指标数据处理方法、装置、设备及存储介质与流程

本发明涉及数据处理技术领域，尤其涉及一种指标数据处理方法、装置、设备及存储介质。

背景技术：

为了进行风险排查，通常会对计划投资的产品的指标数据进行指标数据预测，以确定了该指标的风险。

在目前的指标数据预测方案中，通常是通过市面上通用的投资模型直接对指标数据进行分析，由于该方式没有结合该指标的产品特性对指标数据进行分析，造成数据预测不准确，从而不利于风险排查。

技术实现要素：

鉴于以上内容，有必要提供一种指标数据处理方法、装置、设备及存储介质，不仅能够提高指标结果的准确性，还能够提高指标结果的生成效率。

一方面，本发明提出一种指标数据处理方法，所述指标数据处理方法包括：

当接收到指标处理请求时，根据所述指标处理请求确定分析指标；

根据所述指标处理请求确定所述分析指标所属的指标对象，并根据所述指标对象确定所述分析指标所属的指标领域；

获取所述指标对象所对应的对象模型，并获取所述指标领域所对应的领域模型；

基于所述分析指标的样本信息处理所述对象模型及所述领域模型，得到数据预测模型；

根据所述指标处理请求获取所述分析指标的分析数据；

对所述分析数据进行预处理，得到标准数据；

基于所述数据预测模型处理所述标准数据，得到所述分析指标的指标结果。

根据本发明优选实施例，所述根据所述指标处理请求确定所述分析指标所属的指标对象包括：

确定所述指标处理请求的发送终端，并将与所述发送终端所对应的用户确定为触发用户；

获取与所述触发用户对应的对象库；

基于所述分析指标遍历所述对象库，并将所述对象库中包含有所述分析指标的对象确定为所述指标对象。

根据本发明优选实施例，所述基于所述分析指标的样本信息处理所述对象模型及所述领域模型，得到数据预测模型包括：

从配置库中获取所述分析指标的所述样本信息；

对所述对象模型进行裁剪，得到对象网络层，并对所述领域模型进行裁剪，得到领域网络层；

拼接所述领域网络层、所述对象网络层及预设网络层，得到初始模型；

基于所述样本信息调整所述初始模型中的参数，直至所述初始模型收敛，得到所述数据预测模型。

根据本发明优选实施例，所述从配置库中获取所述分析指标的所述样本信息包括：

获取预设查询模板，所述预设查询模板中存储有时间标签及查询对象标签；

确定所述指标处理请求的接收时刻，并计算所述接收时刻与预设时段的总和，得到查询时段；

将所述查询时段写入所述预设查询模板中与所述时间标签对应的位置，并将所述分析指标写入所述预设查询模板中与所述查询对象对应的位置，得到第一查询语句；

基于所述配置库运行所述第一查询语句，得到样本结果；

从预设决策树中获取所述分析指标的子结点作为子指标；

基于所述子指标更新所述第一查询语句中的所述分析指标，得到第二查询语句，并基于所述配置库运行所述第二查询语句，得到样本数据；

将所述样本结果及所述样本数据确定为所述样本信息。

根据本发明优选实施例，所述对所述对象模型进行裁剪，得到对象网络层包括：

将所述对象模型中的所有网络层确定为第一网络层；

提取每个所述第一网络层的网络参数；

对于每个任意第一网络层，将所述第一网络层中除该任意第一网络层外的第一网络层确定为特征网络层；

将所述任意第一网络层中的第一网络参数与所述特征网络层中的第二网络参数进行比较；

若所述第二网络参数与所述第一网络参数相同，确定所述特征网络层为重复网络层；

从所述对象模型中删除所述重复网络层，得到所述对象网络层。

根据本发明优选实施例，所述基于所述样本信息调整所述初始模型中的参数，直至所述初始模型收敛，得到所述数据预测模型包括：

将所述样本数据输入至所述领域网络层中，得到领域预测结果，并将所述样本数据输入值所述对象网络层中，得到对象预测结果；

基于所述预设网络层处理所述领域预测结果及所述对象预测结果，得到目标预测结果；

计算所述目标预测结果与所述样本结果的差值，得到损失值；

基于所述损失值调整所述参数，直至所述损失值不再降低，得到所述数据预测模型。

根据本发明优选实施例，所述对所述分析数据进行预处理，得到标准数据包括：

识别所述分析数据的数据类型；

计算每一数据类型中所述分析数据的数据量；

将所述数据量最大的数据类型确定为目标类型；

将所述数据类型不为所述目标类型的分析数据确定为特征数据，并将所述特征数据的类型确定为特征类型；

获取所述特征类型与所述目标类型的关系映射表；

基于所述关系映射表对所述特征数据进行转换，得到所述标准数据。

另一方面，本发明还提出一种指标数据处理装置，所述指标数据处理装置包括：

确定单元，用于当接收到指标处理请求时，根据所述指标处理请求确定分析指标；

所述确定单元，还用于根据所述指标处理请求确定所述分析指标所属的指标对象，并根据所述指标对象确定所述分析指标所属的指标领域；

获取单元，用于获取所述指标对象所对应的对象模型，并获取所述指标领域所对应的领域模型；

处理单元，用于基于所述分析指标的样本信息处理所述对象模型及所述领域模型，得到数据预测模型；

所述获取单元，还用于根据所述指标处理请求获取所述分析指标的分析数据；

预处理单元，用于对所述分析数据进行预处理，得到标准数据；

所述处理单元，还用于基于所述数据预测模型处理所述标准数据，得到所述分析指标的指标结果。

另一方面，本发明还提出一种电子设备，所述电子设备包括：

存储器，存储计算机可读指令；及

处理器，执行所述存储器中存储的计算机可读指令以实现所述指标数据处理方法。

另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述指标数据处理方法。

由以上技术方案可以看出，本发明通过所述样本信息处理所述对象模型及所述领域模型，能够使生成的数据预测模型具有所述对象的对象特性及所述领域的领域特性，提高了所述数据预测模型的预测精度，从而提高了所述指标结果的准确性。此外，本发明通过对所述分析数据进行预处理，能够生成标准化的所述标准数据，提高了所述数据预测模型处理所述分析指标的效率，提高所述指标结果的生成效率。

附图说明

图1是本发明指标数据处理方法的较佳实施例的流程图。

图2是本发明指标数据处理装置的较佳实施例的功能模块图。

图3是本发明实现指标数据处理方法的较佳实施例的电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

如图1所示，是本发明指标数据处理方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

所述指标数据处理方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字信号处理器(digitalsignalprocessor，dsp)、嵌入式设备等。

所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、游戏机、交互式网络电视(internetprotocoltelevision，iptv)、智能穿戴式设备等。

所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloudcomputing)的由大量主机或网络电子设备构成的云。

所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(virtualprivatenetwork，vpn)等。

s10，当接收到指标处理请求时，根据所述指标处理请求确定分析指标。

在本发明的至少一个实施例中，所述指标处理请求可以由任意用户触发，所述指标处理请求中携带的信息包括，但不限于：指标识别码、分析时段等。

所述分析指标是指所述指标处理请求中需要进行数据预测分析的指标。所述分析指标可以是任意领域中任意产品上的指标，例如，所述分析指标可以是金融领域中a金融产品所对应的指标。

在本发明的至少一个实施例中，所述电子设备根据所述指标处理请求确定分析指标包括：

解析所述指标处理请求的报文，得到所述报文携带的报文信息；

从所述报文信息中提取指示指标的信息作为指标识别码；

将所述指标识别码所对应的指标确定为所述分析指标。

其中，所述指标识别码是指所述分析指标的标识，所述指标识别码能够唯一所述分析指标。

通过所述报文，能够快速获取到所述指标识别码，通过所述指标识别码与指标的映射关系，能够准确的确定出所述分析指标。

s11，根据所述指标处理请求确定所述分析指标所属的指标对象，并根据所述指标对象确定所述分析指标所属的指标领域。

在本发明的至少一个实施例中，所述指标对象是指所述分析指标所在的产品，所述指标领域是指所述分析指标所在的领域。

在本发明的至少一个实施例中，所述电子设备根据所述指标处理请求确定所述分析指标所属的指标对象包括：

确定所述指标处理请求的发送终端，并将与所述发送终端所对应的用户确定为触发用户；

获取与所述触发用户对应的对象库；

基于所述分析指标遍历所述对象库，并将所述对象库中包含有所述分析指标的对象确定为所述指标对象。

其中，所述发送终端是指将所述指标处理请求发送至所述电子设备的终端。

所述触发用户是指触发所述指标处理请求发送的用户，所述触发用户也可以是触发所述指标处理请求生成的用户。

所述对象库中存储有与所述触发用户相关联的对象与指标的映射关系。

通过上述实施方式，能够准确的确定出所述对象库，进而通过遍历所述对象库，能够准确的确定出所述分析指标所属的指标对象。

在本发明的至少一个实施例中，所述电子设备将与所述对象及所述分析指标对应的领域确定为指标领域。

s12，获取所述指标对象所对应的对象模型，并获取所述指标领域所对应的领域模型。

在本发明的至少一个实施例中，所述对象模型是指基于所述指标对象的对象特性而生成的模型，所述领域模型是指基于所述指标领域的领域特性而生成的模型，所述领域模型通常是在所述指标领域中通用的模型。

s13，基于所述分析指标的样本信息处理所述对象模型及所述领域模型，得到数据预测模型。

在本发明的至少一个实施例中，所述样本信息是指训练所述数据预测模型的信息，所述样本信息中包括样本数据及样本结果。

所述数据预测模型中包含有领域网络层、对象网络层及预设网络层，其中，所述预设网络层用于确定指标结果。所述预设网络层中的参数可以根据所述对象模型及所述领域模型中的最后一层网络层确定。

在本发明的至少一个实施例中，所述电子设备基于所述分析指标的样本信息处理所述对象模型及所述领域模型，得到数据预测模型包括：

从配置库中获取所述分析指标的所述样本信息；

对所述对象模型进行裁剪，得到对象网络层，并对所述领域模型进行裁剪，得到领域网络层；

拼接所述领域网络层、所述对象网络层及预设网络层，得到初始模型；

基于所述样本信息调整所述初始模型中的参数，直至所述初始模型收敛，得到所述数据预测模型。

其中，所述配置库存储有多个指标的相关信息。

所述对象网络层是指剔除所述对象模型中的重复网络层而得到的模型，所述领域网络层是指剔除所述领域模型中参数相同的网络层而得到的模型。

所述参数包括所述领域网络层、所述对象网络层及预设网络层上的所有配置参数。

通过所述配置库能够获取到数据标准化的样本信息，由于无需对所述样本信息进行预处理，能够提高所述数据预测模型的训练效率，通过对对象模型及所述领域模型进行裁剪，能够进一步提高所述数据预测模型的训练效率，通过所述样本信息对所述参数进行调整，能够确保所述数据预测模型的预测精度。

具体地，所述电子设备从所述配置库中获取所述分析指标的所述样本信息包括：

获取预设查询模板，所述预设查询模板中存储有时间标签及查询对象标签；

确定所述指标处理请求的接收时刻，并计算所述接收时刻与预设时段的总和，得到查询时段；

将所述查询时段写入所述预设查询模板中与所述时间标签对应的位置，并将所述分析指标写入所述预设查询模板中与所述查询对象对应的位置，得到第一查询语句；

基于所述配置库运行所述第一查询语句，得到样本结果；

从预设决策树中获取所述分析指标的子结点作为子指标；

基于所述子指标更新所述第一查询语句中的所述分析指标，得到第二查询语句，并基于所述配置库运行所述第二查询语句，得到样本数据；

将所述样本结果及所述样本数据确定为所述样本信息。

其中，所述预设查询模板中存储有所述时间标签与某一位置的关联关系，以及，所述查询对象标签与某一位置的关联关系。

所述接收时刻是指所述电子设备接收到所述指标处理请求的时间。

所述预设时段可以任意配置。

所述预设决策树中存储有多个指标的连结关系。

通过所述预设查询模板能够快速生成所述第一查询语句，从而能够快速获取到所述样本结果，进而基于所述子指标更新所述第一查询语句，从而能够快速生成所述第二查询语句，进而能够快速获取到所述样本数据。此外，通过所述预设决策树能够准确的获取到所述子指标，从而能够准确的确定出与所述样本结果对应的样本数据。

具体地，所述电子设备对所述对象模型进行裁剪，得到对象网络层包括：

将所述对象模型中的所有网络层确定为第一网络层；

提取每个所述第一网络层的网络参数；

对于每个任意第一网络层，将所述第一网络层中除该任意第一网络层外的第一网络层确定为特征网络层；

将所述任意第一网络层中的第一网络参数与所述特征网络层中的第二网络参数进行比较；

若所述第二网络参数与所述第一网络参数相同，确定所述特征网络层为重复网络层；

从所述对象模型中删除所述重复网络层，得到所述对象网络层。

其中，所述网络参数是指影响所述对象网络层的输出结果的参数。

通过删除所述重复网络层，能够避免对分析数据进行重复处理，从而提高指标结果的生成效率。

具体地，所述电子设备对所述领域模型进行裁剪的方式与所述电子设备对所述对象模型进行裁剪的方式相同，本发明对此不再赘述。

具体地，所述样本信息包括样本数据及样本结果，所述初始模型包括所述领域网络层、所述对象网络层及预设网络层，所述电子设备基于所述样本信息调整所述初始模型中的参数，直至所述初始模型收敛，得到所述数据预测模型包括：

将所述样本数据输入至所述领域网络层中，得到领域预测结果，并将所述样本数据输入值所述对象网络层中，得到对象预测结果；

基于所述预设网络层处理所述领域预测结果及所述对象预测结果，得到目标预测结果；

计算所述目标预测结果与所述样本结果的差值，得到损失值；

基于所述损失值调整所述参数，直至所述损失值不再降低，得到所述数据预测模型。

通过所述损失值对所述参数进行调整，能够确保所述数据预测模型的预测精度，从而提高指标结果的准确性。

s14，根据所述指标处理请求获取所述分析指标的分析数据。

在本发明的至少一个实施例中，所述分析数据是指预测所述分析指标的指标结果所需的数据。

在本发明的至少一个实施例中，所述电子设备根据所述指标处理请求获取所述分析指标的分析数据包括：

根据所述指标处理请求确定所述触发用户；

获取与所述触发用户对应的用户数据库；

从所述指标处理请求中获取指示时间的信息作为分析时段；

将将所述分析时段写入所述预设查询模板中与所述时间标签对应的位置，并将所述分析指标写入所述预设查询模板中与所述查询对象对应的位置，得到目标查询语句；

基于所述用户数据库运行所述目标查询语句，得到所述分析数据。

通过上述实施方式，能够准确的确定出预测所述分析指标所需的数据来源，从而能够准确的获取到所述分析数据。

s15，对所述分析数据进行预处理，得到标准数据。

在本发明的至少一个实施例中，所述标准数据是指数据类型相同的分析数据。

在本发明的至少一个实施例中，所述电子设备对所述分析数据进行预处理，得到标准数据包括：

识别所述分析数据的数据类型；

计算每一数据类型中所述分析数据的数据量；

将所述数据量最大的数据类型确定为目标类型；

将所述数据类型不为所述目标类型的分析数据确定为特征数据，并将所述特征数据的类型确定为特征类型；

获取所述特征类型与所述目标类型的关系映射表；

基于所述关系映射表对所述特征数据进行转换，得到所述标准数据。

其中，所述数据类型是指所述分析数据所属的类型，例如，所述数据类型包括，但不限于：二进制数值类型、字符类型等。

所述关系映射表中存储有所述特征类型与所述目标类型的转换关系。

通过对数据量较小的数据类型所对应的特征数据进行标准化处理，能够减小标准化处理的数据量，从而提高预处理效率，通过所述关系映射表能够准确的将所述特征数据转换为与所述目标类型所对应的标准数据。

s16，基于所述数据预测模型处理所述标准数据，得到所述分析指标的指标结果。

在本发明的至少一个实施例中，所述指标结果是指基于所述分析数据而预测出的与所述分析指标对应的结果。

需要强调的是，为进一步保证上述指标结果的私密和安全性，上述指标结果还可以存储于一区块链的节点中。

在本发明的至少一个实施例中，在得到所述分析指标的指标结果后，所述方法还包括：

获取所述指标处理请求的请求编号；

根据所述请求编号及所述指标结果生成提示信息；

采用对称加密技术加密所述提示信息，得到密文；

将所述密文发送至所述发送终端中。

通过上述实施方式，能够确保所述指标结果不被篡改，从而提高所述指标结果的安全性。

由以上技术方案可以看出，本发明通过所述样本信息处理所述对象模型及所述领域模型，能够使生成的数据预测模型具有所述对象的对象特性及所述领域的领域特性，提高了所述数据预测模型的预测精度，从而提高了所述指标结果的准确性。此外，本发明通过对所述分析数据进行预处理，能够生成标准化的所述标准数据，提高了所述数据预测模型处理所述分析指标的效率，提高所述指标结果的生成效率。

如图2所示，是本发明指标数据处理装置的较佳实施例的功能模块图。所述指标数据处理装置11包括确定单元110、获取单元111、处理单元112、预处理单元113、生成单元114、加密单元115及发送单元116。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。

当接收到指标处理请求时，确定单元110根据所述指标处理请求确定分析指标。

在本发明的至少一个实施例中，所述指标处理请求可以由任意用户触发，所述指标处理请求中携带的信息包括，但不限于：指标识别码、分析时段等。

所述分析指标是指所述指标处理请求中需要进行数据预测分析的指标。所述分析指标可以是任意领域中任意产品上的指标，例如，所述分析指标可以是金融领域中a金融产品所对应的指标。

在本发明的至少一个实施例中，所述确定单元110根据所述指标处理请求确定分析指标包括：

解析所述指标处理请求的报文，得到所述报文携带的报文信息；

从所述报文信息中提取指示指标的信息作为指标识别码；

将所述指标识别码所对应的指标确定为所述分析指标。

其中，所述指标识别码是指所述分析指标的标识，所述指标识别码能够唯一所述分析指标。

通过所述报文，能够快速获取到所述指标识别码，通过所述指标识别码与指标的映射关系，能够准确的确定出所述分析指标。

所述确定单元110根据所述指标处理请求确定所述分析指标所属的指标对象，并根据所述指标对象确定所述分析指标所属的指标领域。

在本发明的至少一个实施例中，所述指标对象是指所述分析指标所在的产品，所述指标领域是指所述分析指标所在的领域。

在本发明的至少一个实施例中，所述确定单元110根据所述指标处理请求确定所述分析指标所属的指标对象包括：

确定所述指标处理请求的发送终端，并将与所述发送终端所对应的用户确定为触发用户；

获取与所述触发用户对应的对象库；

基于所述分析指标遍历所述对象库，并将所述对象库中包含有所述分析指标的对象确定为所述指标对象。

其中，所述发送终端是指将所述指标处理请求发送至电子设备的终端。

所述触发用户是指触发所述指标处理请求发送的用户，所述触发用户也可以是触发所述指标处理请求生成的用户。

所述对象库中存储有与所述触发用户相关联的对象与指标的映射关系。

通过上述实施方式，能够准确的确定出所述对象库，进而通过遍历所述对象库，能够准确的确定出所述分析指标所属的指标对象。

在本发明的至少一个实施例中，所述确定单元110将与所述对象及所述分析指标对应的领域确定为指标领域。

获取单元111获取所述指标对象所对应的对象模型，并获取所述指标领域所对应的领域模型。

在本发明的至少一个实施例中，所述对象模型是指基于所述指标对象的对象特性而生成的模型，所述领域模型是指基于所述指标领域的领域特性而生成的模型，所述领域模型通常是在所述指标领域中通用的模型。

处理单元112基于所述分析指标的样本信息处理所述对象模型及所述领域模型，得到数据预测模型。

在本发明的至少一个实施例中，所述样本信息是指训练所述数据预测模型的信息，所述样本信息中包括样本数据及样本结果。

所述数据预测模型中包含有领域网络层、对象网络层及预设网络层，其中，所述预设网络层用于确定指标结果。所述预设网络层中的参数可以根据所述对象模型及所述领域模型中的最后一层网络层确定。

在本发明的至少一个实施例中，所述处理单元112基于所述分析指标的样本信息处理所述对象模型及所述领域模型，得到数据预测模型包括：

从配置库中获取所述分析指标的所述样本信息；

对所述对象模型进行裁剪，得到对象网络层，并对所述领域模型进行裁剪，得到领域网络层；

拼接所述领域网络层、所述对象网络层及预设网络层，得到初始模型；

基于所述样本信息调整所述初始模型中的参数，直至所述初始模型收敛，得到所述数据预测模型。

其中，所述配置库存储有多个指标的相关信息。

所述对象网络层是指剔除所述对象模型中的重复网络层而得到的模型，所述领域网络层是指剔除所述领域模型中参数相同的网络层而得到的模型。

所述参数包括所述领域网络层、所述对象网络层及预设网络层上的所有配置参数。

通过所述配置库能够获取到数据标准化的样本信息，由于无需对所述样本信息进行预处理，能够提高所述数据预测模型的训练效率，通过对对象模型及所述领域模型进行裁剪，能够进一步提高所述数据预测模型的训练效率，通过所述样本信息对所述参数进行调整，能够确保所述数据预测模型的预测精度。

具体地，所述处理单元112从所述配置库中获取所述分析指标的所述样本信息包括：

获取预设查询模板，所述预设查询模板中存储有时间标签及查询对象标签；

确定所述指标处理请求的接收时刻，并计算所述接收时刻与预设时段的总和，得到查询时段；

将所述查询时段写入所述预设查询模板中与所述时间标签对应的位置，并将所述分析指标写入所述预设查询模板中与所述查询对象对应的位置，得到第一查询语句；

基于所述配置库运行所述第一查询语句，得到样本结果；

从预设决策树中获取所述分析指标的子结点作为子指标；

基于所述子指标更新所述第一查询语句中的所述分析指标，得到第二查询语句，并基于所述配置库运行所述第二查询语句，得到样本数据；

将所述样本结果及所述样本数据确定为所述样本信息。

其中，所述预设查询模板中存储有所述时间标签与某一位置的关联关系，以及，所述查询对象标签与某一位置的关联关系。

所述接收时刻是指所述电子设备接收到所述指标处理请求的时间。

所述预设时段可以任意配置。

所述预设决策树中存储有多个指标的连结关系。

通过所述预设查询模板能够快速生成所述第一查询语句，从而能够快速获取到所述样本结果，进而基于所述子指标更新所述第一查询语句，从而能够快速生成所述第二查询语句，进而能够快速获取到所述样本数据。此外，通过所述预设决策树能够准确的获取到所述子指标，从而能够准确的确定出与所述样本结果对应的样本数据。

具体地，所述处理单元112对所述对象模型进行裁剪，得到对象网络层包括：

将所述对象模型中的所有网络层确定为第一网络层；

提取每个所述第一网络层的网络参数；

对于每个任意第一网络层，将所述第一网络层中除该任意第一网络层外的第一网络层确定为特征网络层；

将所述任意第一网络层中的第一网络参数与所述特征网络层中的第二网络参数进行比较；

若所述第二网络参数与所述第一网络参数相同，确定所述特征网络层为重复网络层；

从所述对象模型中删除所述重复网络层，得到所述对象网络层。

其中，所述网络参数是指影响所述对象网络层的输出结果的参数。

通过删除所述重复网络层，能够避免对分析数据进行重复处理，从而提高指标结果的生成效率。

具体地，所述处理单元112对所述领域模型进行裁剪的方式与所述处理单元112对所述对象模型进行裁剪的方式相同，本发明对此不再赘述。

具体地，所述样本信息包括样本数据及样本结果，所述初始模型包括所述领域网络层、所述对象网络层及预设网络层，所述处理单元112基于所述样本信息调整所述初始模型中的参数，直至所述初始模型收敛，得到所述数据预测模型包括：

将所述样本数据输入至所述领域网络层中，得到领域预测结果，并将所述样本数据输入值所述对象网络层中，得到对象预测结果；

基于所述预设网络层处理所述领域预测结果及所述对象预测结果，得到目标预测结果；

计算所述目标预测结果与所述样本结果的差值，得到损失值；

基于所述损失值调整所述参数，直至所述损失值不再降低，得到所述数据预测模型。

通过所述损失值对所述参数进行调整，能够确保所述数据预测模型的预测精度，从而提高指标结果的准确性。

所述获取单元111根据所述指标处理请求获取所述分析指标的分析数据。

在本发明的至少一个实施例中，所述分析数据是指预测所述分析指标的指标结果所需的数据。

在本发明的至少一个实施例中，所述获取单元111根据所述指标处理请求获取所述分析指标的分析数据包括：

根据所述指标处理请求确定所述触发用户；

获取与所述触发用户对应的用户数据库；

从所述指标处理请求中获取指示时间的信息作为分析时段；

将将所述分析时段写入所述预设查询模板中与所述时间标签对应的位置，并将所述分析指标写入所述预设查询模板中与所述查询对象对应的位置，得到目标查询语句；

基于所述用户数据库运行所述目标查询语句，得到所述分析数据。

通过上述实施方式，能够准确的确定出预测所述分析指标所需的数据来源，从而能够准确的获取到所述分析数据。

预处理单元113对所述分析数据进行预处理，得到标准数据。

在本发明的至少一个实施例中，所述标准数据是指数据类型相同的分析数据。

在本发明的至少一个实施例中，所述预处理单元113对所述分析数据进行预处理，得到标准数据包括：

识别所述分析数据的数据类型；

计算每一数据类型中所述分析数据的数据量；

将所述数据量最大的数据类型确定为目标类型；

将所述数据类型不为所述目标类型的分析数据确定为特征数据，并将所述特征数据的类型确定为特征类型；

获取所述特征类型与所述目标类型的关系映射表；

基于所述关系映射表对所述特征数据进行转换，得到所述标准数据。

其中，所述数据类型是指所述分析数据所属的类型，例如，所述数据类型包括，但不限于：二进制数值类型、字符类型等。

所述关系映射表中存储有所述特征类型与所述目标类型的转换关系。

通过对数据量较小的数据类型所对应的特征数据进行标准化处理，能够减小标准化处理的数据量，从而提高预处理效率，通过所述关系映射表能够准确的将所述特征数据转换为与所述目标类型所对应的标准数据。

所述处理单元112基于所述数据预测模型处理所述标准数据，得到所述分析指标的指标结果。

在本发明的至少一个实施例中，所述指标结果是指基于所述分析数据而预测出的与所述分析指标对应的结果。

需要强调的是，为进一步保证上述指标结果的私密和安全性，上述指标结果还可以存储于一区块链的节点中。

在本发明的至少一个实施例中，在得到所述分析指标的指标结果后，所述获取单元111获取所述指标处理请求的请求编号；

生成单元114根据所述请求编号及所述指标结果生成提示信息；

加密单元115采用对称加密技术加密所述提示信息，得到密文；

发送单元116将所述密文发送至所述发送终端中。

通过上述实施方式，能够确保所述指标结果不被篡改，从而提高所述指标结果的安全性。

由以上技术方案可以看出，本发明通过所述样本信息处理所述对象模型及所述领域模型，能够使生成的数据预测模型具有所述对象的对象特性及所述领域的领域特性，提高了所述数据预测模型的预测精度，从而提高了所述指标结果的准确性。此外，本发明通过对所述分析数据进行预处理，能够生成标准化的所述标准数据，提高了所述数据预测模型处理所述分析指标的效率，提高所述指标结果的生成效率。

如图3所示，是本发明实现指标数据处理方法的较佳实施例的电子设备的结构示意图。

在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如指标数据处理程序。

本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。

所述处理器13可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。

示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成确定单元110、获取单元111、处理单元112、预处理单元113、生成单元114、加密单元115及发送单元116。

所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他存储器件。

所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、tf卡(trans-flashcard)等等。

所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。

其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种指标数据处理方法，所述处理器13可执行所述计算机可读指令从而实现：

当接收到指标处理请求时，根据所述指标处理请求确定分析指标；

根据所述指标处理请求确定所述分析指标所属的指标对象，并根据所述指标对象确定所述分析指标所属的指标领域；

获取所述指标对象所对应的对象模型，并获取所述指标领域所对应的领域模型；

基于所述分析指标的样本信息处理所述对象模型及所述领域模型，得到数据预测模型；

根据所述指标处理请求获取所述分析指标的分析数据；

对所述分析数据进行预处理，得到标准数据；

基于所述数据预测模型处理所述标准数据，得到所述分析指标的指标结果。

具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：

当接收到指标处理请求时，根据所述指标处理请求确定分析指标；

根据所述指标处理请求确定所述分析指标所属的指标对象，并根据所述指标对象确定所述分析指标所属的指标领域；

获取所述指标对象所对应的对象模型，并获取所述指标领域所对应的领域模型；

基于所述分析指标的样本信息处理所述对象模型及所述领域模型，得到数据预测模型；

根据所述指标处理请求获取所述分析指标的分析数据；

对所述分析数据进行预处理，得到标准数据；

基于所述数据预测模型处理所述标准数据，得到所述分析指标的指标结果。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。