一种事件发生概率预测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种事件发生概率预测方法、装置、电子设备及存储介质，涉及计算机技术领域，本申请提供了一种事件发生概率预测方法，针对目标对象的多个待预测风险因素序列，可以确定各个待预测风险因素序列对应的待预测风险因素矩阵。再利用已训练的风险注意力网络模型，确定目标对象的退住风险概率，再按照设定区间阈值确定退住风险概率对应的退住风险级别。针对现有技术中只能依据经验来根据风险因素去预测目标对象可能退住的风险概率的问题。本申请实施例提供的方法可以通过建立网络模型通过待预测风险因素序列综合考虑各种风险因素，准确、快速的预测出目标对象可能会退住的退住风险概率。的退住风险概率。的退住风险概率。

【技术实现步骤摘要】
一种事件发生概率预测方法、装置、电子设备及存储介质


[0001]本申请涉及计算机
，特别涉及一种事件发生概率预测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着社会的发展，“养老社区”这一概念越来越普及，也有越来越多的人选择居住在养老社区，但是，在养老社区居住的人可能会由于各种各样的因素选择退住。现有技术中，只能依靠人工的经验根据风险因素预测目标对象可能退住的风险概率，不仅预测的结果不够准确，而且预测过程复杂。

技术实现思路

[0003]为了解决现有技术中的问题，本申请实施例提供了一种事件发生概率预测方法、装置、电子设备及存储介质，可以通过已训练的网络模型对影响目标对象最终退住的各个风险因素进行预测，进而确定目标对象最终的退住风险级别。
[0004]第一方面，本申请实施例提供的一种事件发生概率预测方法，所述方法包括：
[0005]获取目标对象的多个待预测风险因素序列，基于预先确定的风险因素序列与风险因素矩阵的对应关系，确定各个所述待预测风险因素序列对应的待预测风险因素矩阵；
[0006]将各个所述待预测风险因素矩阵输入已训练的风险注意力网络模型中，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数以及所述目标对象的退住风险概率；
[0007]根据所述退住风险概率的大小，按照设定区间阈值确定所述目标对象对应的退住风险级别。
[0008]本申请实施例提供了一种事件发生概率预测方法，获取目标对象的多个待预测风险因素序列，基于预先确定的风险因素序列与风险因素矩阵的对应关系，确定各个待预测风险因素序列对应的待预测风险因素矩阵，将各个待预测风险因素矩阵输入已训练的风险注意力网络模型中，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数以及目标对象的退住风险概率，根据退住风险概率的大小，按照设定区间阈值确定目标对象对应的退住风险级别。针对现有技术中只能依据经验来根据风险因素预测目标对象可能退住的风险概率。本申请实施例提供的方法可以通过建立网络模型通过待预测风险因素序列综合考虑各种风险因素，准确、快速的预测出目标对象的退住风险概率。
[0009]在一种可能的实施方式中，所述获取目标对象的多个待预测风险因素序列，包括：
[0010]获取所述目标对象在设定时间段内的活动信息；
[0011]从预设风险因素中，确定所述活动信息对应的待预测风险因素；
[0012]基于所述待预测风险因素，构建待预测风险因素有向图；
[0013]从所述待预测风险因素有向图中确定所述多个待预测风险因素序列。
[0014]上述方法中通过获取设定时间段内目标对象的活动信息，基于这些活动信息去确
定多个待预测风险因素序列，在通过多个待预测风险因素序列去预测最终目标对象的退住风险概率。与现有技术中只能依靠经验去预测目标对象的退住风险概率，本申请实施例提供的方法，充分考虑到了目标对象在不同的时间段内的活动信息即使是相同的待预测风险因素，但是只要出现在不同的待预测风险因素序列，那么这一待预测风险因素对目标对象退住产生的影响就是不同的，依靠经验去预测目标对象的退住风险概率是没有考虑到这一情况的，所以，本申请实施例提供的方法可以更加准确的确定目标对象的退住风险概率。
[0015]在一种可能的实施方式中，所述风险因素序列与风险因素矩阵的对应关系通过如下方式确定：
[0016]基于预设风险因素构建风险因素有向图，并确定多个风险因素序列；
[0017]将所述多个风险因素序列进行编码，分别确定各个风险因素序列对应的编码向量，得到多个编码向量；
[0018]将所述多个编码向量输入到已训练的嵌入网络模型中进行降维，确定各个编码向量对应的风险因素矩阵；
[0019]基于所述多个编码向量与所述风险因素矩阵之间的对应关系，得到所述风险因素序列与所述风险因素矩阵之间的对应关系。
[0020]在一种可能的实施方式中，所述将各个所述待预测风险因素矩阵输入已训练的风险注意力网络模型中，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数以及所述目标对象的退住风险概率，包括：
[0021]将各个所述待预测风险因素矩阵输入所述风险注意力网络模型的注意力网络模块中，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数；
[0022]将所述各个待预测风险因素序列中的待预测风险因素对应的权重系数、各个所述待预测风险因素矩阵输入到所述风险注意力网络模型的前馈网络模块中，确定所述目标对象的退住风险概率。
[0023]在一种可能的实施方式中，所述将各个所述待预测风险因素矩阵输入所述风险注意力网络模型的注意力网络模块中，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数，包括：
[0024]基于各个所述待预测风险因素矩阵构建多个注意力矩阵；其中，所述多个注意力矩阵为根据所述待预测风险因素矩阵以及多个权重矩阵参数相乘确定的；所述多个权重矩阵参数为所述注意力网络模块的网络参数；
[0025]采用归一化函数确定各个注意力矩阵对应的注意力向量，得到多个注意力向量；
[0026]基于所述多个注意力向量以及各个注意力向量对应的各个待预测风险因素矩阵，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数。
[0027]在一种可能的实施方式中，所述注意力网络模块的训练过程，包括：
[0028]获取第一风险因素矩阵训练集以及预设权重系数；其中，所述第一风险因素矩阵训练集中的多个第一风险因素样本矩阵存在与多个第一风险因素序列样本的对应关系；所述预设权重系数是根据所述多个第一风险因素样本矩阵对应的第一风险因素序列样本中的第一风险因素确定的；
[0029]基于所述第一风险因素矩阵训练集以及所述预设权重系数，对所述注意力网络模块进行迭代训练；其中，一次迭代训练过程包括：
[0030]从所述第一风险因素矩阵训练集中抽取多个第一风险因素样本矩阵，输入所述注意力网络模块中，确定各个第一风险因素序列样本中第一风险因素的权重系数；
[0031]基于所述各个第一风险因素的权重系数以及所述第一风险因素对应的预设权重系数，确定注意力损失值；
[0032]根据所述注意力损失值，调整所述注意力网络模块的网络参数，直至所述注意力损失值满足第一预设值，得到已训练的注意力网络模块。
[0033]在一种可能的实施方式中，所述前馈网络模块的训练过程，包括：
[0034]获取第二风险因素矩阵训练集、预设退住风险概率以及多个第二风险因素序列样本中第二风险因素对应的权重系数；其中，所述第二风险因素矩阵训练集中的多个第二风险因素样本矩阵存在与所述多个第二风险因素序列样本的对应关系；所述预设退住风险概率是根据所述多个第二风险因素样本矩阵对应的所述多个第二风险因素序列样本确定的；所述多个第二风险因素序列样本中的第二风险因素对应的权重系数是将所述第二风险因素样本矩阵输入所述已训练的注意力网络模块中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种事件发生概率预测方法，其特征在于，所述方法包括：获取目标对象的多个待预测风险因素序列，基于预先确定的风险因素序列与风险因素矩阵的对应关系，确定各个所述待预测风险因素序列对应的待预测风险因素矩阵；将各个所述待预测风险因素矩阵输入已训练的风险注意力网络模型中，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数以及所述目标对象的退住风险概率；根据所述退住风险概率的大小，按照设定区间阈值确定所述目标对象对应的退住风险级别。2.根据权利要求1所述的方法，其特征在于，所述获取目标对象的多个待预测风险因素序列，包括：获取所述目标对象在设定时间段内的活动信息；从预设风险因素中，确定所述活动信息对应的待预测风险因素；基于所述待预测风险因素，构建待预测风险因素有向图；从所述待预测风险因素有向图中确定所述多个待预测风险因素序列。3.根据权利要求1所述的方法，其特征在于，所述风险因素序列与风险因素矩阵的对应关系通过如下方式确定：基于预设风险因素构建风险因素有向图，并确定多个风险因素序列；将所述多个风险因素序列进行编码，分别确定各个风险因素序列对应的编码向量，得到多个编码向量；将所述多个编码向量输入到已训练的嵌入网络模型中进行降维，确定各个编码向量对应的风险因素矩阵；基于所述多个编码向量与所述风险因素矩阵之间的对应关系，得到所述风险因素序列与所述风险因素矩阵之间的对应关系。4.根据权利要求1所述的方法，其特征在于，所述将各个所述待预测风险因素矩阵输入已训练的风险注意力网络模型中，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数以及所述目标对象的退住风险概率，包括：将各个所述待预测风险因素矩阵输入所述风险注意力网络模型的注意力网络模块中，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数；将所述各个待预测风险因素序列中的待预测风险因素对应的权重系数、各个所述待预测风险因素矩阵输入到所述风险注意力网络模型的前馈网络模块中，确定所述目标对象的退住风险概率。5.根据权利要求4所述的方法，其特征在于，所述将各个所述待预测风险因素矩阵输入所述风险注意力网络模型的注意力网络模块中，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数，包括：基于各个所述待预测风险因素矩阵构建多个注意力矩阵；其中，所述多个注意力矩阵为根据所述待预测风险因素矩阵以及多个权重矩阵参数相乘确定的；所述多个权重矩阵参数为所述注意力网络模块的网络参数；采用归一化函数确定各个注意力矩阵对应的注意力向量，得到多个注意力向量；基于所述多个注意力向量以及各个注意力向量对应的各个待预测风险因素矩阵，确定各个待预测风险因素序列中的待预测风险因素对应的权重系数。
6.根据权利要求4所述的方法，其特征在于，所述注意力网络模块的训练过程，包括：获取第一风险因素矩阵训练集以及预设权重系数；其中，所述第一风险因素矩阵训练集中的多个第一风险因素样本矩阵存在与多个第一风险因素序列样本的对应关系；所述预设权重系数是根据所述多个第一风险因素样本矩阵对应的...

【专利技术属性】
技术研发人员：向正贵，
申请(专利权)人：泰康健康产业投资控股有限公司，
类型：发明
国别省市：