一种模型参数优化处理方法及装置与流程

1.本发明涉及数据处理技术领域，具体涉及一种模型参数优化处理方法及装置。


背景技术：

2.近年来，随着科技水平的提高，社交网络、基于位置的服务lbs、云计算、移动互联网和物联网技术的迅猛发展，无处不在的移动、无线传感器等设备无时不刻都在产生数据。各行各业都产生着不同类别的数据，如何分析、挖掘、利用这些数据是每个行业面临的挑战。使用计算机方法：机器学习、深度学习的挖掘方法，构建数据模型，进行分类、预测、用户画像、知识发现等，进一步解决实际问题是对数据的有效应用。
3.现有的时序数据分析方法有各自的优缺点，每种方法对数据的知识挖掘能力有限，因此针对不同的时序数据，要有针对性的选择适当的方法。首先确定该类数据的时序特点：“尖峰厚尾”现象，即不是标准正态，中部比标准正态要尖，两边比标准正态要宽；“异方差”，同方差指不管时间如何变化，金融资产回报率的方差不变，即方差分布独立于时间，异方差则不遵循同方差的数据规律；“波动集聚性”指时间尺度更短的情况下的波动情况；“杠杆效应”通俗来讲指好的消息总是没有坏的消息对市场的影响大。以上四个数据特点是根据不同时间尺度下的数据波形和数据的统计特性得到，得到这些数据特点，可以帮助分析人员对症下药，选择适合的数据模型分析方法。
4.现有业务处理模型可以进行日活数据预测和产品风险分类等，这些业务处理模型通常需要根据相应的业务样本数据训练神经网络得到，但是，由于业务处理模型的模型参数选择基于人工经验等因素，使得模型参数选择不够合理，无法充分体现业务数据时序性特点，业务处理结果不够精准。


技术实现要素：

5.针对现有技术中的问题，本发明实施例提供一种模型参数优化处理方法及装置，能够至少部分地解决现有技术中存在的问题。
6.一方面，本发明提出一种模型参数优化处理方法，包括：
7.获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；
8.根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；
9.根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；
10.根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
11.其中，所述根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数，包括：
12.依次计算相邻两个起始时点之间的时间间隔，并计算所有时间间隔之和；
13.将所述所有时间间隔之和与所述重复次数之间的比值作为所述子序列的数据周期特性参数。
14.其中，所述业务类型包括日活数据预测业务或产品风险分类业务；相应的，所述确定与所述业务类型对应的预设业务数据处理模型，包括：
15.确定与所述日活数据预测业务对应的预设日活数据预测模型；
16.或者，确定与所述产品风险分类业务对应的预设产品风险分类业务模型。
17.其中，所述时间循环神经网络包括长短时记忆网络；相应的，所述根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数，包括：
18.根据所述数据周期特性参数确定所述长短时记忆网络的时间步长，每重复出现一次所述子序列，用新出现的子序列替代原有子序列，以实现更新所述长短时记忆网络的记忆门内容。
19.一方面，本发明提出一种模型参数优化处理装置，包括：
20.获取单元，用于获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；
21.第一确定单元，用于根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；
22.第二确定单元，用于根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；
23.优化单元，用于根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
24.其中，所述第一确定单元具体用于：
25.依次计算相邻两个起始时点之间的时间间隔，并计算所有时间间隔之和；
26.将所述所有时间间隔之和与所述重复次数之间的比值作为所述子序列的数据周期特性参数。
27.其中，所述业务类型包括日活数据预测业务或产品风险分类业务；相应的，所述第二确定单元具体用于：
28.确定与所述日活数据预测业务对应的预设日活数据预测模型；
29.或者，确定与所述产品风险分类业务对应的预设产品风险分类业务模型。
30.其中，所述时间循环神经网络包括长短时记忆网络；相应的，所述优化单元具体用于：
31.根据所述数据周期特性参数确定所述长短时记忆网络的时间步长，每重复出现一次所述子序列，用新出现的子序列替代原有子序列，以实现更新所述长短时记忆网络的记忆门内容。
32.再一方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下方法：
33.获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序
列；
34.根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；
35.根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；
36.根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
37.本发明实施例提供一种计算机可读存储介质，包括：
38.所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：
39.获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；
40.根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；
41.根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；
42.根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
43.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如下方法：
44.获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；
45.根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；
46.根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；
47.根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
48.本发明实施例提供的模型参数优化处理方法及装置，获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数，能够优化模型参数，充分体现业务数据的时序性特点，使得业务处理结果更加精准。
附图说明
49.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
50.图1是本发明一实施例提供的模型参数优化处理方法的流程示意图。
51.图2是本发明另一实施例提供的模型参数优化处理方法的流程示意图。
52.图3是本发明另一实施例提供的模型参数优化处理方法的流程示意图。
53.图4是本发明一实施例提供的模型参数优化处理装置的结构示意图。
54.图5为本发明实施例提供的计算机设备实体结构示意图。
具体实施方式
55.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
56.图1是本发明一实施例提供的模型参数优化处理方法的流程示意图，如图1所示，本发明实施例提供的模型参数优化处理方法，包括：
57.步骤s1：获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列。
58.步骤s2：根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数。
59.步骤s3：根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到。
60.步骤s4：根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
61.在上述步骤s1中，装置获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列。装置可以是执行该方法的计算机设备等，例如服务器。本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。时序数据：指时间序列数据，就是在时间上分布的一系列数值。时序数据分析的目的是通过找出样本内时间序列的统计特性和发展规律性，构建时间序列模型，进行样本外预测。
62.引入rabin-karp算法，该算法的结果是找到序列中最长的重复子串，本发明实施例记录序列长度大于k的子序列，并关注该序列重复出现的次数以及位置(每次出现的起始时点)，这些属性作为该子序列的属性，以此类推，找到最长子序列。k即预设序列长度阈值，可以根据实际情况自主设置。
63.在上述步骤s2中，装置根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数。所述根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数，包括：
64.依次计算相邻两个起始时点之间的时间间隔，并计算所有时间间隔之和；
65.将所述所有时间间隔之和与所述重复次数之间的比值作为所述子序列的数据周期特性参数。举例说明如下：
66.由于是时间序列，数据位置反映了每次数据重复出现的时间点，如果9点、10点和11点各出现一次重复数据，则相邻两个起始时点之间的时间间隔为1小时，所有时间间隔之和为2小时，重复次数为2次，因此，子序列的数据周期特性参数为1小时。
67.在上述步骤s3中，装置根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到。
68.所述业务类型包括日活数据预测业务或产品风险分类业务；相应的，所述确定与所述业务类型对应的预设业务数据处理模型，包括：
69.确定与所述日活数据预测业务对应的预设日活数据预测模型；预设日活数据预测模型可以实现手机银行日活跃数据预测。
70.相应的，预设日活数据预测模型根据日活数据业务相关样本数据训练时间循环神经网络得到。
71.或者，确定与所述产品风险分类业务对应的预设产品风险分类业务模型。预设产品风险分类业务模型可以根据用户画像信息得到适配的产品是股票或者定期理财，从而准确更合理的向客户推荐产品。
72.相应的，预设产品风险分类业务模型根据产品风险分类业务相关样本数据训练时间循环神经网络得到。
73.在完成训练之后，可以应用模型得到业务处理结果，如图2所示，例如包括：
74.步骤r1：获取待预测数据；
75.步骤r2：基于所述预设日活数据预测模型对所述待预测数据进行预测，得到日活数据预测结果。
76.或者，如图3所示，包括：
77.步骤e1：获取待分类数据；
78.步骤e2：基于所述预设产品风险分类业务模型对所述待分类数据进行分类，得到产品风险分类结果。
79.在上述步骤s4中，装置根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
80.所述时间循环神经网络包括长短时记忆网络；相应的，所述根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数，包括：
81.根据所述数据周期特性参数确定所述长短时记忆网络的时间步长，每重复出现一次所述子序列，用新出现的子序列替代原有子序列，以实现更新所述长短时记忆网络的记忆门内容。长短时记忆网络(long short term networks)，通常叫做lstm，是一种能够捕捉长时依赖的特殊循环神经网络。
82.可以直接将数据周期特性参数确定为长短时记忆网络的时间步长，也可以对数据周期特性参数进行线性计算，将线性计算结果作为长短时记忆网络的时间步长，上述线性计算包括与预设数值的相乘计算等，不作具体限定。
83.时间步长和记忆门内容都是长短时记忆网络的模型参数，由于数据周期特性参数和子序列都体现了业务数据的时序性特点，使得时间步长确定，以及更新记忆门内容更为合理，使得业务处理结果更加精准。
84.本发明实施例提供的模型参数优化处理方法，获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数，能够优化模型参数，充分体现业务数据的时序性特点，使得业务处理结果更加精准。
85.进一步地，所述根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数，包括：
86.依次计算相邻两个起始时点之间的时间间隔，并计算所有时间间隔之和；可参照上述说明，不再赘述。
87.将所述所有时间间隔之和与所述重复次数之间的比值作为所述子序列的数据周期特性参数。可参照上述说明，不再赘述。
88.进一步地，所述业务类型包括日活数据预测业务或产品风险分类业务；相应的，所述确定与所述业务类型对应的预设业务数据处理模型，包括：
89.确定与所述日活数据预测业务对应的预设日活数据预测模型；可参照上述说明，不再赘述。
90.或者，确定与所述产品风险分类业务对应的预设产品风险分类业务模型。可参照上述说明，不再赘述。
91.进一步地，所述时间循环神经网络包括长短时记忆网络；相应的，所述根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数，包括：
92.根据所述数据周期特性参数确定所述长短时记忆网络的时间步长，每重复出现一次所述子序列，用新出现的子序列替代原有子序列，以实现更新所述长短时记忆网络的记忆门内容。可参照上述说明，不再赘述。
93.可以基于模块化实现本发明实施例，具体包括：
94.1)数据预处理模块：实际采集的数据都是有噪点、不完整等问题，这些问题会对分析结果带来一定的负面作用，因此，该模块的作用是运用相关的经验知识来尽可能的消除这些问题带来的影响。
95.2)数据统计分析模块：使用matlab工具或spss等工具，对数据进行简单的统计分析，了解数据的基本规律，为后续数据建模方法和参数选择提供依据。
96.3)重复子序列匹配模块：引入rabin-karp算法，该算法的结果是找到序列中最长的重复子串，本发明实施例记录序列长度大于k的子序列，并关注该序列重复出现的次数以及位置，这些属性作为该子序列的属性，以此类推，找到最长子序列。
97.4)数据建模分析模块：经过上个模块，得到序列长度大于k的多个子序列，并记录了它们的重复次数和数据位置，该模块主要是利用这些信息对数据模型进行数据分析，选择长短时记忆网络-lstm模型，确定时间步长，获取重复子序列，如果遇到下个位置的重复子序列，则更新记忆门内容，将旧的记忆门内容进行“遗忘”，以此得到实际问题的结果。
98.本发明实施例考虑金融数据无论在大范围内还是小范围内，都存在周期性，难以把握的是周期的长短，本发明实施例实现一种找到这种周期规律的方法。选择子序列匹配
算法即rabin-karp算法，通过挖掘不同子序列的重复状态，尝试挖掘数据的周期规律性，以更好的帮助金融分析人员更好的把握市场方向。
99.需要说明的是，本发明实施例提供的模型参数优化处理方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对模型参数优化处理方法的应用领域不做限定。
100.图4是本发明一实施例提供的模型参数优化处理装置的结构示意图，如图4所示，本发明实施例提供的模型参数优化处理装置，包括获取单元401、第一确定单元402、第二确定单元403和优化单元404，其中：
101.获取单元401用于获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；第一确定单元402用于根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；第二确定单元403用于根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；优化单元404用于根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
102.具体的，装置中的获取单元401用于获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；第一确定单元402用于根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；第二确定单元403用于根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；优化单元404用于根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
103.本发明实施例提供的模型参数优化处理装置，获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数，能够优化模型参数，充分体现业务数据的时序性特点，使得业务处理结果更加精准。
104.进一步地，所述第一确定单元402具体用于：
105.依次计算相邻两个起始时点之间的时间间隔，并计算所有时间间隔之和；
106.将所述所有时间间隔之和与所述重复次数之间的比值作为所述子序列的数据周期特性参数。
107.进一步地，所述业务类型包括日活数据预测业务或产品风险分类业务；相应的，所述第二确定单元403具体用于：
108.确定与所述日活数据预测业务对应的预设日活数据预测模型；
109.或者，确定与所述产品风险分类业务对应的预设产品风险分类业务模型。
110.进一步地，所述时间循环神经网络包括长短时记忆网络；相应的，所述优化单元404具体用于：
111.根据所述数据周期特性参数确定所述长短时记忆网络的时间步长，每重复出现一次所述子序列，用新出现的子序列替代原有子序列，以实现更新所述长短时记忆网络的记
忆门内容。
112.本发明实施例提供模型参数优化处理装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
113.图5为本发明实施例提供的计算机设备实体结构示意图，如图5所示，所述计算机设备包括：存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序，所述处理器502执行所述计算机程序时实现如下方法：
114.获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；
115.根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；
116.根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；
117.根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
118.本实施例公开一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如下方法：
119.获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；
120.根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；
121.根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；
122.根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
123.本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：
124.获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；
125.根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；
126.根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；
127.根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的模型参数。
128.本发明实施例中，获取时序数据，根据所述时序数据获取序列长度大于预设序列长度阈值的子序列；根据所述子序列出现的重复次数和每次出现的起始时点，确定所述子序列的数据周期特性参数；根据所述时序数据所属业务类型，确定与所述业务类型对应的预设业务数据处理模型；所述预设业务数据处理模型根据业务样本数据训练时间循环神经网络得到；根据所述数据周期特性参数和所述子序列，优化所述预设业务数据处理模型的
模型参数，能够优化模型参数，充分体现业务数据的时序性特点，使得业务处理结果更加精准。
129.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
130.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
131.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
132.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
133.在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
134.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。