一种变更时间的预测方法及装置、电子设备、存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种变更时间的预测方法及装置、电子设备、存储介质。


背景技术：

2.随着客户服务水平的不断提升，应用系统不断的复杂化，系统的变更数量也日益增长，对于变更质量提出了更高的要求，其中，变更时间更是实施变更的一个重要因素，因此如何对变更时间进行合理的把控显得尤为重要。
3.在现有的技术中，主要凭借工作人员的工作经验来确定变更实施的变更时间，以实现对变更时间的合理把控。
4.但是，由于变更时间是以依靠于工作人员的经验来确定，并且不同的工作人员的工作经验也存现差异，变更时间也会有所不同，从而就会导致变更实施不够的准确问题。


技术实现要素：

5.基于上述现有技术的不足，本技术提供了一种变更时间的预测方法及装置、电子设备、存储介质，以解决现有技术把控变更时间不够准确的问题。
6.为了实现上述目的，本技术提供了以下技术方案：
7.本技术第一方面提供了一种变更时间的预测方法，包括：
8.获取目标系统中的当前待变更数据；其中，所述当前待变更数据至少包括各个目标特征；各个所述目标特征预先基于各个初始特征的关联性确定；
9.对各个所述目标特征进行特征规范化处理，得到所述当前待变更数据的特征向量；
10.分别将各个变更对的特征向量输入预先训练好的预测模型中，得到各个所述变更对的相似度；其中，所述预测模型预先利用历史时间段内的所述目标系统中的的样本变更数据进行训练得到；一个所述变更对的特征向量至少包括所述当前待变更数据的特征向量以及一个历史已变更数据的特征向量；
11.将预测得到的各个所述变更对的相似度中的最大相似度对应的变更时间确定为所述目标系统的变更时间；
12.向前端反馈所述目标系统的变更时间。
13.可选地，在上述的变更时间的预测方法中，所述预测模型的训练方法，包括：
14.获取所述历史时间段内的所述目标系统中的样本变更数据；其中，所述样本变更数据至少包括各个样本目标特征；
15.对各个所述样本目标特征进行特征规范化处理，得到所述样本变更数据的特征向量；
16.分别将各个样本变更对的特征向量输入预先训练好的所述预测模型中，通过所述预测模型得到各个所述样本变更对的相似度；其中，一个所述样本变更对的特征向量至少
包括两个所述样本变更数据的特征向量；
17.判断各个所述样本变更对的相似度是否满足预设要求；
18.若判断出各个所述样本变更对的相似度满足所述预设要求，则将所述预测模型确定为训练好的所述预测模型；
19.若判断出各个所述样本变更对的相似度未满足预设要求，则调整所述预测模型的参数，并返回执行所述分别将各个样本变更对的特征向量输入预先训练好的所述预测模型中，通过所述预测模型得到各个所述样本变更对的相似度。
20.可选地，在上述的变更时间的预测方法中，所述获取所述历史时间段内的所述目标系统中的样本变更数据，包括：
21.获取所述历史时间段内的所述目标系统中的原始变更数据；
22.对所述原始变更数据进行数据集清理；
23.对清理后的所述原始变更数据进行特征关联性计算，得到各个所述样本目标特征；
24.基于各个所述样本目标特征，生成所述样本变更数据。
25.可选地，在上述的变更时间的预测方法中，所述对所述原始变更数据进行数据集清理，包括：
26.判断所述原始变更数据中是否存在第一类数据；其中，所述第一类数据指代未实施变更，或者实施变更失败，又或者变更实施时间未通过变更审核的数据；若判断出所述原始变更数据中不存在所述第一类数据，则执行所述对清理后的所述原始变更数据进行特征关联性计算，得到各个所述样本目标特征；
27.若判断出所述原始变更数据中存在所述第一类数据，则将所述第一类数据从所述原始变更数据中过滤掉。
28.本技术第二方面提供了一种变更时间的预测装置，包括：
29.第一获取单元，用于获取目标系统中的当前待变更数据；其中，所述当前待变更数据至少包括各个目标特征；各个所述目标特征预先基于各个初始特征的关联性确定；
30.第一处理单元，用于对各个所述目标特征进行特征规范化处理，得到所述当前待变更数据的特征向量；
31.第一输入单元，用于分别将各个变更对的特征向量输入预先训练好的预测模型中，得到各个所述变更对的相似度；其中，所述预测模型预先利用历史时间段内的所述目标系统中的的样本变更数据进行训练得到；一个所述变更对的特征向量至少包括所述当前待变更数据的特征向量以及一个历史已变更数据的特征向量；
32.第一确定单元，用于将预测得到的各个所述变更对的相似度中的最大相似度对应的变更时间确定为所述目标系统的变更时间；
33.反馈单元，用于向前端反馈所述目标系统的变更时间。
34.可选地，在上述的变更时间的预测装置中，还包括：
35.第二获取单元，用于获取所述历史时间段内的所述目标系统中的样本变更数据；其中，所述样本变更数据至少包括各个样本目标特征；
36.第二处理单元，用于对各个所述样本目标特征进行特征规范化处理，得到所述样本变更数据的特征向量；
37.第二输入单元，用于分别将各个样本变更对的特征向量输入预先训练好的所述预测模型中，通过所述预测模型得到各个所述样本变更对的相似度；其中，一个所述样本变更对的特征向量至少包括两个所述样本变更数据的特征向量；
38.第一判断单元，用于判断各个所述样本变更对的相似度是否满足预设要求；
39.第二确定单元，用于若判断出各个所述样本变更对的相似度满足所述预设要求，则将所述预测模型确定为训练好的所述预测模型；
40.调整单元，用于若判断出各个所述样本变更对的相似度未满足预设要求，则调整所述预测模型的参数，并返回执行所述分别将各个样本变更对的特征向量输入预先训练好的所述预测模型中，通过所述预测模型得到各个所述样本变更对的相似度。
41.可选地，在上述的变更时间的预测装置中，所述第二获取单元，包括：
42.第三获取单元，用于获取所述历史时间段内的所述目标系统中的原始变更数据；
43.清理单元，用于对所述原始变更数据进行数据集清理；
44.计算单元，用于对清理后的所述原始变更数据进行特征关联性计算，得到各个所述样本目标特征；
45.生成单元，用于基于各个所述样本目标特征，生成所述样本变更数据。
46.可选地，在上述的变更时间的预测装置中，所述清理单元，包括：
47.第二判断单元，用于判断所述原始变更数据中是否存在第一类数据；其中，所述第一类数据指代未实施变更，或者实施变更失败，又或者变更实施时间未通过变更审核的数据；所述第二判断单元判断出所述原始变更数据中不存在所述第一类数据时，计算单元执行所述对清理后的所述原始变更数据进行特征关联性计算，得到各个所述样本目标特征；
48.过滤单元，用于若判断出所述原始变更数据中存在所述第一类数据，则将所述第一类数据从所述原始变更数据中过滤掉。
49.本技术第三方面提供了一种电子设备，包括：
50.存储器和处理器；
51.其中，所述存储器用于存储程序；
52.所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如上述任意一项所述的一种变更时间的预测方法。
53.本技术第四方面提供了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，用于实现如上述任意一项所述的一种变更时间的预测方法。
54.本技术提供的一种变更时间的预测方法，获取目标系统中的当前待变更数据，其中，当前待变更数据至少包括各个目标特征，各个目标特征预先基于各个初始特征的关联性确定，其次对各个目标特征进行特征规范化处理，得到当前待变更数据的特征向量，接着分别将各个变更对的特征向量输入预先训练好的预测模型中，得到各个变更对的相似度，其中，预测模型预先利用历史时间段内的目标系统中的的样本变更数据进行训练得到，一个变更对的特征向量至少包括当前待变更数据的特征向量以及一个历史已变更数据的特征向量，然后将预测得到的各个变更对的相似度中的最大相似度对应的变更时间确定为目标系统的变更时间，最后向前端反馈目标系统的变更时间。从而不再依靠于人工来确定系统的变更时间，而是通过自动化的方式来预测系统的变更时间，进而提高了预测变更时间的准确度。
附图说明
55.为了更清楚地说明本技术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技术的实施例，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，还可以根据提供的附图获得其他的附图。
56.图1为本技术实施例提供的一种变更时间的预测方法的流程图；
57.图2为本技术实施例提供的一种预测模型的训练方法的流程图；
58.图3为本技术实施例提供的一种样本变更数据的生成方法的流程图；
59.图4为本技术另一实施例提供的一种变更时间的预测装置的结构示意图；
60.图5为本技术另一实施例提供的一种电子设备的结构示意图。
具体实施方式
61.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
62.在本技术中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
63.本技术实施例提供了一种变更时间的预测方法，如图1所示，具体包括以下步骤：
64.s101、获取目标系统中的当前待变更数据。
65.其中，当前待变更数据可以包括各个目标特征，各个目标特征预先基于各个初始特征的关联性确定。需要说明的是，在各个初始特征中，并不是每个初始特征均适用于后续预测目标系统的变更时间，所以需要预先对各个初始特征进行关联性计算，从而保留关联性程度比较高的各个目标特征。
66.可选地，各个目标特征可以指代应用系统名、应用系统类型(如账务类、个贷类、对公类、办公类等)的特征以及变更内容(如基础设施类、批处理类、应用版本类等)。
67.可选地，目标系统可以为现有的变更流程管理系统，也可以是其他需要变更的系统。
68.s102、对各个目标特征进行特征规范化处理，得到当前待变更数据的特征向量。
69.具体的，需要对各个目标特征中的字符串形式的关键词类特征与配置项类特征进行规范化处理，有利于后续提升模型的预测精度，并且还需将各个目标特征中的不同数值范围的目标特征调整为同一量级的特征，需要说明的是考虑到在模型预测时，若直接用不同量级的各个目标特征进行分析，可能会突出数值较高的目标特征的预测作用，而相对削弱数值水平较低的目标特征的预测作用，并且太大的数值可能会引发数值问题，从而到导
致最终的预测结果不够的准确，因此需要执行步骤s102。
70.s103、分别将各个变更对的特征向量输入预先训练好的预测模型中，得到各个变更对的相似度。
71.其中，预测模型预先利用目标系统中的历史时间段内的样本变更数据进行训练得到。具体的，一个变更对的特征向量可以包括当前待变更数据的特征向量以及一个历史已变更数据的特征向量。
72.可选地，相似度的取值范围可以为[0，1]之间，当然也可以是其他取值范围，具体的可以根据需求进行设定。
[0073]
可选地，本技术实施例提供了一种预测模型的训练方法，如图2所示，包括以下步骤：
[0074]
s201、获取历史时间段内的目标系统中的样本变更数据。
[0075]
其中，样本变更数据可以包括各个样本目标特征。
[0076]
需要说明的是，步骤s201的具体实施方式可相应地参考步骤s101，此处不再赘述。
[0077]
可选地，各个样本目标特征除了可以指代应用系统名、应用系统类型(如账务类、个贷类、对公类、办公类等)的特征以及变更内容(如基础设施类、批处理类、应用版本类等)，还可以指代变更时间是否为工作日、变更实际开始时间、变更结束时间、变更是否成功等。
[0078]
可选地，在本技术另一实施例中，步骤s201的另一种具体实施方式，如图3所示，包括以下步骤：
[0079]
s301、获取历史时间段内的目标系统中的原始变更数据。
[0080]
可选地，原始变更数据可以包括应用系统名称、变更类型、变更内容、变更依据、变更计划开始时间、变更计划结束时间、变更实际开始时间、变更实际结束时间、变更涉及的基础设施等变化、变更结果、变更回顾等等。
[0081]
s302、对原始变更数据进行数据集清理。
[0082]
需要说明的是，为了尽可能地提高预测模型的精确到，所以在本技术实施例中，需要原始变更数据进行数据集清理，尽可能地减少能够影响预测模型的预测效果的因素。
[0083]
可选地，在本技术另一实施例中，步骤s302的另一种具体实施方式，包括以下步骤：
[0084]
判断原始变更数据中是否存在第一类数据。
[0085]
其中，第一类数据指代未实施变更，或者实施变更失败，又或者变更实施时间未通过变更审核的数据。
[0086]
需要说明的是，当原始变更数据中存在第一类数据时，在一定程度上可能会降低预测结果的准确性，所以为了避免这种情况的发生，因此需要预先对原始变更数据进行处理，即判断原始变更数据中是否存在第一类数据，若判断出原始变更数据中不存在第一类数据，则执行步骤s303。若判断出原始变更数据中存在第一类数据，则将第一类数据从原始变更数据中过滤掉。
[0087]
s303、对清理后的原始变更数据进行特征关联性计算，得到各个样本目标特征。
[0088]
具体的，为了尽可能地选择能够使得预测结果更加准确的特征，所以在本技术实施例中，会在步骤s302的基础上进一步的剔除一些不相关的以及会降低模型精度和质量的
特征，从而保留重要的特征进行模型的训练。
[0089]
s304、基于各个样本目标特征，生成样本变更数据。
[0090]
s202、对各个样本目标特征进行特征规范化处理，得到样本变更数据的特征向量。
[0091]
需要说明的是，步骤s202的具体实施方式可相应地参考步骤s102，此处不再赘述。
[0092]
s203、分别将各个样本变更对的特征向量输入预先训练好的预测模型中，通过预测模型得到各个样本变更对的相似度。
[0093]
其中，一个样本变更对的特征向量可以包括两个样本变更数据的特征向量。
[0094]
可选地，预测模型可以基于机器学习算法进行构建，所以在本技术实施例中，基于机器学习算法对预测模型进行训练，得到训练结果。
[0095]
s204、判断各个样本变更对的相似度是否满足预设要求。
[0096]
需要说明的是，步骤s203通过预测模型预测得到的各个样本变更对的相似度可能不满足预测的实际要求，所以在本技术实施例中，需要进一步地对各个样本变更对的相似度进行判定，即判断各个样本变更对的相似度是否满足预设要求，若判断出各个样本变更对的相似度满足预设要求，说明各个样本变更对的相似度满足预测的实际要求，因此执行步骤s205，若判断出各个样本变更对的相似度未满足预设要求，说明需要对预测模型进行迭代训练，则步骤s206。
[0097]
s205、将预测模型确定为训练好的预测模型。
[0098]
s206、调整预测模型的参数。
[0099]
具体的，当判断出各个样本变更对的相似度未满足预设要求时，需要返回执行步骤s203，直至各个样本变更对的相似度满足预设要求，从而使得模型训练效果达到最佳。
[0100]
可选地，可以每隔预设时间段，根据样本变更数据对预测模型进行修正。预设时间段可以为三个月，当然也可以是其他时间阈值，具体的可以根据需求进行设定。
[0101]
s104、将预测得到的各个变更对的相似度中的最大相似度对应的变更时间确定为目标系统的变更时间。
[0102]
需要说明的是，步骤s103预测得到的是各个变更对的相似度，还需要基于变更对的相似度来获取历史已变更数据所实施的变更时间，并将其确定为目标系统的变更时间，但并不是每个相似度所对应的历史已变更数据的变更时间都可以作为目标系统的变更时间，因此才需要从各个变更对的相似度中获取最大相似度对应的历史已变更数据的变更时间确定为目标系统的变更时间。
[0103]
s105、向前端反馈目标系统的变更时间。
[0104]
可选地，基于目标系统应的变更时间，对目标系统实施变更，从而可以提高了目标系统的变更实施的安全性和变更审核效率。
[0105]
本技术提供的一种变更时间的预测方法，获取目标系统中的当前待变更数据，其中，当前待变更数据至少包括各个目标特征，各个目标特征预先基于各个初始特征的关联性确定，其次对各个目标特征进行特征规范化处理，得到当前待变更数据的特征向量，接着分别将各个变更对的特征向量输入预先训练好的预测模型中，得到各个变更对的相似度，其中，预测模型预先利用历史时间段内的目标系统中的的样本变更数据进行训练得到，一个变更对的特征向量至少包括当前待变更数据的特征向量以及一个历史已变更数据的特征向量，然后将预测得到的各个变更对的相似度中的最大相似度对应的变更时间确定为目
标系统的变更时间，最后向前端反馈目标系统的变更时间。从而不再依靠于人工来确定系统的变更时间，而是通过自动化的方式来预测系统的变更时间，进而提高了预测变更时间的准确度。
[0106]
本技术另一实施例提供了一种变更时间的预测装置，如图4所示，包括：
[0107]
第一获取单元401，用于获取目标系统中的当前待变更数据。
[0108]
其中，当前待变更数据至少包括各个目标特征。各个目标特征预先基于各个初始特征的关联性确定。
[0109]
第一处理单元402，用于对各个目标特征进行特征规范化处理，得到当前待变更数据的特征向量。
[0110]
第一输入单元403，用于分别将各个变更对的特征向量输入预先训练好的预测模型中，得到各个变更对的相似度。
[0111]
其中，预测模型预先利用历史时间段内的目标系统中的的样本变更数据进行训练得到。一个变更对的特征向量至少包括当前待变更数据的特征向量以及一个历史已变更数据的特征向量。
[0112]
第一确定单元404，用于将预测得到的各个变更对的相似度中的最大相似度对应的变更时间确定为目标系统的变更时间。
[0113]
反馈单元405，用于向前端反馈目标系统的变更时间。
[0114]
需要说明的是，本技术实施例中的上述单元的具体工作过程可相应地参考上述方法实施例中的步骤s101～步骤s105，此处不再赘述。
[0115]
可选地，本技术另一实施例提供的一种变更时间的预测装置中，还包括以下单元：
[0116]
第二获取单元，用于获取历史时间段内的目标系统中的样本变更数据。
[0117]
其中，样本变更数据至少包括各个样本目标特征。
[0118]
第二处理单元，用于对各个样本目标特征进行特征规范化处理，得到样本变更数据的特征向量。
[0119]
第二输入单元，用于分别将各个样本变更对的特征向量输入预先训练好的预测模型中，通过预测模型得到各个样本变更对的相似度。
[0120]
其中，一个样本变更对的特征向量至少包括两个样本变更数据的特征向量。
[0121]
第一判断单元，用于判断各个样本变更对的相似度是否满足预设要求。
[0122]
第二确定单元，用于若判断出各个样本变更对的相似度满足预设要求，则将预测模型确定为训练好的预测模型。
[0123]
调整单元，用于若判断出各个样本变更对的相似度未满足预设要求，则调整预测模型的参数，并返回执行分别将各个样本变更对的特征向量输入预先训练好的预测模型中，通过预测模型得到各个样本变更对的相似度。
[0124]
需要说明的是，本技术上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
[0125]
可选地，本技术另一实施例提供的一种变更时间的预测装置中，第二获取单元，包括：
[0126]
第三获取单元，用于获取历史时间段内的目标系统中的原始变更数据。
[0127]
清理单元，用于对原始变更数据进行数据集清理。
[0128]
计算单元，用于对清理后的原始变更数据进行特征关联性计算，得到各个样本目标特征。
[0129]
生成单元，用于基于各个样本目标特征，生成样本变更数据。
[0130]
需要说明的是，本技术上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
[0131]
可选地，本技术另一实施例提供的一种变更时间的预测装置中，清理单元，包括：
[0132]
第二判断单元，用于判断原始变更数据中是否存在第一类数据。
[0133]
其中，第一类数据指代未实施变更，或者实施变更失败，又或者变更实施时间未通过变更审核的数据。第二判断单元判断出原始变更数据中不存在第一类数据时，计算单元执行对清理后的原始变更数据进行特征关联性计算，得到各个样本目标特征。
[0134]
过滤单元，用于若判断出原始变更数据中存在第一类数据，则将第一类数据从原始变更数据中过滤掉。
[0135]
需要说明的是，本技术上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
[0136]
本技术另一实施例提供了一种电子设备，如图5所示，包括：
[0137]
存储器501和处理器502。
[0138]
其中，存储器501用于存储程序。
[0139]
处理器502用于执行程序，程序被执行时，具体用于实现如上述任意一个实施例提供的一种变更时间的预测方法。
[0140]
本技术另一实施例提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现如上述任意一个实施例提供的一种变更时间的预测方法。
[0141]
计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0142]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0143]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一
致的最宽的范围。