业务信息的预测方法、装置、存储介质及电子设备与流程

1.本发明涉及金融科技领域或其他相关领域，具体而言，涉及一种业务信息的预测方法、装置、存储介质及电子设备。


背景技术：

2.情况对于这种业务量下降到恢复所需的时间，目前尚没有一种较为有效的方法对其进行预测。现有技术中，对情况对业务量影响时间的预测往往只能通过主观预测，缺乏可信依据，因此存在预测准确率低的问题。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种业务信息的预测方法、装置、存储介质及电子设备，以至少解决现有技术中存在的对业务量受情况影响的时长的预测准确率低的技术问题。
5.根据本发明实施例的一个方面，提供了一种业务信息的预测方法，包括：获取待预测机构的目标信息，其中，目标信息至少包括待预测机构的属性信息、待预测机构在灾害期间的业务量数据以及待预测机构在发生灾害前的历史业务量数据；对待预测机构的目标信息进行时间序列预测处理，得到初始生存时长，其中，初始生存时长表征待预测机构的业务量受历史灾害影响的持续目标时长；对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果，其中，预测结果表征待预测机构的业务量受当前灾害影响的目标持续时长。
6.进一步地，业务信息的预测方法还包括：在获取待预测机构的目标信息之前，获取多个机构的第一目标数据集合，其中，第一目标数据集合至少包括多个机构的属性信息、多个机构在灾害期间的业务量数据以及多个机构在灾害前的历史业务量数据；对第一目标数据集合进行格式转换，得到转换后的第一目标数据集合；对转换后的第一目标数据集合进行特征提取，得到第一特征数据；基于第一特征数据对第一预设模型进行训练，生成时间序列预测模型，其中，第一预设模型为时间序列预测算法模型。
7.进一步地，业务信息的预测方法还包括：基于时间序列预测模型对待预测机构的目标信息进行时间序列预测处理，得到初始生存时长。
8.进一步地，业务信息的预测方法还包括：检测数据库中是否存在与多个机构对应的初始生存时长；在数据库中不存在初始生存时长时，从数据库中获取多个机构的第一目标数据集合。
9.进一步地，业务信息的预测方法还包括：基于第一目标数据集合确定历史业务量数据；对历史业务量数据进行时间序列分解，得到第二目标数据集合，其中，第二目标数据集合表征多个机构在灾害前的历史业务量的时间波动数据；对第二目标数据集合进行特征提取，得到第一特征数据。
10.进一步地，业务信息的预测方法还包括：基于时间序列预测模型对第二目标数据
集合进行数据处理操作，得到初始生存时长；对初始生存时长以及实际时长进行差值计算操作，得到目标时长，其中，实际时长表征多个机构的业务量受灾害影响的实际持续时长；在目标时长大于预设阈值时，重复执行数据处理操作、差值计算操作，直至目标时长小于或等于预设阈值，对初始生存时长进行数据存储操作，将初始生存时长存储至数据库中。
11.进一步地，业务信息的预测方法还包括：在对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果之前，获取多个机构的第三目标数据集合，其中，第三目标数据集合至少包括多个机构的属性信息以及多个机构的初始生存时长；对第三目标数据集合进行格式转换，得到转换后的第三目标数据集合；对转换后的第三目标数据集合进行特征提取，得到第二特征数据；基于第二特征数据对第二预设模型进行训练，得到目标模型，其中，第二预设模型为生存分析计算模型。
12.进一步地，业务信息的预测方法还包括：基于目标模型对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果。
13.根据本发明实施例的另一方面，还提供了一种业务信息的预测装置，包括：信息获取模块，用于获取待预测机构的目标信息，其中，目标信息至少包括待预测机构的属性信息、待预测机构在灾害期间的业务量数据以及待预测机构在发生灾害前的历史业务量数据；第一处理模块，用于对待预测机构的目标信息进行时间序列预测处理，得到初始生存时长，其中，初始生存时长表征待预测机构的业务量受历史灾害影响的持续目标时长；第二处理模块，用于对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果，其中，预测结果表征待预测机构的业务量受当前灾害影响的目标持续时长。
14.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的业务信息的预测方法。
15.根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的业务信息的预测方法。
16.在本发明实施例中，采用对待预测机构的目标信息进行两次预测得到预测结果的方式，首先通过获取待预测机构的目标信息，其中，目标信息至少包括待预测机构的属性信息、待预测机构在灾害期间的业务量数据以及待预测机构在发生灾害前的历史业务量数据；对待预测机构的目标信息进行时间序列预测处理，得到初始生存时长，其中，初始生存时长表征待预测机构的业务量受历史灾害影响的持续目标时长；对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果，其中，预测结果表征待预测机构的业务量受当前灾害影响的目标持续时长。
17.在上述过程中，首先通过基于目标信息对待预测机构的业务量受历史灾害影响的持续目标时长进行第一次预测，得到初始生存时间，然后，对待预测机构的属性信息以及初始生存时长进行第二次预测，通过对待预测网点进行两次预测，提高了对业务量受情况影响的时长的预测的准确率，进而解决了对业务量受情况影响的时长的预测准确率低的问题。
18.由此可见，本技术所提供的方案达到了对业务量受情况影响时长的预测的目的，
从而实现了从而提高了对业务量受情况影响的时长的预测准确率的技术效果，进而解决了现有技术中存在的对业务量受情况影响的时长的预测准确率低技术问题。
附图说明
19.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
20.图1是根据本发明实施例的一种可选的业务信息的预测方法的示意图；
21.图2是根据本发明实施例的一种可选的情况对网点影响时间预测系统的示意图；
22.图3是根据本发明实施例的一种可选的情况对网点影响时间预测系统的数据处理模块的示意图；
23.图4是根据本发明实施例的一种可选的业务信息的预测方法的流程示意图；
24.图5是根据本发明实施例的一种可选的生成时间序列预测模型的示意图；
25.图6是根据本发明实施例的一种可选的情况对网点影响时间预测系统的时间处理模块的示意图；
26.图7是根据本发明实施例的一种可选的生成目标模型的流程示意图；
27.图8根据本发明实施例的一种可选的情况对网点影响时间预测系统的生存分析模块的示意图；
28.图9根据本发明实施例的一种可选的情况对网点影响时间预测系统的业务逻辑模块的示意图；
29.图10根据本发明实施例的一种可选的业务信息的预测装置的示意图；
30.图11根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
31.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
32.需要说明的是，本发明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，以便这里描述的本发明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。
33.需要说明的是，本发明所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构
反馈的同意信息后，获取相关信息。
34.实施例1
35.根据本发明实施例，提供了一种业务信息的预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
36.图1是根据本发明实施例的业务信息的预测方法的示意图，如图1所示，该方法包括如下步骤：
37.步骤s101，获取待预测机构的目标信息，其中，目标信息至少包括待预测机构的属性信息、待预测机构在灾害期间的业务量数据以及待预测机构在发生灾害前的历史业务量数据。
38.在步骤s101中，待预测机构可以为银行的各个服务网点。可选的，待预测机构的属性信息包括地理位置、周边人口密度、道路情况、附近是否有大型的商场等设施等。灾害可以包括自然灾害、情况等，在本实施例中，以情况代指灾害进行说明。
39.可选的，可通过系统获取待预测机构的目标信息，如图2所示，该系统可以为情况对网点影响时间的预测系统，该系统中包括数据预处理模块、时间处理模块、生存分析模块以及业务逻辑模块。可选的，如图3所示，数据预处理模块包括数据获取单元以及格式转换单元，其中，数据获取单元用于获取待预测机构的目标信息，格式转换单元用于对获取的数据进行格式转换，将其转换为可以进行特征工程的数据格式，例如，将文字信息转换为数字信息，比如将是否转换为0或1，将分类信息(如道路情况的优良中差)转换为数值型的1235等。
40.步骤s102，对待预测机构的目标信息进行时间序列预测处理，得到初始生存时长，其中，初始生存时长表征待预测机构的业务量受历史灾害影响的持续目标时长。
41.在步骤s102中，可基于系统的时间处理模块对待预测机构的目标信息进行处理，通过对预设模型训练生成时间序列预测模型，然后基于时间序列预测模型对待预测机构的目标信息进行时间序列预测，得到初始生存时长。其中，如图4所示，初始生存时长为该图中影响结束处曲线a与曲线b的距离最小的位置，曲线a为生存时长预测曲线，曲线b为实际值的曲线，在曲线a与曲线b的距离最小的时候，确定此时的预测值为初始生存时长。
42.步骤s103，对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果，其中，预测结果表征待预测机构的业务量受当前灾害影响的目标持续时长。
43.在步骤s103中，可基于系统的生存分析模块对待预测机构的属性信息以及初始生存时长进行生存分析处理，通过对预设模型进行训练生成目标模型，然后基于目标模型对待预测机构的属性信息以及初始生存时长进行处理，得到预测结果。
44.基于上述步骤s101至步骤s103所限定的方案，可以获知，在本发明实施例中，采用对待预测机构的目标信息进行两次预测得到预测结果的方式，首先通过获取待预测机构的目标信息，其中，目标信息至少包括待预测机构的属性信息、待预测机构在灾害期间的业务量数据以及待预测机构在发生灾害前的历史业务量数据；对待预测机构的目标信息进行时间序列预测处理，得到初始生存时长，其中，初始生存时长表征待预测机构的业务量受历史灾害影响的持续目标时长；对待预测机构的属性信息以及初始生存时长进行生存分析处
理，得到预测结果，其中，预测结果表征待预测机构的业务量受当前灾害影响的目标持续时长。
45.容易注意到的是，在上述过程中，首先通过基于目标信息对待预测机构的业务量受历史灾害影响的持续目标时长进行第一次预测，得到初始生存时间，然后，对待预测机构的属性信息以及初始生存时长进行第二次预测，通过对待预测网点进行两次预测，提高了对业务量受情况影响的时长的预测准确率，进而解决了对业务量受情况影响的时长的预测准确率低的问题。
46.由此可见，本技术所提供的方案达到了对业务量受情况影响时长的预测的目的，从而实现了从而提高了对业务量受情况影响的时长的预测准确率的技术效果，进而解决了现有技术中存在的对业务量受情况影响的时长的预测准确率低技术问题。
47.在一种可选的实施例中，在获取待预测机构的目标信息之前，系统通过获取多个机构的第一目标数据集合，其中，第一目标数据集合至少包括多个机构的属性信息、多个机构在灾害期间的业务量数据以及多个机构在灾害前的历史业务量数据；对第一目标数据集合进行格式转换，得到转换后的第一目标数据集合；对转换后的第一目标数据集合进行特征提取，得到第一特征数据；基于第一特征数据对第一预设模型进行训练，生成时间序列预测模型，其中，第一预设模型为时间序列预测算法模型。
48.在本实施例中，第一目标数据集合为所有受到过情况影响的网点的网点信息的集合，如图5所示的生成时间序列预测模型的示意图，首先系统通过获取多个网点的网点信息，然后对网点信息进行格式转换，得到转换后的网点信息，对转换后的网点信息进行特征提取，得到第一特征数据，基于第一特征数据对预设模型进行训练，得到时间序列预测模型。
49.可选的，系统可通过图6所示的时间处理模块生成时间序列预测模型。其中，时间处理模块包括时间序列预测算法库、时间序列分解单元、特征工程单元、控制单元以及生存时间计算单元。在本实施例中，可通过调用特征工程单元对转换后的网点信息进行特征提取，然后将提取的第一特征数据输入时间序列预测算法库中的每种算法模型中，通过调用控制单元对每种算法模型进行训练，生成时间序列预测模型，其中，不同的时间序列预测算法对应不同的时间序列预测模型。
50.可选的，时间序列预测算法库中提供了一个时间序列预测算法集合。时间序列预测算法库主要选取通过时间序列分解进行预测的算法，包括但不限于prophet算法等。
51.可选的，控制单元决定了时间序列预测算法的是否继续训练，主要的控制方式包括精度控制和轮次控制两种，即误差低于阈值或轮次达到设定的最大值时结束训练。在完成搜索后，将保存预测的结果到数据库中。
52.需要说明的是，通过多个机构的属性信息、多个机构在灾害期间的业务量数据以及多个机构在灾害前的历史业务量数据对预设算法模型进行训练生成时间序列预测模型，提高了模型训练的准确性，从而为后续基于时间序列预测模型对生存时间进行预测做准备。
53.进一步的，系统通过基于时间序列预测模型对待预测机构的目标信息进行时间序列预测处理，得到初始生存时长。
54.可选的，在本实施例中，系统通过时间序列预测模型对待预测机构的目标信息进
行时间序列预测处理，得到初始生存时长。
55.可选的，初始生存时长可通过计算多个时间序列预测模型输出结果的平均值得到。
56.需要说明的是，通过时间序列预测模型对初始生存时长进行预测，提高了生存时长预测的准确率。
57.进一步的，系统通过检测数据库中是否存在与多个机构对应的初始生存时长；在数据库中不存在初始生存时长时，从数据库中获取多个机构的第一目标数据集合。
58.可选的，如图5所示的生成时间序列预测模型的示意图，通过检测数据库中是否存在与多个机构对应的初始生存时长，若数据库中存在初始生存时长则跳过处理，若数据库中不存在初始生存时长，则从数据库中获取多个机构的第一目标数据集合。
59.需要说明的是，通过检测数据库中是否存在已经生存的预设生存时长，避免了重复生成初始生存时长，从而提高了生存时间预测的效率。
60.进一步的，系统通过基于第一目标数据集合确定历史业务量数据；对历史业务量数据进行时间序列分解，得到第二目标数据集合，其中，第二目标数据集合表征多个机构在灾害前的历史业务量的时间波动数据；对第二目标数据集合进行特征提取，得到第一特征数据。
61.可选的，如图5所示的生成时间序列预测模型的示意图，系统通第一目标数据集合确定历史业务量数据之后，对历史业务量数据进行时间序列分解，获取具有历史业务量数据的长期趋势的第二目标数据集合，然后对第二目标数据集合进行特征提取，得到第二特征数据。可选的，第二特征数据为到发生情况的时刻为止的数据。
62.需要说明的是，历史业务量数据中包含长期趋势、季节变动、循环波动、不规则波动几个部分。当情况发生时，网点业务量时间序列的长期趋势部分会出现明显的下降，因此我们可以以情况出现为起点，以长期趋势下跌后恢复到正常水平为终点，由此得到情况的影响时间。因此，通过对历史业务量数据进行时间序列分解得到长期趋势的第二目标数据集合，能够提高生存时间预测的准确率。
63.进一步的，系统通过基于时间序列预测模型对第二目标数据集合进行数据处理操作，得到初始生存时长；然后对初始生存时长以及实际时长进行差值计算操作，得到目标时长，其中，实际时长表征多个机构的业务量受灾害影响的实际持续时长；在目标时长大于预设阈值时，重复执行数据处理操作、差值计算操作，直至目标时长小于或等于预设阈值，对初始生存时长进行数据存储操作，将初始生存时长存储至数据库中。
64.可选的，在本实施例中，系统在基于时间序列预测模型对第二目标数据集合进行数据处理操作，得到初始生存时长之后，通过生存时间计算单元对初始生存时长与实际时长进行差值计算操作，得到目标时长，在目标时长大于预设阈值时，通过重复执行数据处理操作、差值计算操作，直至目标时长小于或等于预设阈值时，将初始生存时长存储至数据库中。
65.可选的，若待预测网点受情况影响的业务量较少，目标时长一直大于预设阈值时，则认为待预测网点为删失数据，则停止进行预测。
66.需要说明的是，通过计算初始生存时长与实际时长的差值得到目标时长，在目标时长越小时，能够确定预测的初始生存时长数据越准确。
67.进一步的，在对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果之前，系统通过获取多个机构的第三目标数据集合，其中，第三目标数据集合至少包括多个机构的属性信息以及多个机构的初始生存时长；对第三目标数据集合进行格式转换，得到转换后的第三目标数据集合；对转换后的第三目标数据集合进行特征提取，得到第二特征数据；基于第二特征数据对第二预设模型进行训练，得到目标模型，其中，第二预设模型为生存分析计算模型。
68.可选的，在本实施例中，如图7所示的生成目标模型的流程示意图，系统通过获取多个网点的属性信息以及初始生存时长，然后对属性信息进行格式转换，基于转换后的属性信息以及初始生存时长进行特征提取得到第二特征数据，基于提取的第二特征数据对预设模型进行训练，得到目标模型。
69.可选的，可通过系统的生存分析模块生成目标模型，其中，如图8所示的情况对网点影响时间预测系统的生存分析模块的示意图，生存分析模块包括数据获取单元、生存分析算法库、数据特征构建单元以及控制单元。可选的，数据获取单元用于获取多个网点的属性信息以及初始生存时长。生存分析算法库提供了一个生存分析算法集合，包括但不限于随机生存森林算法等。数据特征构建单元用于负责针对各类生存分析算法构建特征数据，包括特征的筛选和格式转换，其中，特征筛选是根据计算特征的重要程度删去一些无关紧要的特征，常见的筛选方法包括vimp法、最小深度法等；格式转换是考虑到不同算法对数据格式的要求有所不同，需要根据该算法的具体要求进行格式转化。控制单元用于控制生存分析算法的运行。可选的，不同的生存分析算法对应不同的生存分析计算模型。
70.需要说明的是，通过基于多个网点的属性信息以及初始生存时长生成目标模型，提高了模型生成的准确率，为后续基于模型得到预测结果做准备。
71.进一步的，系统通过基于目标模型对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果。
72.可选的，在本实施例中，系统通过基于目标模型对待预测机构的属性信息以及初始生存时长进行预测，得到预测结果。
73.可选的，如图9所示的情况对网点影响时间预测系统的业务逻辑模块的示意图，系统的业务逻辑处理模块包括数据预处理单元、时间处理单元以及生存分析单元。其中，数据预处理单元用于分别与上述的数据获取单元以及格式转换单元进行交互，实现相互关联。时间处理单元用于分别与上述的时间序列预测算法库、时间序列分解单元、生存时间计算单元和控制单元进行交互，实现相互关联。生存分析单元用于分别与上述的数据获取单元、生存分析算法库、数据特征构建单元、控制单元进行交互，实现相互关联。
74.由此可见，本发明提供了一种基于生存分析的情况对网点影响时间预测系统及方法，该方法通过使用时间序列预测来获取历史数据中的情况影响时间，并通过这些数据利用生存分析算法对新发生情况的网点会受到多长时间的影响进行预测，由此提供了一种可信赖的情况影响时间预测手段，为网点预估情况影响以及情况期间的工作调整提供了指导。
75.实施例2
76.根据本发明实施例，提供了一种业务信息的预测装置的实施例，其中，图10根据本发明实施例的一种可选的业务信息的预测装置的示意图，如图10所示，该装置包括：
77.信息获取模块1001，用于获取待预测机构的目标信息，其中，目标信息至少包括待预测机构的属性信息、待预测机构在灾害期间的业务量数据以及待预测机构在发生灾害前的历史业务量数据；第一处理模块1002，用于对待预测机构的目标信息进行时间序列预测处理，得到初始生存时长，其中，初始生存时长表征待预测机构的业务量受历史灾害影响的持续目标时长；第二处理模块1003，用于对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果，其中，预测结果表征待预测机构的业务量受当前灾害影响的目标持续时长。
78.需要说明的是，上述信息获取模块1001、第一处理模块1002、第二处理模块1003 对应于上述实施例中的步骤s101至步骤s103，三个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1所公开的内容。
79.可选的，业务信息的预测装置还包括：第一获取模块、第一转换模块、第一提取模块以及第一生成模块。其中，第一获取模块用于在获取待预测机构的目标信息之前，获取多个机构的第一目标数据集合，其中，第一目标数据集合至少包括多个机构的属性信息、多个机构在灾害期间的业务量数据以及多个机构在灾害前的历史业务量数据；第一转换模块用于对第一目标数据集合进行格式转换，得到转换后的第一目标数据集合；第一提取模块用于对转换后的第一目标数据集合进行特征提取，得到第一特征数据；第一生成模块用于基于第一特征数据对第一预设模型进行训练，生成时间序列预测模型，其中，第一预设模型为时间序列预测算法模型。
80.可选的，业务信息的预测装置还包括：第三处理模块，用于基于时间序列预测模型对待预测机构的目标信息进行时间序列预测处理，得到初始生存时长。
81.可选的，业务信息的预测装置还包括：检测模块以及第二获取模块。检测模块用于检测数据库中是否存在与多个机构对应的初始生存时长；第二获取模块用于在数据库中不存在初始生存时长时，从数据库中获取多个机构的第一目标数据集合。
82.可选的，业务信息的预测装置还包括：确定模块、分解模块以及第二提取模块。确定模块用于基于第一目标数据集合确定历史业务量数据；分解模块用于对历史业务量数据进行时间序列分解，得到第二目标数据集合，其中，第二目标数据集合表征多个机构在灾害前的历史业务量的时间波动数据；第二提取模块用于对第二目标数据集合进行特征提取，得到第一特征数据。
83.可选的，业务信息的预测装置还包括：数据处理模块、差值计算模块以及执行模块。数据处理模块用于基于时间序列预测模型对第二目标数据集合进行数据处理操作，得到初始生存时长；差值计算模块用于对初始生存时长以及实际时长进行差值计算操作，得到目标时长，其中，实际时长表征多个机构的业务量受灾害影响的实际持续时长；执行模块用于在目标时长大于预设阈值时，重复执行数据处理操作、差值计算操作，直至目标时长小于或等于预设阈值，对初始生存时长进行数据存储操作，将初始生存时长存储至数据库中。
84.可选的，业务信息的预测装置还包括：第三获取模块、第二转换模块、第二提取模块以及第二生成模块。第三获取模块用于在对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果之前，获取多个机构的第三目标数据集合，其中，第三目标数据集合至少包括多个机构的属性信息以及多个机构的初始生存时长；第二转换模块用于对第三目标数据集合进行格式转换，得到转换后的第三目标数据集合；第二提取模块用于
对转换后的第三目标数据集合进行特征提取，得到第二特征数据；第二生成模块用于基于第二特征数据对第二预设模型进行训练，得到目标模型，其中，第二预设模型为生存分析计算模型。
85.可选的，业务信息的预测装置还包括：第四处理模块，用于基于目标模型对待预测机构的属性信息以及初始生存时长进行生存分析处理，得到预测结果。
86.实施例3
87.根据本发明实施例的另一方面，还提供了计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的业务信息的预测方法。
88.实施例4
89.根据本发明实施例的另一方面，还提供了一种电子设备，其中，图11是根据本发明实施例的一种可选的电子设备的示意图，如图11所示，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的业务信息的预测方法。
90.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
91.在本发明的上述实施例中，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。
92.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
93.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，或者也可以分布到多个单元上。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方案的目的。
94.另外，在本发明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，也可以采用软件功能单元的形式实现。
95.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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有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一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
96.以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为
本发明的保护范围。