联合预测方法和装置与流程

本说明书一个或多个实施例涉及电子信息技术，尤其涉及联合预测方法和装置。

背景技术：

大数据时代，存在非常多的数据孤岛。每个用户的数据分散存于不同的数据源端中。但是，又需要利用分散存于不同数据源端中的各种数据来进行针对用户的联合预测，以便根据联合预测的结果进行业务控制。

目前，进行联合预测的方法主要是各个数据源端将各自拥有的数据均汇总发送到一个决策方，由该决策方根据获取的各个数据源端的数据进行联合预测。但是该联合预测方法，会导致数据泄露，安全性不高。因此，希望提供一种更为安全的联合预测方法。

技术实现要素：

本说明书一个或多个实施例描述了联合预测方法和装置，能够提高联合预测的安全性。

根据第一方面，提供了一种联合预测方法，应用于数据源端，包括：

得到第一决策算法；该第一决策算法中包括对该数据源端的私有数据的属性判断方法；

根据第一决策算法，对本地的私有数据进行属性判断，得到本地决策信息；

将本地决策信息提供给决策方。

其中，所述第一决策算法为第一树形结构；

所述第一树形结构是利用该数据源端对应的至少一个节点以及每一个节点上连接的至少两条边生成的；其中，每一个节点表征：对该数据源端的一条私有数据的属性判断方法；不同的边表征不同的属性判断结果。

其中，所述得到本地决策信息，包括：

对于第一树形结构中该数据源端对应的每一个节点，均执行：

根据该节点表征的属性判断方法以及本地的私有数据，得到属性判断结果；以及

根据当前得到的属性判断结果，从该节点用于连接下一级节点的至少两条边中选择出一条决策边；该决策边表征的属性判断结果与当前得到的属性判断结果相同；

根据得到的各个决策边，得到本地决策信息。

其中，所述根据得到的各个决策边得到本地决策信息，包括：

按照各决策边在所述第一树形结构中从根节点至叶子节点方向上的先后顺序，将各决策边的编号依次加入一个分支集合；

将该分支集合确定为所述本地决策信息。

其中，所述将各决策边的编号依次加入所述分支集合，包括：

判断在所述第一树形结构中是否存在对应于该数据源端的至少两个相邻节点，如果是，则针对该至少两个相邻节点连接的各决策边的编号，仅将该至少两个相邻节点中最后一级节点连接的决策边的编号加入所述分支集合。

其中，所述第一树形结构包括：

参与所述联合预测的所有数据源端对应的节点及其中每一个节点上连接的至少两条边；

或者，

对应于本数据源端的节点及其中每一个节点上连接的至少两条边。

根据第二方面，提供了一种联合预测方法，应用于决策方，包括：

得到第二决策算法；该第二决策算法中包括参与所述联合预测的各个数据源端对应的决策分支以及各决策分支之间的关联关系；不同的决策分支表征不同的属性判断结果；

获取所述各数据源端提供的各本地决策信息；

根据第二决策算法以及获取的各本地决策信息，得到联合预测结果。

其中，所述第二决策算法为第二树形结构；

该第二树形结构包括：所述各个数据源端所得到的各第一树形结构以及各个叶子节点；每一个叶子节点对应一个预测结果；

每一个所述决策分支为该第二树形结构中的一条边；

各决策分支之间的关联关系为各边在第二树形结构中的连接关系；

一个数据源端提供的本地决策信息包括：该数据源端从第一树形结构的各个边中选择出的决策边的信息。

其中，所述得到联合预测结果，包括：

根据各数据源端提供的各决策边的信息，确定各决策边在所述第二树形结构中的位置及连接关系；

根据所确定出的位置及连接关系，得到从所述第二树形结构中的根节点至一个叶子节点的路径；

将得到的该路径上的叶子节点确定为所述联合预测结果。

根据第三方面，提供了联合预测装置，设置于数据源端中，包括：

第一决策算法保存模块，被配置为得到第一决策算法；该第一决策算法中包括对该数据源端的私有数据的属性判断方法；

决策获取模块，被配置为根据第一决策算法，对本地的私有数据进行属性判断，得到本地决策信息；

决策提供模块，被配置为将本地决策信息提供给决策方。

其中，

所述第一决策算法为第一树形结构；该第一树形结构是利用该数据源端对应的至少一个节点以及每一个节点上连接的至少两条边生成的；其中，每一个节点表征：对该数据源端的一条私有数据的属性判断方法；不同的边表征不同的属性判断结果。

其中，所述决策获取模块被配置为针对第一树形结构中该数据源端对应的每一个节点，均执行：

根据该节点表征的属性判断方法以及本地的私有数据，得到属性判断结果；以及

根据当前得到的属性判断结果，从该节点用于连接下一级节点的至少两条边中选择出决策边；该决策边表征的属性判断结果与当前得到的属性判断结果相同；

根据得到的各个决策边，得到本地决策信息。

其中，所述决策获取模块被配置为按照各决策边在所述第一树形结构中从根节点至叶子节点方向上的先后顺序，将各决策边的编号依次加入一个分支集合，将该分支集合确定为所述本地决策信息。

其中，所述决策获取模块被配置为判断在所述第一树形结构中是否存在对应于该数据源端的至少两个相邻节点，如果是，则针对该至少两个相邻节点连接的各决策边的编号，仅将该至少两个相邻节点中最后一个节点连接的决策边的编号加入所述分支集合。

其中，所述第一树形结构包括：

参与所述联合预测的所有数据源端对应的节点及其中每一个节点上连接的至少两条边；

或者，

对应于本数据源端的节点及其中每一个节点上连接的至少两条边。

根据第四方面，提供了联合预测装置，设置于决策方，包括：

第二决策算法保存模块，被配置为得到第二决策算法；该第二决策算法中包括参与所述联合预测的各个数据源端对应的决策分支以及各决策分支之间的关联关系；不同的决策分支表征不同的属性判断结果；

决策汇总模块，被配置为获取所述各数据源端提供的各本地决策信息；

预测模块，被配置为根据第二决策算法以及获取的各本地决策信息，得到联合预测结果。

其中，所述第二决策算法为第二树形结构；该第二树形结构包括：所述各个数据源端得到的各第一树形结构以及各个叶子节点；每一个叶子节点对应一个预测结果；

每一个所述决策分支为该第二树形结构中的一条边；

各决策分支之间的关联关系为各边在第二树形结构中的连接关系；

一个数据源端提供的本地决策信息包括：该数据源端从第一树形结构的各个边中选择出的决策边的信息。

其中，所述预测模块被配置为执行：根据各数据源端提供的各决策边的信息，确定各决策边在所述第二树形结构中的位置及连接关系；根据所确定出的位置及连接关系，得到从所述第二树形结构中的根节点至一个叶子节点的路径；将得到的该路径上的叶子节点确定为所述联合预测结果。

根据第五方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现本说明书任一实施例所述的方法。

根据本说明书实施例提供的联合预测方法和装置，数据源端获取了对自己的私有数据进行属性判断时需要使用的决策算法，并在本地对自己拥有的私有数据进行属性判断，得到与本数据源端相关的本地决策信息。这样，参与联合预测的多个数据源端均将本地决策信息发送给决策方，决策方就可以根据接收到的各个本地决策信息，得到最终的联合预测结果。因为每一个数据源端只需要发送计算得到的本地决策信息，而不发送私有数据，因此能够避免私有数据的泄露，提高联合预测的安全性。

附图说明

为了更清楚地说明本说明书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，下面描述中的附图是本说明书的一些实施例，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。

图1是本说明书实施例所应用的系统架构的示意图。

图2是本说明书一个实施例中在数据源端中实现联合预测的方法流程图。

图3是本说明书一个实施例中完整的决策树的结构示意图。

图4是本说明书一个实施例中从决策树中截取的树形结构1的示意图。

图5是本说明书一个实施例中在决策方中实现联合预测的方法流程图。

图6是本说明书一个实施例中从决策树中截取的树形结构2的示意图。

图7是本说明书一个实施例中设置在数据源端中的联合预测装置的结构示意图。

图8是本说明书一个实施例中设置在决策方中的联合预测装置的结构示意图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

首先说明，在本说明书中，数据源端包括拥有数据源的一方的计算设备。

在联合预测业务中涉及到至少两个数据源端，每一个数据源端都拥有各自的私有数据，比如，数据源端1拥有用户的年龄、体重、性别等数据，数据源端2拥有该用户的学历、职业、薪资等数据，数据源端3拥有该用户的存款、历史理财记录等数据。如果该用户申请贷款，则可以根据该3个数据源端各自的私有数据共同计算，联合预测出该用户的贷款风险，从而决定是否能够向该用户提供贷款。

现有技术的做法，会将3个数据源端各自的私有数据汇总到一个决策方，这样，决策方就同时拥有了3个数据源端的私有数据，从而能够根据3个数据源端的私有数据以及决策算法进行决策计算，得到联合预测结果。但是此种做法，会导致私有数据的泄露，降低了安全性。

对联合预测业务的特点进行分析可知，如果能让数据源端获取对本地私有数据进行预测的相关决策算法，而让决策方获取根据各数据源端的决策信息进行联合预测的相关决策算法，也就是说，数据源端和决策方都能获取各自进行联合预测处理时需要的相关决策算法，那么，数据源端就无需再向决策方发送私有数据，只需要将本地决策信息发送给决策方，决策方就可以根据接收到的各个本地决策信息，得到最终的联合预测结果。因此能够避免私有数据的泄露，提高联合预测的安全性。

下面描述以上构思的具体实现方式。

为了方便对本说明书的理解，首先对本说明书所应用的系统架构进行描述。如图1中所示，该系统架构主要包括参与联合预测的至少两个数据源端以及决策方。

其中，每一个数据源端都拥有进行一次联合预测需要使用到的私有数据。决策方可以是参与本次联合预测的其中一个数据源端，比如决策方可以是图1中的数据源端1或者是新增的一个数据源端4，当然，决策方也可以不是数据源端，而是一个独立的设备，仅进行最后的联合预测的计算。

参与联合预测的各方通过网络交互。其中，网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。

上述图1中所示的数据源端的个数仅仅是示例，可以根据实际业务需要，存在其他个数的数据源端。

在本说明书中，联合预测的方法涉及到每一个数据源端的处理以及决策方的处理，下面利用不同的实施例分别对数据源端的处理以及决策方的处理进行说明。

首先，针对数据源端在联合预测过程中的处理进行说明。

图2示出了本说明书一个实施例中联合预测方法的流程图。该方法的执行主体为数据源端，该数据源端可以是任何具有计算、处理能力的装置、设备、平台、设备集群。比如以数据源端1为例，参见图2，该方法包括：

步骤201：数据源端1得到第一决策算法；该第一决策算法中包括对数据源端1的私有数据的属性判断方法。

步骤203：数据源端1根据第一决策算法，对本地的私有数据进行属性判断，得到本地决策信息。

步骤205：数据源端1将本地决策信息提供给决策方。

根据图2所示流程可以看出，数据源端获取了对自己的私有数据进行属性判断时需要使用的决策算法，并在本地对自己拥有的私有数据进行属性判断，得到与本数据源端相关的本地决策信息。参与联合预测的每一个数据源端均执行图2中所示处理后，可以分别将各自的本地决策信息发送给决策方，决策方就可以根据接收到的各个本地决策信息，得到最终的联合预测结果。因为每一个数据源端只需要发送计算得到的本地决策信息，而不发送私有数据，因此能够避免私有数据的泄露，提高联合预测的安全性。

下面对图2所示流程中的每一个步骤分别进行说明。

首先在步骤201，数据源端1得到第一决策算法；该第一决策算法中包括对数据源端1的私有数据的属性判断方法。

第一决策算法的形式可以有多种，比如可以为树形结构，比如gbdt(gradientboostingdecisiontree)形式的树形结构。

第一决策算法也可以为根据乱码电路(garbledcircuit，gc)得到的算法。

因为在联合预测中涉及的数据源端的数量为多个，需要结合多个数据源端的各种私有数据及各种属性判断方法来综合判断，以得到联合预测结果。因此，在实际的业务中，通常会针对联合预测中涉及的所有数据源端生成一个决策树，参见图3所示，该决策树的目的是根据节点{a，b，c，d，e，f，g}的属性值进行属性判断，寻找到一条路径，这条路径的终点是该决策树的某一个叶子节点，该叶子节点的值就是决策树的输出，即联合预测结果。假设图3中，圆形节点即节点c、节点d和节点e为数据源端1对应的节点，方形节点即节点a、节点b以及节点f为数据源端2对应的节点，菱形节点即节点g为数据源端3对应的节点数据。每一个节点表征对其对应的数据源端的一条私有数据的属性判断方法，比如，节点a表征的是：判断数据源端2中的一条私有数据a的值是否大于10。决策树中不同的边表征不同的属性判断结果，比如，节点a通过两条边分别连接到下一级两个节点即节点b和节点c，编号为1的边表征私有数据a的值大于10，编号为2的边表征私有数据a的值不大于10。

图3所示的决策树中包括了参与联合预测的所有数据源端对应的节点及边。根据图3所示的决策树，当步骤201中数据源端1得到的第一决策算法为树形结构时，该树形结构可以有多种形式：

形式一：完整的决策树，即数据源端1得到的树形结构1包括：参与联合预测的所有数据源端对应的节点及其中每一个节点上连接的至少两条边。

当采用该形式一时，可以使数据源端1获得例如图3所示的决策树。这样，数据源端1也可以获取其他数据源端对应的节点及边的信息，就能够确定其他数据源端的属性判断方法，但是，由于只是获取了其他数据源端的属性判断方法，而并不是其他数据源端中的原始私有数据，因此，不会造成安全问题。

形式二、从决策树中截取的对应于该数据源端1的部分，即数据源端1得到的树形结构1只包括：对应于本数据源端1的节点及其中每一个节点上连接的至少两条边。

当采用该形式二时，可以使数据源端1获得例如图4所示的树形结构。数据源端1没有获得对应于其他数据源端的节点及边，无法确定其他数据源端的属性判断方法，进一步提高了安全性。

当然，还可以有其他形式的树形结构1，比如，数据源端1得到的树形结构1只包括：从决策树中截取的对应于该数据源端1的部分以及对应于数据源端2的部分等。

可见，无论数据源端1得到的是何种形式的树形结构1，该树形结构1都会利用该数据源端1对应的至少一个节点以及其中每一个节点上连接的至少两条边生成的；其中，该每一个节点表征：对该数据源端1的一条私有数据的属性判断方法；不同的边表征不同的属性判断结果。

接下来，在步骤203根据第一决策算法，对本地的私有数据进行属性判断，得到本地决策信息。

当步骤201中，数据源端1获取了树形结构1时，本步骤203中获取的本地决策信息包括：从树形结构1中选择出的决策边的信息。

在本说明书一个实施例中，步骤203的具体实现过程包括：

对于该数据源端1对应的每一个节点，均执行：

根据该节点表征的属性判断方法以及本地的私有数据，得到属性判断结果；以及

根据当前得到的属性判断结果，从该节点用于连接下一级节点的至少两条边中选择出决策边；该决策边表征的属性判断结果与当前得到的属性判断结果相同；

根据得到的各个决策边，得到本地决策信息即各个决策边的信息。

以图3所示的决策树为例来说明本步骤203的实现过程。假设数据源端1中的私有数据c、私有数据d以及私有数据e的值分别为10、3、8，那么，首先，针对对应于数据源端1的节点c，该节点c表征的属性判断方法为：判断私有数据c的值是否大于0，数据源端1根据该属性判断方法以及c的值10，得到属性判断结果为私有数据c的值大于0，节点c连接下一级节点的两条边中，位于左侧的编号为5的边表征私有数据c的值大于0，位于右侧的编号为6的边表征私有数据c的值不大于0，因此，选择编号为5的边作为一个决策边。同理，针对节点d，选择位于右侧的编号为8的边即表征私有数据d的值不大于5的边作为另一个决策边，以及针对节点e，选择位于左侧的编号为9的边即表征私有数据e的值大于5的边作为又一个决策边。数据源端1根据得到的3个决策边(编号为5、8、9的边)得到本地决策信息。

在本说明书一个实施例中，在根据得到的各个决策边得到本地决策信息时，具体是利用各决策边的编号，生成分支集合，将该分支集合作为所述本地决策信息。比如数据源端1将各决策边的编号生成分支集合{5,8,9}。

在生成分支集合时，可以按照各决策边在树形结构1中从根节点至叶子节点方向上的先后顺序，将各决策边的编号5,8,9依次加入分支集合。因为在后续过程中，获得分支集合的决策方是按照从根节点至叶子节点的顺序查找路径，因此将各决策边的编号5,8,9依次加入分支集合能够提高决策方的查找效率。

为了进一步节约网络开销，在本说明书一个实施例中，上述将各决策边的编号依次加入分支集合的一种具体实现过程包括：判断在树形结构1中是否存在对应于该数据源端的至少两个相邻节点，如果是，则针对该至少两个相邻节点连接的各决策边的编号，仅将该至少两个相邻节点中最后一级节点连接的决策边的编号加入分支集合。

其中，任意两个相邻节点指的是：该两个节点之间通过树形结构中的一条边相连。至少两个相邻节点中最后一级节点指的是：依据树形结构在从根节点至叶子节点方向上的先后顺序，至少两个相邻节点中最下级的节点。

比如，在图3所示的决策树中，节点a和节点b是对应于数据源端2的两个相邻节点，但是数据源端1对应的所有三个节点c、d、e均不是相邻节点。因此，在数据源端1执行图2所示的步骤203时，会将各决策边的编号5，8，9均加入分支集合中，而数据源端2在执行图2所示的步骤203时，可以只将相邻的两个节点a和节点b中最下级的节点b的一个决策边的编号比如编号3加入分支集合中，而不再将节点a的决策边的编号比如编号1加入分支集合中。

接下来，在步骤205数据源端1将本地决策信息提供给决策方。

如前所述，因为参与联合预测的多个数据源端中的任意一个数据源端可以作为决策方，因此，步骤205中，如果决策方是一个数据源端，比如正好为数据源端1自己，那么，数据源端1可以将本地决策信息提供给自己内部的相应处理模块。

在本步骤205中，因为数据源端1只需要将本地决策信息，比如上述的各决策边的编号提供给决策方，而无需提供复杂形式的属性判断结果等，因此，减少了网络开销，简化了实现过程。

进一步地，在本说明书实施例提供的各联合预测方法中，由于数据源端只需要将本地决策信息提供给决策方，而无需进行诸如对私有数据进行加解密、在不同数据源端之间进行决策算法的交互等复杂处理，因此，大大提高了处理性能。

下面针对决策方在联合预测过程中的处理进行说明。

图5是本说明书一个实施例中在决策方中实现联合预测的方法流程图。该方法的执行主体为决策方，该决策方可以是任何具有计算、处理能力的装置、设备、平台、设备集群。参见图5，该方法包括：

步骤501：决策方得到第二决策算法；该第二决策算法中包括参与所述联合预测的各个数据源端对应的决策分支以及各决策分支之间的关联关系；不同的决策分支表征不同的属性判断结果。

步骤503：决策方获取各数据源端提供的各本地决策信息。

本步骤503中，每一个本地决策信息是由数据源端利用本说明书中任一实施例的方法得到并提供给决策方的。

步骤505：根据第二决策算法以及获取的各本地决策信息，得到联合预测结果。

根据图5所示流程可以看出，决策方只从各个数据源端处获取了本地决策信息，而没有得到各个数据源端中的私有数据，就能得到最终的联合预测结果。因为每一个数据源端只需要发送计算得到的本地决策信息，而不发送私有数据，因此能够避免私有数据的泄露，提高联合预测的安全性。

下面对图5所示流程中的每一个步骤分别进行说明。

首先在步骤501，决策方得到第二决策算法；该第二决策算法中包括参与所述联合预测的各个数据源端对应的决策分支以及各决策分支之间的关联关系；不同的决策分支表征不同的属性判断结果。

第二决策算法中包括的各个决策分支及其关联关系，表征的是各个数据源端对应的所有可能的决策信息及各种决策信息之间的关联关系，通过此种关联关系就可以综合各个数据源端的本地决策信息，来最终得到联合预测结果。

该第二决策算法的形式也可以有多种，比如可以为树形结构，比如gbdt(gradientboostingdecisiontree)。

第二决策算法也可以为根据乱码电路(garbledcircuit，gc)得到的算法。

因为决策方需要综合判断各个数据源端的本地决策信息，因此当第二决策算法为树形结构记为树形结构2时，该树形结构2需要包括：参与联合预测的各个数据源端中得到的各树形结构1以及各个叶子节点；每一个叶子节点对应一个预测结果；

则步骤501中的每一个决策分支为该树形结构2中的一条边；

步骤501中各决策分支之间的关联关系为各边在树形结构2中的连接关系；

一个数据源端提供的本地决策信息包括：该数据源端从树形结构1的各个边中选择出的决策边的信息。

当步骤501中决策方得到的第二决策算法为树形结构2时，该树形结构2可以有多种形式：

形式1：完整的决策树，包括：参与联合预测的所有数据源端对应的节点及其中每一个节点上连接的至少两条边。

当采用该形式1时，可以使决策方获得例如图3所示的决策树。

形式2、从决策树中截取出的只包括边及边的连接关系，以及叶子节点的部分，而不包括数据源端对应的节点的部分。

当采用该形式2时，可以使决策方获得例如图6所示的树形结构。因为关于私有数据的属性判断都在各个数据源端中执行完毕，因此，决策方可以不需要获取树形结构中的节点信息，即对某条私有数据的属性判断方法，而只需要知道各个边的位置及连接关系、以及各个叶子节点，从而最终找到一条路径，确定一个叶子节点。

当然，还可以有其他形式的树形结构2，比如，从决策树中截取出的只包括一部分数据源端对应的节点及边，以及叶子节点的部分，而不包括另一部分数据源端对应的节点的部分。

接下来，在步骤503决策方获取各数据源端提供的各本地决策信息。

当在步骤501中，决策方获取的第二决策算法为树形结构2时，从每一个数据源端获取的本地决策信息为：该数据源端从其本地的树形结构1中选择出的决策边的信息。

例如，用户1的数据的特征值是{a:20,b:5,c:10,d:3,e:8,f:12,g:9}，参见图3，数据源端1对应节点c、节点d和节点e，拥有的私有数据包括{c,d,e}；数据源端2对应节点a、节点b以及节点f，拥有的私有数据包括{a,b,f}；数据源端3对应节点g，拥有的私有数据包括{g}。该3个数据源端分别采用上述本说明书中的数据源端的联合预测方法后，数据源端1会向决策方提供其决策边的信息，比如为分支集合{5,8,9}，数据源端2会向决策方提供其决策边的信息，比如为分支集合{1,3,11}，数据源端3会向决策方提供其决策边的信息，比如为分支集合{14}，即决策方获取了3个分支集合。

接下来，在步骤505决策方根据第二决策算法以及获取的各本地决策信息，得到联合预测结果。

在本说明书一个实施例中，本步骤505的具体实现过程包括：根据各数据源端提供的各决策边的信息，确定各决策边在所述第二树形结构中的位置及连接关系；根据所确定出的位置及连接关系，得到从所述第二树形结构中的根节点至一个叶子节点的路径；将得到的叶子节点对应的预测结果确定为联合预测结果。

在步骤503中，决策方得到了3个分支集合{5,8,9}、{1,3,11}、{14}。以图3所示的决策树为例，决策方首先从根节点的位置开始遍历，对于第一级的编号为1、2的两条边，因为决策方得到的3个分支集合中包括决策边的编号1，因此，选择编号为1所在的边的方向继续向下，对于下一级的编号为3、4的两条边，因为决策方得到的3个分支集合中包括决策边的编号3，因此，选择编号为3所在的边的方向继续向下，对于下一级的编号为7、8的两条边，因为决策方得到的3个分支集合中包括决策边的编号8，因此，选择编号为8所在的边的方向继续向下，则找到了该路径上的叶子节点4，因此将叶子节点4对应的预测结果(比如审核通过，且额度为5千)确定为联合预测结果。

本说明书一个实施例还提出了一种联合预测装置，设置于数据源端中，参见图7，该装置700包括：

第一决策算法保存模块701，被配置为得到第一决策算法；该第一决策算法中包括对该数据源端的私有数据的属性判断方法；

决策获取模块702，被配置为根据第一决策算法，对本地的私有数据进行属性判断，得到本地决策信息；

决策提供模块703，被配置为将本地决策信息提供给决策方。

在本说明书装置的一个实施例中，第一决策算法为第一树形结构；该第一树形结构是利用该数据源端对应的至少一个节点以及每一个节点上连接的至少两条边生成的；其中，每一个节点表征：对该数据源端的一条私有数据的属性判断方法；不同的边表征不同的属性判断结果；

本地决策信息包括：从第一树形结构的各个边中选择出的决策边的信息。

在本说明书装置的一个实施例中，决策获取模块702被配置为针对第一树形结构中该数据源端对应的每一个节点，均执行：

根据该节点表征的属性判断方法以及本地的私有数据，得到属性判断结果；以及

根据当前得到的属性判断结果，从该节点用于连接下一级节点的至少两条边中选择出决策边；该决策边表征的属性判断结果与当前得到的属性判断结果相同；

得到各个决策边的信息。

在本说明书装置的一个实施例中，决策获取模块702被配置为按照各决策边在所述第一树形结构中从根节点至叶子节点方向上的先后顺序，将各决策边的编号依次加入一个分支集合，将该分支集合确定为所得到的各个决策边的信息。

在本说明书装置的一个实施例中，决策获取模块702被配置为判断在所述第一树形结构中是否存在对应于该数据源端的至少两个相邻节点，如果是，则针对该至少两个相邻节点连接的各决策边的编号，仅将该至少两个相邻节点中最后一级节点连接的决策边的编号加入所述分支集合。

在本说明书装置的一个实施例中，第一树形结构包括：

参与所述联合预测的所有数据源端对应的节点及其中每一个节点上连接的至少两条边；

或者，

对应于本数据源端的节点及其中每一个节点上连接的至少两条边。

本说明书一个实施例还提出了一种联合预测装置，设置于决策方，参见图8，该装置800包括：

第二决策算法保存模块801，被配置为得到第二决策算法；该第二决策算法中包括参与所述联合预测的各个数据源端对应的决策分支以及各决策分支之间的关联关系；不同的决策分支表征不同的属性判断结果；

决策汇总模块802，被配置为获取所述各数据源端提供的各本地决策信息；

预测模块803，被配置为根据第二决策算法以及获取的各本地决策信息，得到联合预测结果。

在本说明书装置的一个实施例中，第二决策算法为第二树形结构；该第二树形结构包括：所述各个数据源端得到的各第一树形结构以及各个叶子节点；每一个叶子节点对应一个预测结果；

每一个所述决策分支为该第二树形结构中的一条边；

各决策分支之间的关联关系为各边在第二树形结构中的连接关系；

一个数据源端提供的本地决策信息包括：该数据源端从第一树形结构的各个边中选择出的决策边的信息。

在本说明书装置的一个实施例中，预测模块803被配置为执行：根据各数据源端提供的各决策边的信息，确定各决策边在所述第二树形结构中的位置及连接关系；根据所确定出的位置及连接关系，得到从所述第二树形结构中的根节点至一个叶子节点的路径；将得到的该路径上的叶子节点对应的预测结果确定为联合预测结果。

本说明书一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行说明书中任一个实施例中的方法。

本说明书一个实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现执行说明书中任一个实施例中的方法。

可以理解的是，本说明书实施例示意的结构并不构成对仓储货物测量装置的具体限定。在说明书的另一些实施例中，仓储货物测量装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

上述装置、系统内的各模块之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，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方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。