对象能力的预测方法和装置、存储介质及电子装置与流程

1.本技术涉及互联网领域，具体而言，涉及一种对象能力的预测方法和装置、存储介质及电子装置。


背景技术：

2.目前，在大数据风控领域，在确定对用户执行特定行为时，可以对用户的特定能力进行评估，从而确定是否对该用户执行该特定行为，例如，用户的还款能力是决定贷款申请是否通过的重要评估指标。目前，通过采用以下方式对用户进行能力评估：用专家经验设定规则模型进行评估，例如，基于风控业务专家的经验，人工设定一套规则，以预测用户的还款能力，规则模型输出的是用户的还款能力系数。
3.然而，基于规则模型的评估方法，虽然直观易理解，更符合业务常识，但是，制定一套科学全面的规则是非常困难的，依赖于业务专家经验和分析问题是否全面，而且需要耗费较长的时间。基于经验设定的规则模型特征通常不够丰富，导致能力评估的准确性较低。
4.并且，由于规则模型评估的是用户的还款能力系数，是否对用户执行特定操作是基于输出的还款能力系数与设置的系数阈值的关系判定的。如果系数阈值设置的不合理，则会导致能力评估的合理性较差。
5.由此可见，相关技术中基于规则模型的评估方式，存在由于易受到人为因素的影响导致的能力评估的合理性差的问题。


技术实现要素：

6.本技术实施例提供了一种对象能力的预测方法和装置、存储介质及电子装置，以至少解决相关技术中基于规则模型的评估方式存在由于易受到人为因素的影响导致的能力评估的合理性差的问题。
7.根据本技术实施例的一个方面，提供了一种对象能力的预测方法，包括：获取目标对象的目标特征数据，其中，所述目标特征数据是所述目标对象在一组预设特征维度上的数据；将所述目标特征数据输入到目标预测模型，得到所述目标预测模型输出的目标资源总量，其中，所述目标资源总量为基于所述目标特征数据所预测的、在不发生逾期的情况下所述目标对象可偿还的交换资源的最大资源量；根据所述目标资源总量和所述目标对象的当前资源量，确定所述目标对象的可偿还资源量，其中，所述当前资源量为所述目标对象当前待偿还的交换资源的资源量。
8.在一个示例性实施例中，所述获取目标对象的目标特征数据，包括：获取训练样本集，其中，所述训练样本集中的训练样本包含训练对象的第一特征数据和所述训练对象的标注信息，所述训练对象的第一特征数据包含所述训练对象在所述一组预设特征维度上的特征数据，所述训练对象的标注信息用于指示所述训练对象在发生逾期时待偿还的交换资源的总资源量；使用所述训练对象的第一特征数据和所述训练对象的标注信息对初始预测模型进行模型训练，得到所述目标预测模型。
9.在一个示例性实施例中，在所述获取训练样本集之前，所述方法还包括：从一组候选对象中筛选出满足目标筛选条件的对象，得到所述训练对象，其中，所述目标筛选条件包括以下至少之一：在预设时间段内，发生逾期的次数达到预设次数阈值，发生逾期的可交换资源量达到预设资源量阈值，交换资源的获取方式为预设获取方式。
10.在一个示例性实施例中，所述初始预测模型为梯度提升回归模型；在所述获取训练样本集之前，所述方法还包括：获取所述训练对象的第二特征数据和所述训练对象的标注信息，其中，所述训练对象的第二特征数据包含所述训练对象在一组候选特征维度上的特征数据；通过使用所述训练对象的第二特征数据和所述训练对象的标注信息进行回归模型构建，评估所述一组候选特征中的每个候选特征的重要性，得到所述每个候选特征的重要性评估结果；根据所述每个候选特征的重要性评估结果，从所述一组候选特征中筛选出所述一组预设特征。
11.在一个示例性实施例中，所述根据所述每个候选特征的重要性评估结果，从所述一组候选特征中筛选出所述一组预设特征，包括：根据所述每个候选特征的重要性评估结果，从所述一组候选特征中筛选出一组预设特征；分别对所述一组预设特征中的每个预设特征执行以下步骤，得到更新后的所述一组预设特征，其中，在执行以下步骤时，所述每个预设特征为当前预设特征；对当前预设特征进行分箱化处理，得到多个分箱，其中，所述多个分箱中的每个分箱包含所述当前预设特征的一段特征值；分别构建与所述每个分箱对应的参考数据，其中，与所述每个分箱对应的参考数据包含所述每个预设特征的特征值，与所述每个分箱对应的参考数据中，所述当前预设特征的特征值位于所述每个分箱包含的一段特征值以内，除了所述当前预设特征以外的其他预设特征的特征值均相同；将与所述每个分箱对应的参考数据输入到目标回归模型，得到与所述每个分箱对应的预测结果，其中，所述目标回归模型是使用所述训练对象的第二特征数据和所述训练对象的标注信息进行回归模型构建所得到的模型，与所述每个分箱对应的预测结果用于指示根据与所述每个分箱对应的参考数据预测的、在发生逾期时待偿还的交换资源的总资源量；在与所述每个分箱对应的预测结果所指示的总资源量的大小顺序不是预设顺序的情况下，将所述当前预设特征从所述一组预设特征中移除。
12.在一个示例性实施例中，所述获取训练样本集包括：获取所述训练对象在所述一组预设特征维度上的特征数据，得到所述训练对象的特征数据；根据所述训练对象的历史资源记录对所述训练对象的交换资源进行回溯，得到所述训练对象在发生逾期时的交换资源，其中，所述历史资源记录用于记录所述训练对象的交换资源的历史状态；根据所述训练对象在发生逾期时的交换资源，确定所述训练对象在发生逾期时待偿还的交换资源的总资源量，得到所述训练对象的标注信息。
13.在一个示例性实施例中，在所述根据所述目标资源总量和所述目标对象的当前资源量，确定所述目标对象的可偿还资源量之后，所述方法还包括：在所述可偿还资源量大于或者等于所述目标对象通过目标资源申请所申请的交换资源量的情况下，生成第一指示信息，其中，所述第一指示信息用于指示所述目标资源申请通过；在所述可偿还资源量小于所述目标对象通过所述目标资源申请所申请的交换资源量的情况下，生成第二指示信息，其中，所述第二指示信息用于指示所述目标资源申请未通过。
14.根据本技术实施例的另一个方面，还提供了一种对象能力的预测装置，包括：第一
获取单元，用于获取目标对象的目标特征数据，其中，所述目标特征数据是所述目标对象在一组预设特征维度上的数据；输入单元，用于将所述目标特征数据输入到目标预测模型，得到所述目标预测模型输出的目标资源总量，其中，所述目标资源总量为基于所述目标特征数据所预测的、在不发生逾期的情况下所述目标对象可偿还的交换资源的最大资源量；确定单元，用于根据所述目标资源总量和所述目标对象的当前资源量，确定所述目标对象的可偿还资源量，其中，所述当前资源量为所述目标对象当前待偿还的交换资源的资源量。
15.在一个示例性实施例中，所述装置包括：第二获取单元，用于在所述获取目标对象的目标特征数据之前，获取训练样本集，其中，所述训练样本集中的训练样本包含训练对象的第一特征数据和所述训练对象的标注信息，所述训练对象的第一特征数据包含所述训练对象在所述一组预设特征维度上的特征数据，所述训练对象的标注信息用于指示所述训练对象在发生逾期时待偿还的交换资源的总资源量；训练单元，用于使用所述训练对象的第一特征数据和所述训练对象的标注信息对初始预测模型进行模型训练，得到所述目标预测模型。
16.在一个示例性实施例中，所述装置还包括：第一筛选单元，用于在所述获取训练样本集之前，从一组候选对象中筛选出满足目标筛选条件的对象，得到所述训练对象，其中，所述目标筛选条件包括以下至少之一：在预设时间段内，发生逾期的次数达到预设次数阈值，发生逾期的可交换资源量达到预设资源量阈值，交换资源的获取方式为预设获取方式。
17.在一个示例性实施例中，所述初始预测模型为梯度提升回归模型；所述装置还包括：第三获取单元，用于在所述获取训练样本集之前，获取所述训练对象的第二特征数据和所述训练对象的标注信息，其中，所述训练对象的第二特征数据包含所述训练对象在一组候选特征维度上的特征数据；构建单元，用于通过使用所述训练对象的第二特征数据和所述训练对象的标注信息进行回归模型构建，评估所述一组候选特征中的每个候选特征的重要性，得到所述每个候选特征的重要性评估结果；第二筛选单元，用于根据所述每个候选特征的重要性评估结果，从所述一组候选特征中筛选出所述一组预设特征。
18.在一个示例性实施例中，所述第二筛选单元包括：筛选模块，用于根据所述每个候选特征的重要性评估结果，从所述一组候选特征中筛选出一组预设特征；执行模块，用于分别对所述一组预设特征中的每个预设特征执行以下步骤，得到更新后的所述一组预设特征，其中，在执行以下步骤时，所述每个预设特征为当前预设特征；对当前预设特征进行分箱化处理，得到多个分箱，其中，所述多个分箱中的每个分箱包含所述当前预设特征的一段特征值；分别构建与所述每个分箱对应的参考数据，其中，与所述每个分箱对应的参考数据包含所述每个预设特征的特征值，与所述每个分箱对应的参考数据中，所述当前预设特征的特征值位于所述每个分箱包含的一段特征值以内，除了所述当前预设特征以外的其他预设特征的特征值均相同；将与所述每个分箱对应的参考数据输入到目标回归模型，得到与所述每个分箱对应的预测结果，其中，所述目标回归模型是使用所述训练对象的第二特征数据和所述训练对象的标注信息进行回归模型构建所得到的模型，与所述每个分箱对应的预测结果用于指示根据与所述每个分箱对应的参考数据预测的、在发生逾期时待偿还的交换资源的总资源量；在与所述每个分箱对应的预测结果所指示的总资源量的大小顺序不是预设顺序的情况下，将所述当前预设特征从所述一组预设特征中移除。
19.在一个示例性实施例中，所述第二获取单元包括：获取模块，用于获取所述训练对
象在所述一组预设特征维度上的特征数据，得到所述训练对象的特征数据；回溯子模块，用于根据所述训练对象的历史资源记录对所述训练对象的交换资源进行回溯，得到所述训练对象在发生逾期时的交换资源，其中，所述历史资源记录用于记录所述训练对象的交换资源的历史状态；确定模块，用于根据所述训练对象在发生逾期时的交换资源，确定所述训练对象在发生逾期时待偿还的交换资源的总资源量，得到所述训练对象的标注信息。
20.在一个示例性实施例中，所述装置还包括：第一生成单元，用于在所述根据所述目标资源总量和所述目标对象的当前资源量，确定所述目标对象的可偿还资源量之后，在所述可偿还资源量大于或者等于所述目标对象通过目标资源申请所申请的交换资源量的情况下，生成第一指示信息，其中，所述第一指示信息用于指示所述目标资源申请通过；第二生成单元，用于在所述可偿还资源量小于所述目标对象通过所述目标资源申请所申请的交换资源量的情况下，生成第二指示信息，其中，所述第二指示信息用于指示所述目标资源申请未通过。
21.根据本技术实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述对象能力的预测方法。
22.根据本技术实施例的又一方面，还提供了一种电子装置，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，其中，上述处理器通过计算机程序执行上述的对象能力的预测方法。
23.在本技术实施例中，采用基于目标对象的可偿还资源总量以及待偿还交换资源量对目标对象当前可偿还的交换资源量进行量化的方式，通过获取目标对象的目标特征数据，其中，目标特征数据是目标对象在一组预设特征维度上的数据；将目标特征数据输入到目标预测模型，得到目标预测模型输出的目标资源总量，其中，目标资源总量为基于目标特征数据所预测的、在不发生逾期的情况下目标对象可偿还的交换资源的最大资源量；根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量，其中，当前资源量为目标对象当前待偿还的交换资源的资源量，由于采用目标预测模型对目标对象的可偿还交换资源总量进行预测，并基于目标对象的可偿还资源总量以及待偿还交换资源量对目标对象当前可偿还的交换资源量进行量化，可以实现准确评估对象能力的目的，达到了提升能力评估的合理性的技术效果，进而解决了相关技术中基于规则模型的评估方式存在由于易受到人为因素的影响导致的能力评估的合理性差的问题。
附图说明
24.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
25.为了更清楚地说明本技术实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
26.图1是根据本技术实施例的一种可选的对象能力的预测方法的硬件环境的示意图；
27.图2是根据本技术实施例的一种可选的对象能力的预测方法的流程示意图；
28.图3是根据本技术实施例的另一种可选的对象能力的预测方法的流程示意图；
29.图4是根据本技术实施例的又一种可选的对象能力的预测方法的流程示意图；
30.图5是根据本技术实施例的一种可选的对象能力的预测装置的结构框图；
31.图6是根据本技术实施例的一种可选的电子装置的结构框图。
具体实施方式
32.为了使本技术领域的人员更好地理解本技术方案，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的实施例，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，都应当属于本技术保护的范围。
33.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
34.根据本技术实施例的一个方面，提供了一种对象能力的预测方法。可选地，在本实施例中，上述对象能力的预测方法可以应用于如图1所示的由终端102和服务器104所构成的硬件环境中。如图1所示，服务器104通过网络与终端102进行连接，可用于为终端或终端上安装的客户端提供服务(如应用服务等)，可在服务器上或独立于服务器设置数据库，用于为服务器104提供数据存储服务。
35.上述网络可以包括但不限于以下至少之一：有线网络，无线网络。上述有线网络可以包括但不限于以下至少之一：广域网，城域网，局域网，上述无线网络可以包括但不限于以下至少之一：wifi(wireless fidelity，无线保真)，蓝牙。终端102可以并不限定于为pc、手机、平板电脑等。
36.本技术实施例的对象能力的预测方法可以由服务器104来执行，也可以由终端102来执行，还可以是由服务器104和终端102共同执行。其中，终端102执行本技术实施例的对象能力的预测方法也可以是由安装在其上的客户端来执行。
37.本技术实施例的对象能力的预测方法可以由服务器104来执行，也可以由终端102来执行，还可以是由服务器104和终端102共同执行。其中，终端102执行本技术实施例的对象能力的预测方法也可以是由安装在其上的客户端来执行。
38.以由服务器104来执行本实施例中的对象能力的预测方法为例，图2是根据本技术实施例的一种可选的对象能力的预测方法的流程示意图，如图2所示，该方法的流程可以包括以下步骤：
39.步骤s202，获取目标对象的目标特征数据，其中，目标特征数据是目标对象在一组预设特征维度上的数据。
40.本实施例中的对象能力的预测方法可以应用到对对象的能力进行预测的场景中，
上述对象可以是进行交换资源申请的用户，例如，贷款申请的用户，还可以是执行其他类型的对象。上述对象能力可以是对交换资源的偿还能力等，还可以是对象具备的其他能力，在此不做限定。在本实施例中的部分示例中，以对象为申请贷款的用户、用户能力为还款能力为例进行说明。
41.在大数据风控领域，用户的还款能力是决定贷款申请是否通过的重要评估指标。当前主流的评估用户还款能力的方法，一是用专家经验设定规则模型去评估，该方法基于信贷风控业务专家的经验，人工设定一套规则以预测还款能力。采用规则模型方法去预测对象的还款能力，直观易理解，更符合业务常识，但制定一套科学全面的规则是非常困难的，依赖于业务专家经验和分析问题是否全面，需要耗费较长的时间，且其入模特征不够丰富，存在较大局限性。
42.二是基于多模型预测还款能力系数加权的方法，用机器学习、神经网络算法，扩充数据维度后再度拟合模型去预测。该方法通过拟合规则模型输出的还款能力系数生成初始模型，后扩充用户基础信息、金融统计等数据更新模型预测更新还款能力系数，再对金融时序数据使用lstm(long short-term memory，长短期记忆算法)模型拟合衰减系数，最终结合还款能力系数和衰减系数评估用户最终的还款能力。这里，lstm算法是循环神经网络(一种用于序列数据的神经网络)的一个变种，主要为了解决长序列训练过程中的梯度消失和梯度爆炸问题。
43.基于多模型预测还款能力系数加权的方法，解决了制定规则模型耗时且考虑规则特征不够全面的问题，但其仍然是以规则模型输出的还款能力系数作为y值拟合训练模型，即使扩充不同维度数据再次训练模型，仍然不能摆脱规则模型的局限性。同时其最终预测的是还款能力预测系数，非直观易理解的还款能力数值。
44.三是基于决策树的还款能力预测，该方法通过采集用户的基本信息、资产信息、关联关系信息、风险信息、负债信息、消费行为信息等数据，分别构建决策树模型拟合分类目标，包括直接还款、处置还款、无可执行资产、不具备还款能力，生成待预测样本的上述分类结果，而后利用knn(k-nearest neibor，最近邻)算法，可以匹配已知还款能力分类的样本结果，生成最终还款能力预测结果。这里，knn算法的原理是给定一个训练数据集，对新的输入示例，在训练数据集中找到与该实例最邻近的k个实例，这k个实际的多数属于某个类别，就把该输入实例分类到这个类种，其主要特点是少数服从多数。
45.基于决策树预测还款能力的方法，首先依赖于能够采集到用户的多维度数据(数据维度越少越影响模型效果)，其次模型的预测结果是用户能否直接还款、还是处置还款等还款的类别，非可量化的还款能力数值。
46.在本实施例中，为了克服使用规则模型输出的对象能力(例如，还款能力)作为y值拟合训练模型受专家经验限制等问题中的至少部分，在对目标对象的对象能力进行预测时，可以获取目标对象在一组预设特征维度上的数据，得到目标特征数据。上述一组预设特征维度可以是用于预测目标对象的交换资源的偿还能力的一系列的特征维度，例如，可以是年龄、性别、学历等。其对应的目标特征数据可以是x周岁、男/女等。
47.可选地，获取目标对象的目标特征数据的方式可以是：目标对象进行交换资源申请时所填写的特征数据，例如，网络贷款的申请平台作为持牌机构在获取到目标对象的授权之后，查询到的目标对象对应的人行个人征信报告数据，也可以是申请平台查询到的目
标对象对应的历史数据。
48.步骤s204，将目标特征数据输入到目标预测模型，得到目标预测模型输出的目标资源总量，其中，目标资源总量为基于目标特征数据所预测的、在不发生逾期的情况下目标对象可偿还的交换资源的最大资源量。
49.在本实施例中，可以将获取到的目标对象对应的目标特征数据输入到目标预测模型中对目标对象的能力进行预测。一般地，当目标对象待偿还的可交换资源的资源量超过了目标对象的偿还能力时，则目标对象大概率会发生逾期。比如，当用户的实际负债水平超过可承受负债水平时，就会较大概率发生逾期，因此，可以把目标对象在发生逾期时点的负债水平近似估计为目标对象的最大可承受负债水平(即，采用逾期时点的负债金额作为用户可承受负债水平的估计值)。上述目标预测模型可以是采用一组预设特征维度上的特征数据构建出的梯度提升决策树模型，还可以是其他模型，在此不做限定。
50.在将目标特征数据输入到目标预测模型之后，可以得到目标预测模型输出的目标资源总量(在不逾期的情况下的可偿还的交换资源总量，可以是最大可承受负债水平)，即，基于目标特征数据所预测的、在不发生逾期的情况下目标对象可偿还的交换资源的最大资源量。这里交换资源可以是具有流通价值属性的资源，可以是货币，也可以是等值资产，在此不做限定。
51.步骤s206，根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量，其中，当前资源量为目标对象当前待偿还的交换资源的资源量。
52.在本实施例中，为了对目标对象的交换资源的偿还能力进行预测，在得到目标对象的目标资源总量之后，可以根据目标资源总量和目标对象的当前资源量(即，目标对象当前待偿还的交换资源的资源量)，确定出目标对象的可偿还资源量。可选地，可以将目标资源总量与目标对象的当前资源量之间的差值作为可偿还资源量，还可以是其他计算方式，在此不做限定。
53.例如，目标资源总量可以是用户的最大可承受负债数值，当前资源量可以是用户的实际负债(比如，用户执行网申行为时点的实际负债数值)，则最大可承受负债数值与实际负债数值之间的差值为用户执行网申行为时对应的还款能力。
54.通过上述步骤s202至步骤s206，获取目标对象的目标特征数据，其中，目标特征数据是目标对象在一组预设特征维度上的数据；将目标特征数据输入到目标预测模型，得到目标预测模型输出的目标资源总量，其中，目标资源总量为基于目标特征数据所预测的、在不发生逾期的情况下目标对象可偿还的交换资源的最大资源量；根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量，其中，当前资源量为目标对象当前待偿还的交换资源的资源量，解决了相关技术中基于规则模型的评估方式存在由于易受到人为因素的影响导致的能力评估的合理性差的问题。
55.在一个示例性实施例中，在获取目标对象的目标特征数据之前，上述方法还包括：
56.s11，获取训练样本集，其中，训练样本集中的训练样本包含训练对象的第一特征数据和训练对象的标注信息，训练对象的第一特征数据包含训练对象在一组预设特征维度上的特征数据，训练对象的标注信息用于指示训练对象在发生逾期时待偿还的交换资源的总资源量；
57.s12，使用训练对象的第一特征数据和训练对象的标注信息对初始预测模型进行
模型训练，得到目标预测模型。
58.在本实施例中，为了获取目标预测模型，可以使用训练样本集中的训练样本对初始预测模型进行训练。对初始预测模型进行训练的训练设备可以是上述服务器，也可以是与上述服务器不同的其他设备，在此不做限定。训练设备可以先获取训练样本集，训练样本集中的训练样本可以包含训练对象的第一特征数据和训练对象的标注信息，训练对象的第一特征数据包含训练对象在一组预设特征维度上的特征数据，训练对象的标注信息用于指示训练对象在发生逾期时待偿还的交换资源的总资源量。
59.第一特征数据可以包含多维度数据，可以是对基于训练对象的历史数据进行回溯后得到的数据，并进行加工提取所得到的多维度数据，可以包括但不限于以下至少之一的数据：目标对象的基础信息数据、历史借贷行为、社保缴交行为等。其中，基础信息数据包括但不限于年龄、性别、学历、婚姻状况、工作情况、居住情况，历史借贷行为数据包括但不限于信贷时长、有无房贷车贷其他抵押贷、贷记卡或贷款的额度、期限、笔数、定价、还款记录等，社保缴交行为数据包括公积金的缴存金额、比例、缴交稳定性、社保金额等。上述仅为多维度数据的一种示例，本实施例中对此不做限定。
60.可选地，可以使用训练对象的第一特征数据和训练对象的标注信息对初始预测模型进行模型训练，得到目标预测模型，例如，初始预测模型可以是lgbm(light gradient boosting machine，是梯度提升决策树算法的一个变种)模型，lgbm的主要特点为支持类别性特征、数据拟合能力强、模型训练速度快、模型计算内存占用低等。
61.通过本实施例，对初始预测模型进行模型训练，得到最终的目标预测模型，从而提升了预测模型进行预测的准确性。
62.在一个示例性实施例中，在获取训练样本集之前，上述方法还包括：
63.s21，从一组候选对象中筛选出满足目标筛选条件的对象，得到训练对象，其中，目标筛选条件包括以下至少之一：在预设时间段内，发生逾期的次数达到预设次数阈值，发生逾期的可交换资源量达到预设资源量阈值，交换资源的获取方式为预设获取方式。
64.在本实施例中，在获取训练样本集时，为了提高训练样本集中的训练样本与目标对象之间的相关性，提高预测模型的精确度，可以对训练对象进行筛选。在从一组候选对象中筛选出满足目标筛选条件的对象，得到训练对象，上述目标筛选条件包括以下至少之一：在预设时间段内，发生逾期的次数达到预设次数阈值(例如，2次)，发生逾期的可交换资源量达到预设资源量阈值。
65.上述预设时间段可以是一个月内、两个月内，还可以是其他时间段。上述发生逾期的预设次数阈值可以是两次，五次等。上述逾期的可交换资源量达到预设资源量阈值可以是500、800等，在此均不做限定。
66.可选地，目标筛选条件还可以包括：交换资源的获取方式为预设获取方式，这里，预设获取方式可以是指在预设时间周期内获取的交换资源至少包括固定资源量的交换资源的获取方式，预设获取方式可以通过预设对象标识进行标识。对应地，目标筛选条件可以包括：具有预设对象标识。这里，预设对象标识所标识的可以是预设客群，例如，授薪客群，这类客群收入相对稳定，而上述目标筛选条件可以包括所属的客群为授薪客群。
67.例如，为避免用户因为偶然性因素发生的逾期、发生逾期金额较小等影响，训练样本筛选了同一月份至少有2笔以上逾期且逾期金额大于500以上的样本。同时，考虑到相比
授薪客群(收入相对稳定的客群)，自雇客群(收入相对不稳定的客群)在现金流、负债水平方面上表现的波动较大会难以预测，故建模样本仅选取授薪客群样本(即，具有目标对象标签的对象样本)。授薪客群与自雇客群的区分，依赖于客户有无经营贷以及公司内部积累数据。
68.通过本实施例，通过对训练样本集中的训练对象进行筛选，可以提升进行模型训练的精确度，进而提升预测模型对对象能力预测的精确度。
69.在一个示例性实施例中，初始预测模型可以是为梯度提升回归模型，例如，前述lgbm模型；对应地，在获取训练样本集之前，上述方法还包括：
70.s31，获取训练对象的第二特征数据和训练对象的标注信息，其中，训练对象的第二特征数据包含训练对象在一组候选特征维度上的特征数据；
71.s32，通过使用训练对象的第二特征数据和训练对象的标注信息进行回归模型构建，评估一组候选特征中的每个候选特征的重要性，得到每个候选特征的重要性评估结果；
72.s33，根据每个候选特征的重要性评估结果，从一组候选特征中筛选出一组预设特征。
73.在本实施例中，在获取训练样本集之前，可以先进行特征筛选，在使用筛选后的特征进行模型训练。在进行特征筛选时，可以获取训练对象的第二特征数据和训练对象的标注信息，这里训练对象的第二特征数据包含训练对象在一组候选特征维度上的特征数据。
74.通过使用训练对象的第二特征数据和训练对象的标注信息进行回归模型构建，评估一组候选特征中的每个候选特征的重要性，得到每个候选特征的重要性评估结果，从而根据每个候选特征的重要性评估结果，从一组候选特征中筛选出一组预设特征。
75.在评估每个候选特征的重要程度时，可以基于构建的多个回归模型，确定每个候选特征的出现次数、每个候选特征对应的信息增益等，从而评估出每个候选特征的重要性。这里，出现次数越多，候选特征的重要性越高，候选特征对应的信息增益越大，候选特征的重要性越高，还可以是其他的重要性评估方式，本实施例中对此不做限定。
76.例如，可以将一组候选特征输入至lgbm回归模型，利用模型粗跑得出上述每个候选特征的重要性评分(可以基于信息增益和在树模型中的出现数量等)，根据每个候选特征的重要性评分，从一组候选特征中筛选出最终的入模特征，这里的入模特征即送入到最终的预测模型中的特征。
77.通过本实施例，从一组候选特征中筛选出一组预设特征，对模型的入模特征进行筛选，可以提升模型构建的鲁棒性。
78.在一个示例性实施例中，根据每个候选特征的重要性评估结果，从一组候选特征中筛选出一组预设特征，包括：
79.s41，根据每个候选特征的重要性评估结果，从一组候选特征中筛选出一组预设特征；
80.s42，分别对一组预设特征中的每个预设特征执行以下步骤，得到更新后的一组预设特征，其中，在执行以下步骤时，每个预设特征为当前预设特征；
81.对当前预设特征进行分箱化处理，得到多个分箱，其中，多个分箱中的每个分箱包含当前预设特征的一段特征值；
82.分别构建与每个分箱对应的参考数据，其中，与每个分箱对应的参考数据包含每
个预设特征的特征值，与每个分箱对应的参考数据中，当前预设特征的特征值位于每个分箱包含的一段特征值以内，除了当前预设特征以外的其他预设特征的特征值均相同；
83.将与每个分箱对应的参考数据输入到目标回归模型，得到与每个分箱对应的预测结果，其中，目标回归模型是使用训练对象的第二特征数据和训练对象的标注信息进行回归模型构建所得到的模型，与每个分箱对应的预测结果用于指示根据与每个分箱对应的参考数据预测的、在发生逾期时待偿还的交换资源的总资源量；
84.在与每个分箱对应的预测结果所指示的总资源量的大小顺序不是预设顺序的情况下，将当前预设特征从一组预设特征中移除。
85.在本实施例中，在得到每个候选特征的重要性评估结果之后，可以基于每个候选特征的重要性、以及每个候选特征的稳定性、可解释性等进行特征筛选。例如，可以从一组候选特征中筛选出对应的重要性大于或者等于重要性阈值、且具有稳定性和/或可解释性的特征，得到一组预设特征。
86.可选地，可以根据每个候选特征的重要性评估结果，从一组候选特征中筛选出一组预设特征，例如，从一组候选特征中筛选出重要性大于或者等于重要性阈值的候选特征，得到一组预设特征。对于一组预设特征中的每个预设特征，可以将其作为当前预设特征进行稳定性和/或可解释性评价，完成对一组预设特征的筛选过程。
87.对于当前预设特征，可以首先对当前预设特征进行分箱化处理，得到多个分箱，多个分箱中的每个分箱可以包含当前预设特征的一段特征值。例如，对于预设时间周期内可获取的交换资源的资源量，可以将其划分成多个分箱，例如，[0,x1),[x1,x2),[x2,x3)......
[0088]
然后，分别构建与每个分箱对应的参考数据，与每个分箱对应的参考数据包含每个预设特征的特征值，这里，与每个分箱对应的参考数据中，当前预设特征的特征值位于每个分箱包含的一段特征值以内，而除了当前预设特征以外的其他预设特征的特征值均相同。
[0089]
例如，一组预设特征包含10个预设特征，当前预设特征为第5个预设特征，当前预设特征划分成了5个分箱。在构建参考数据时，可以分别构建与每个分箱对应的参考数据，比如，为每个分箱构建1个参考数据(也可以是多个)，共构建了5个参考数据。每个参考数据中包含了10个预设特征的特征值，除了第5个预设特征的特征值不同以外，构建的5个参考数据中各个预设特征的特征值均相同。
[0090]
再然后，将与每个分箱对应的参考数据输入到目标回归模型，得到与每个分箱对应的预测结果。这里，目标回归模型是使用训练对象的第二特征数据和训练对象的标注信息进行回归模型构建所得到的模型，例如，可以是最优的回归模型。对于每个分箱，可以基于每个分箱对于可偿还交换资源的影响设定多个分箱对应的顺序，例如，预设时间周期内可获取的交换资源的资源量越大，可偿还交换资源的资源量也越大。在与每个分箱对应的预测结果所指示的总资源量的大小顺序不是预设顺序的情况下，表示当前预设特征可解释性和稳定性较差，将当前预设特征从一组预设特征中移除。
[0091]
通过本实施例，基于特征的重要性、稳定性和可解释性等对模型的入模特征进行筛选，可以提升模型构建的鲁棒性。
[0092]
在一个示例性实施例中，获取训练样本集，包括：
[0093]
s51，获取训练对象在一组预设特征维度上的特征数据，得到训练对象的特征数据；
[0094]
s52，根据训练对象的历史资源记录对训练对象的交换资源进行回溯，得到训练对象在发生逾期时的交换资源，其中，历史资源记录用于记录训练对象的交换资源的历史状态；
[0095]
s53，根据训练对象在发生逾期时的交换资源，确定训练对象在发生逾期时待偿还的交换资源的总资源量，得到训练对象的标注信息。
[0096]
利用模型拟合逾期时点的负债作为可承受负债，即不能用逾期时点发生后的数据作为入模特征来评估，这样等同于用未来预测过去，对实际生产无帮助。因此，需要将当前时点数据回溯至逾期时点发生前的数据，并将此作为基准数据来拟合训练模型。数据回溯可以是针对于征信报告中能够回溯的数据，如历史借贷信息及还款状态信息、申请记录、公积金等统一截取至逾期时点之前，针对等学历婚姻性别不能回溯的数据则不作处理(该类特征多为用户属性特征，短时间内也不会发生变化)。
[0097]
在本实施例中，在获取训练对象在一组预设特征维度上的特征数据之后，可以根据训练对象的历史资源记录对训练对象的交换资源进行回溯，得到训练对象在发生逾期时的交换资源，这里历史资源记录用于记录训练对象的交换资源的历史状态，并根据训练对象在发生逾期时的交换资源，确定训练对象在发生逾期时待偿还的交换资源的总资源量，从而得到训练对象的标注信息。
[0098]
示例性地，确定训练对象在发生逾期时待偿还的交换资源的总资源量的方式可以是，计算用户在逾期发生时点的贷记卡和贷款负债总额作为可承受水平的估计值，考虑到贷记卡负债可以以5％的比例最低还款，因此，在计算总负债的公式为，贷记卡负债*0.05+贷款负债。
[0099]
通过本实施例，通过数据回溯，确定训练对象逾期时点发生前的数据，并将此作为基准数据来拟合训练模型，提升对于模型训练的准确性。
[0100]
下面结合可选示例对本技术实施例中的对象能力的预测方法进行解释说明。在本可选示例中，对象为进行贷款申请的用户，预测的为用户的还款能力。
[0101]
在进行模型训练时，如图3所示，本可选示例中的对象能力的预测方法的流程可以包括以下步骤：
[0102]
步骤s302，整理训练样本，划分训练样本。
[0103]
步骤s304，给定初始参数，lgbm回归模型粗拟合负债水平(即，利用lgbm回归模型拟合可承受负债水平)。
[0104]
步骤s306，按照粗跑模型返回的特征重要性顺序遍历。
[0105]
步骤s308，判断遍历到的入模特征是否具有稳定性、可解释性，如果是，执行步骤s310，否则，执行步骤s312。
[0106]
步骤s310，作为筛选后特征入模。
[0107]
步骤s312，排除该入模特征。
[0108]
可以对入模特征做分箱化处理，分析特征不同分箱在训练集和测试集上对于y值的趋势是否单调同时保持稳定，再考虑特征是否符合业务理解。最后综合筛选出一批符合业务认知、趋势单调、稳定的入模特征。
[0109]
步骤s314，调整lgbm回归模型参数，拟合最终模型。
[0110]
基于筛选后的特征，调整lgbm回归模型的各项参数，可以包括但不限于树深度、最小叶子节点样本数、最小增益、样本抽样比例、特征抽样比例等。通过最终结合模型在训练集和验证集上的表现是否稳定，以及损失函数的数值是否符合目标，选定一版最终模型(即，目标预测模型)。
[0111]
通过本可选示例，通过上述模型构建方式，提高了还款能力预测模型的训练效率，充分利用复杂、多维度用户数据拟合连续数值，提高了还款能力的预测精度，并且无需人工参与，提高了模型训练效率，还可以简化建模周期，提高模型迭代效率，可以解决需要事先制定规则模型评估还款能力作为模型训练y值有局限性且耗时的问题。
[0112]
在一个示例性实施例中，在根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量之后，上述方法还包括：
[0113]
s61，在可偿还资源量大于或者等于目标对象通过目标资源申请所申请的交换资源量的情况下，生成第一指示信息，其中，第一指示信息用于指示目标资源申请通过；
[0114]
s62，在可偿还资源量小于目标对象通过目标资源申请所申请的交换资源量的情况下，生成第二指示信息，其中，第二指示信息用于指示目标资源申请未通过。
[0115]
在本实施例中，在根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量之后，服务器可以生成指示信息，用于提示目标对象的交换资源申请是否通过。
[0116]
可选地，在可偿还资源量大于或者等于目标对象通过目标资源申请所申请的交换资源量的情况下，可以生成第一指示信息，指示目标资源申请通过；在可偿还资源量小于目标对象通过目标资源申请所申请的交换资源量的情况下，生成第二指示信息，指示目标资源申请未通过。
[0117]
例如，在用户当前剩余的还款能力对应的数值大于或等于通过目标资源申请所对应的交换资源量对应的数值的情况下，网申平台可以弹出文字提示信息“您的申请通过”，以此指示用户申请通过。在用户当前剩余的还款能力对应的数值小于通过目标资源申请所对应的交换资源量对应的数值的情况下，网申平台弹出文字提示信息“您的申请未通过”，以及解决方式按钮，用户可以根据需求点击按钮尝试其他申请方式。
[0118]
通过本实施例，基于可偿还资源量以及用户所申请的交换资源的资源量确定用户的申请是否通过，并通过指示信息指示申请的处理结果，可以方便用户或者申请是否通过，提升用户的使用体验。
[0119]
下面结合可选示例对本技术实施例中的对象能力的预测方法进行解释说明。在本可选示例中，对象为进行网络贷款申请的用户，预测的为用户的还款能力。
[0120]
考虑到用户一般是在无还款能力才会发生逾期，本可选示例中提供了一种将用户在发生贷款或贷记卡逾期时点的负债水平定义为用户最大可承受负债水平的方案，利用lgbm回归模型拟合训练可承受负债水平，从而准确量化用户用户还款能力(近似估计的还款能力，可以是最高可承受负债水平减去实际负债即为剩余还款能力)，无需事先制定一套规则模型预估初始还款能力，可以解决相关技术中仅预测还款能力系数或类别等非精准值(也就是不够量化)的问题，对用户来申请贷款时剩余还款能力有了更准确量化的评估，也给贷款的发放额度提供了参考。
[0121]
如图4所示，本可选示例中的对象能力的预测方法的流程可以包括以下步骤：
[0122]
步骤s402，根据业务经验，筛选已有观测表现的建模样本。
[0123]
步骤s404，将已知样本的数据回溯至逾期时点前，将此作为基准数据做预测。
[0124]
步骤s406，计算逾期时点的负债金额作为其可承受负债水平估计值。
[0125]
步骤s408，基于逾期时点前额数据衍生特征，筛选可解释且稳定的特征作为入模特征。
[0126]
步骤s410，利用lgbm回归模型拟合可承受负债水平数值。
[0127]
步骤s412，基于拟合好的模型对申请时点的待观测样本(无需回溯)做可承受负债水平预测。
[0128]
待观测样本(即，预测样本)是面向申请时点的所有客群，无需再做回溯处理。将待观测样本按照模型训练过程同样的衍生逻辑衍生得到所有的入模特征，输入至模型中，即得到可承受负债水平的预测值。
[0129]
步骤s414，将模型预测出的可承受负债水平数值减去申请时点实际负债，即为真实还款能力。
[0130]
将可承受负债水平值认定是客户的最大可承受负债，减去客户的实际负债，即得到客户的最终还款能力预测值。
[0131]
通过本可选示例，通过使用能够准确量化还款能力的具体数值进行还款能力预测，提高了还款能力的预测精度，实现准确量化还款能力的具体数值的目的。
[0132]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
[0133]
根据本技术实施例的另一个方面，还提供了一种用于实施上述对象能力的预测方法的对象能力的预测装置。图5是根据本技术实施例的一种可选的对象能力的预测装置的结构框图，如图5所示，该装置可以包括：
[0134]
第一获取单元502，用于获取目标对象的目标特征数据，其中，目标特征数据是目标对象在一组预设特征维度上的数据；
[0135]
输入单元504，与第一获取单元502相连，用于将目标特征数据输入到目标预测模型，得到目标预测模型输出的目标资源总量，其中，目标资源总量为基于目标特征数据所预测的、在不发生逾期的情况下目标对象可偿还的交换资源的最大资源量；
[0136]
确定单元506，与输入单元504相连，用于根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量，其中，当前资源量为目标对象当前待偿还的交换资源的资源量。
[0137]
需要说明的是，该实施例中的第一获取单元502可以用于执行上述步骤s202，该实施例中的输入单元504可以用于执行上述步骤s204，该实施例中的确定单元506可以用于执行上述步骤s206。
[0138]
通过上述模块，获取目标对象的目标特征数据，其中，目标特征数据是目标对象在一组预设特征维度上的数据；将目标特征数据输入到目标预测模型，得到目标预测模型输
出的目标资源总量，其中，目标资源总量为基于目标特征数据所预测的、在不发生逾期的情况下目标对象可偿还的交换资源的最大资源量；根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量，其中，当前资源量为目标对象当前待偿还的交换资源的资源量，解决了相关技术中基于规则模型的评估方式存在由于易受到人为因素的影响导致的能力评估的合理性差的问题。
[0139]
在一个示例性实施例中，上述装置还包括：
[0140]
第二获取单元，用于在所述获取目标对象的目标特征数据之前，获取训练样本集，其中，训练样本集中的训练样本包含训练对象的第一特征数据和训练对象的标注信息，训练对象的第一特征数据包含训练对象在一组预设特征维度上的特征数据，训练对象的标注信息用于指示训练对象在发生逾期时待偿还的交换资源的总资源量；
[0141]
训练单元，用于使用训练对象的第一特征数据和训练对象的标注信息对初始预测模型进行模型训练，得到目标预测模型。
[0142]
在一个示例性实施例中，上述装置还包括：
[0143]
第一筛选单元，用于在获取训练样本集之前，从一组候选对象中筛选出满足目标筛选条件的对象，得到训练对象，其中，目标筛选条件包括以下至少之一：在预设时间段内，发生逾期的次数达到预设次数阈值，发生逾期的可交换资源量达到预设资源量阈值，交换资源的获取方式为预设获取方式。
[0144]
在一个示例性实施例中，初始预测模型为梯度提升回归模型；上述装置还包括：
[0145]
第三获取单元，用于在获取训练样本集之前，获取训练对象的第二特征数据和训练对象的标注信息，其中，训练对象的第二特征数据包含训练对象在一组候选特征维度上的特征数据；
[0146]
构建单元，用于通过使用训练对象的第二特征数据和训练对象的标注信息进行回归模型构建，评估一组候选特征中的每个候选特征的重要性，得到每个候选特征的重要性评估结果；
[0147]
第二筛选单元，用于根据每个候选特征的重要性评估结果，从一组候选特征中筛选出一组预设特征。
[0148]
在一个示例性实施例中，第二筛选单元包括：
[0149]
筛选模块，用于根据每个候选特征的重要性评估结果，从一组候选特征中筛选出一组预设特征；
[0150]
执行模块，用于分别对一组预设特征中的每个预设特征执行以下步骤，得到更新后的一组预设特征，其中，在执行以下步骤时，每个预设特征为当前预设特征；
[0151]
对当前预设特征进行分箱化处理，得到多个分箱，其中，多个分箱中的每个分箱包含当前预设特征的一段特征值；
[0152]
分别构建与每个分箱对应的参考数据，其中，与每个分箱对应的参考数据包含每个预设特征的特征值，与每个分箱对应的参考数据中，当前预设特征的特征值位于每个分箱包含的一段特征值以内，除了当前预设特征以外的其他预设特征的特征值均相同；
[0153]
将与每个分箱对应的参考数据输入到目标回归模型，得到与每个分箱对应的预测结果，其中，目标回归模型是使用训练对象的第二特征数据和训练对象的标注信息进行回归模型构建所得到的模型，与每个分箱对应的预测结果用于指示根据与每个分箱对应的参
考数据预测的、在发生逾期时待偿还的交换资源的总资源量；
[0154]
在与每个分箱对应的预测结果所指示的总资源量的大小顺序不是预设顺序的情况下，将当前预设特征从一组预设特征中移除。
[0155]
在一个示例性实施例中，第二获取单元包括：
[0156]
获取模块，用于获取训练对象在一组预设特征维度上的特征数据，得到训练对象的特征数据；
[0157]
回溯子模块，用于根据训练对象的历史资源记录对训练对象的交换资源进行回溯，得到训练对象在发生逾期时的交换资源，其中，历史资源记录用于记录训练对象的交换资源的历史状态；
[0158]
确定模块，用于根据训练对象在发生逾期时的交换资源，确定训练对象在发生逾期时待偿还的交换资源的总资源量，得到训练对象的标注信息。
[0159]
在一个示例性实施例中，上述装置还包括：
[0160]
第一生成单元，用于在根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量之后，在可偿还资源量大于或者等于目标对象通过目标资源申请所申请的交换资源量的情况下，生成第一指示信息，其中，第一指示信息用于指示目标资源申请通过；
[0161]
第二生成单元，用于在可偿还资源量小于目标对象通过目标资源申请所申请的交换资源量的情况下，生成第二指示信息，其中，第二指示信息用于指示目标资源申请未通过。
[0162]
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
[0163]
根据本技术实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行本技术实施例中上述任一项对象能力的预测方法的程序代码。
[0164]
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
[0165]
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
[0166]
s1，获取目标对象的目标特征数据，其中，目标特征数据是目标对象在一组预设特征维度上的数据；
[0167]
s2，将目标特征数据输入到目标预测模型，得到目标预测模型输出的目标资源总量，其中，目标资源总量为基于目标特征数据所预测的、在不发生逾期的情况下目标对象可偿还的交换资源的最大资源量；
[0168]
s3，根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量，其中，当前资源量为目标对象当前待偿还的交换资源的资源量。
[0169]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
[0170]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、rom、ram、移动硬
盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0171]
根据本技术实施例的又一个方面，还提供了一种用于实施上述对象能力的预测方法的电子装置，该电子装置可以是服务器、终端、或者其组合。
[0172]
图6是根据本技术实施例的一种可选的电子装置的结构框图，如图6所示，包括处理器602、通信接口604、存储器606和通信总线608，其中，处理器602、通信接口604和存储器606通过通信总线608完成相互间的通信，其中，
[0173]
存储器606，用于存储计算机程序；
[0174]
处理器602，用于执行存储器606上所存放的计算机程序时，实现如下步骤：
[0175]
s1，获取目标对象的目标特征数据，其中，目标特征数据是目标对象在一组预设特征维度上的数据；
[0176]
s2，将目标特征数据输入到目标预测模型，得到目标预测模型输出的目标资源总量，其中，目标资源总量为基于目标特征数据所预测的、在不发生逾期的情况下目标对象可偿还的交换资源的最大资源量；
[0177]
s3，根据目标资源总量和目标对象的当前资源量，确定目标对象的可偿还资源量，其中，当前资源量为目标对象当前待偿还的交换资源的资源量。
[0178]
可选地，通信总线可以是pci(peripheral component interconnect，外设部件互连标准)总线、或eisa(extended industry standard architecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子装置与其他设备之间的通信。
[0179]
存储器可以包括ram，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0180]
作为一种示例，上述存储器606中可以但不限于包括上述对象能力的预测装置中的第一获取单元502、输入单元504、以及确定单元506。此外，还可以包括但不限于上述对象能力的预测装置中的其他模块单元，本示例中不再赘述。
[0181]
上述处理器可以是通用处理器，可以包含但不限于：cpu(central processing unit，中央处理器)、np(network processor，网络处理器)等；还可以是dsp(digital signal processing，数字信号处理器)、asic(application specific integrated circuit，专用集成电路)、fpga(field－programmable gate array，现场可编程门阵列)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。
[0182]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
[0183]
本领域普通技术人员可以理解，图6所示的结构仅为示意，实施上述对象能力的预测方法的设备可以是终端设备，该终端设备可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图6其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图6中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图6所示的不同的配置。
[0184]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质
中，存储介质可以包括：闪存盘、rom、ram、磁盘或光盘等。
[0185]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0186]
上述实施例中的集成的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本技术的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。
[0187]
在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0188]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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，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单元来实现本实施例中所提供的方案的目的。
[0189]
另外，在本技术各个实施例中的各功能单元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，也可以至少两个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，也可以采用软件功能单元的形式实现。
[0190]
以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。