为预设时间差。
[0107]
在本技术的一个实施例中，如图4所示，该装置还包括：
[0108]
提供模块405，用于提供多个候选场景类型。
[0109]
第二获取模块406，用于获取从多个候选场景类型中选择出的目标场景类型，并将所述目标场景类型作为待处理的场景类型。
[0110]
在本技术的一个实施例中，上述获取单元4021，具体用于：
[0111]
从场景类型对应的处理系统中，获取每个场景变量在第一时间段和第二时间段上的变量值序列。
[0112]
本技术实施例的场景贝叶斯网络的构建装置，在构建待场景的场景类型的贝叶斯网络的过程中，结合该场景类型对应的多个场景变量中任意两个变量之间在第一时间段和第二时间段上的相关度，确定场景类型对应的场景变量对集合，然后，结合场景变量对集合中的第一场景变量和第二场景变量，构建场景类型对应的贝叶斯网络。由此，结合对应场景变量在时序上的相关性，直接构建场景类型对应的贝叶斯网络，方便了构建对应场景类型的贝叶斯网络，提高了贝叶斯网络的构建效率。
[0113]
为了实现上述实施例，本发明还提出一种使用第一方面实施例的贝叶斯网络进行变量取值预测装置。
[0114]
图5是根据本技术一个实施例的变量取值预测装置的结构示意图。
[0115]
如图5所示，该装置可以包括：
[0116]
第三获取模块501，用于获取各个场景变量在当前时间段上的变量值序列；
[0117]
预测模块502，用于将变量值序列输入至贝叶斯网络中，以得到在各个场景变量下一个时间段上的变量预测值序列。
[0118]
本技术实施例的变量取值预测装置，在对下一个时间段上各个场景变量的变量值进行预测的过程中，结合各个场景变量在当前时间段上的变量值序列，通过贝叶斯网络，准确确定出了各个场景变量下一个时间段上的变量预测值序列。由此，方便了后续基于下一个时间段上的变量预测值序列继续后续业务处理。
[0119]
根据本技术的实施例，本技术还提供了一种电子设备和一种可读存储介质。
[0120]
如图6所示，是根据本技术一个实施例的电子设备的框图。
[0121]
如图6所示，该电子设备该电子设备包括：
[0122]
存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机指令。
[0123]
处理器602执行指令时实现上述实施例中提供的场景贝叶斯网络的构建方法，或者，变量取值预测方法。
[0124]
进一步地，电子设备还包括：
[0125]
通信接口603，用于存储器601和处理器602之间的通信。
[0126]
存储器601，用于存放可在处理器602上运行的计算机指令。
[0127]
存储器601可能包含高速ram存储器，也可能还包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。
[0128]
处理器602，用于执行程序时实现上述实施例的场景贝叶斯网络的构建方法，或者，变量取值预测方法。
[0129]
如果存储器601、处理器602和通信接口603独立实现，则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0130]
可选的，在具体实现上，如果存储器601、处理器602及通信接口603，集成在一块芯片上实现，则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
[0131]
处理器602可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0132]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0133]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0134]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0135]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装
置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0136]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0137]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0138]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0139]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。