本技术涉及大数据领域，特别是涉及一种骑行卡使用频率预测模型的训练方法及装置、资源获取值预测方法及装置、计算机设备、存储介质和计算机程序产品。
背景技术：
1、随着共享电单车的普及，越来越多的用户选择购买骑行卡来节省出行成本。因此合理预测用户使用骑行卡的频率，并基于用户使用骑行卡的频率为用户提供相关服务对于用户的满意度和平台的运营策略都至关重要。
2、现有技术中，平台通常通过用户历史使用骑行卡的频率预测用户未来使用骑行卡的频率。然而影响用户是否使用骑行卡的因素较多，若仅通过用户的历史骑行卡使用频率预测用户未来的骑行卡使用频率会带来较大的误差，导致预测精度差。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种骑行卡使用频率预测模型的训练方法及装置、资源获取值预测方法及装置、计算机设备、存储介质和计算机程序产品。
2、第一方面，本技术提供了一种骑行卡使用频率预测模型的训练方法。所述方法包括：
3、根据各用户账户对应的历史骑行次数，划分至少一个骑行次数类别，并确定各所述骑行次数类别分别对应的所述用户账户；
4、针对任一所述骑行次数类别，根据所述骑行次数类别对应的各目标用户账户的账户特征，确定所述骑行次数类别的类别特征，根据各所述目标用户账户的历史骑行卡使用频率确定第一目标历史骑行卡使用频率，及根据各所述目标用户账户的当前骑行卡使用频率确定目标当前骑行卡使用频率；
5、将各所述骑行次数类别的所述类别特征，及各所述骑行次数类别分别对应的所述第一目标历史骑行卡使用频率输入至初始骑行卡使用频率预测模型中，得到各所述骑行次数类别分别对应的预期骑行卡使用频率；
6、根据各所述预期骑行卡使用频率与各所述目标当前骑行卡使用频率，对所述初始骑行卡使用频率预测模型进行调整，得到训练好的骑行卡使用频率预测模型。
7、在其中一个实施例中，所述根据各用户账户对应的历史骑行次数，划分至少一个骑行次数类别，包括：
8、获取各用户账户对应的历史骑行次数，并分别确定各所述历史骑行次数对应的用户账户的数量；
9、根据各所述历史骑行次数和各所述历史骑行次数对应的所述用户账户的数量，划分至少一个骑行次数类别，以使得各所述骑行次数类别分别对应的各所述用户账户的数量满足预设条件。
10、在其中一个实施例中，所述根据各所述历史骑行次数和各所述历史骑行次数对应的所述用户账户的数量，划分至少一个骑行次数类别，包括：
11、针对任一所述历史骑行次数，根据所述历史骑行次数对应的用户账户的所述历史骑行卡使用频率，确定所述历史骑行次数对应的第二目标历史骑行卡使用频率；
12、根据各所述历史骑行次数及各所述第二目标历史骑行卡使用频率，确定所述第二目标历史骑行卡使用频率关于所述历史骑行次数的变化率；
13、根据各所述历史骑行次数、所述变化率和各所述历史骑行次数对应的所述用户账户的数量，划分至少一个骑行次数类别，以使得针对任意一个所述骑行次数类别，在所述骑行次数类别对应的历史骑行次数范围中所述变化率小于变化率阈值，且各所述骑行次数类别分别对应的各所述用户账户的数量满足预设条件。
14、在其中一个实施例中，所述根据所述骑行次数类别对应的各目标用户账户的账户特征，确定所述骑行次数类别的类别特征，包括：
15、确定所述骑行次数类别对应的各目标用户账户；
16、针对任一预设账户特征类别，确定各所述目标用户账户属于所述预设账户特征类别的目标账户特征的离散程度，并在所述离散程度小于预设离散程度阈值的情况下，根据各所述目标账户特征确定第一目标账户特征，并将所述第一目标账户特征作为所述骑行次数类别对应所述预设账户特征类别的类别特征；或者在所述离散程度大于预设离散程度阈值的情况下，按照所述目标账户特征对各所述目标用户账户进行聚类处理，根据聚类后得到的各所述目标用户账户类别中的目标用户账户的数量确定第二目标账户特征，并将所述第二目标账户特征作为所述骑行次数类别对应所述预设账户特征类别的类别特征。
17、在其中一个实施例中，所述根据聚类后得到的各所述目标用户账户类别中的目标用户账户的数量确定第二目标账户特征，包括：
18、根据聚类后得到的各所述目标用户账户类别中的目标用户账户的数量，及各所述目标用户账户的总数量，分别确定各所述目标用户账户类别对应的账户数量占比，并将各所述账户数量占比作为第二目标账户特征。
19、第二方面，本技术还提供了一种资源获取值预测方法，所述方法包括：
20、根据各用户账户对应的历史骑行次数，划分至少一个骑行次数类别，并确定各骑行次数类别分别对应的所述用户账户；
21、针对任一所述骑行次数类别，根据所述骑行次数类别对应的各目标用户账户的账户特征，确定所述骑行次数类别的类别特征，根据各所述目标用户账户的历史骑行卡使用频率确定第一目标历史骑行卡使用频率；
22、将各所述骑行次数类别的所述类别特征，及各所述骑行次数类别分别对应的所述第一目标历史骑行卡使用频率输入至骑行卡使用频率预测模型中，得到各所述骑行次数类别分别对应的预期骑行卡使用频率；
23、根据各所述骑行次数类别对应的所述预期骑行卡使用频率，确定各所述骑行次数类别对应的预期骑行卡资源获取值；
24、其中，所述骑行卡使用频率预测模型为前述任一实施例所述的训练好的骑行卡使用频率预测模型。
25、在其中一个实施例中，所述根据各所述骑行次数类别对应的所述预期骑行卡使用频率，确定各所述骑行次数类别对应的预期骑行卡资源获取值，包括：
26、针对任一所述骑行次数类别，根据骑行卡资源补偿率、预期骑行卡使用频率及骑行卡单次资源获取值，确定所述骑行次数类别对应的预期骑行卡资源获取值。
27、第三方面，本技术还提供了一种骑行卡使用频率预测模型的训练装置。所述装置包括：
28、划分模块，用于根据各用户账户对应的历史骑行次数，划分至少一个骑行次数类别，并确定各所述骑行次数类别分别对应的所述用户账户；
29、确定模块，用于针对任一所述骑行次数类别，根据所述骑行次数类别对应的各目标用户账户的账户特征，确定所述骑行次数类别的类别特征，根据各所述目标用户账户的历史骑行卡使用频率确定第一目标历史骑行卡使用频率，及根据各所述目标用户账户的当前骑行卡使用频率确定目标当前骑行卡使用频率；
30、输入模块，用于将各所述骑行次数类别的所述类别特征，及各所述骑行次数类别分别对应的所述第一目标历史骑行卡使用频率输入至初始骑行卡使用频率预测模型中，得到各所述骑行次数类别分别对应的预期骑行卡使用频率；
31、调整模块，用于根据各所述预期骑行卡使用频率与各所述目标当前骑行卡使用频率，对所述初始骑行卡使用频率预测模型进行调整，得到训练好的骑行卡使用频率预测模型。
32、在其中一个实施例中，所述划分模块，还用于：
33、获取各用户账户对应的历史骑行次数，并分别确定各所述历史骑行次数对应的用户账户的数量；
34、根据各所述历史骑行次数和各所述历史骑行次数对应的所述用户账户的数量，划分至少一个骑行次数类别，以使得各所述骑行次数类别分别对应的各所述用户账户的数量满足预设条件。
35、在其中一个实施例中，所述划分模块，还用于：
36、针对任一所述历史骑行次数，根据所述历史骑行次数对应的用户账户的所述历史骑行卡使用频率，确定所述历史骑行次数对应的第二目标历史骑行卡使用频率；
37、根据各所述历史骑行次数及各所述第二目标历史骑行卡使用频率，确定所述第二目标历史骑行卡使用频率关于所述历史骑行次数的变化率；
38、根据各所述历史骑行次数、所述变化率和各所述历史骑行次数对应的所述用户账户的数量，划分至少一个骑行次数类别，以使得针对任意一个所述骑行次数类别，在所述骑行次数类别对应的历史骑行次数范围中所述变化率小于变化率阈值，且各所述骑行次数类别分别对应的各所述用户账户的数量满足预设条件。
39、在其中一个实施例中，所述确定模块，还用于：
40、确定所述骑行次数类别对应的各目标用户账户；
41、针对任一预设账户特征类别，确定各所述目标用户账户属于所述预设账户特征类别的目标账户特征的离散程度，并在所述离散程度小于预设离散程度阈值的情况下，根据各所述目标账户特征确定第一目标账户特征，并将所述第一目标账户特征作为所述骑行次数类别对应所述预设账户特征类别的类别特征；或者在所述离散程度大于预设离散程度阈值的情况下，按照所述目标账户特征对各所述目标用户账户进行聚类处理，根据聚类后得到的各所述目标用户账户类别中的目标用户账户的数量确定第二目标账户特征，并将所述第二目标账户特征作为所述骑行次数类别对应所述预设账户特征类别的类别特征。
42、在其中一个实施例中，所述确定模块，还用于：
43、根据聚类后得到的各所述目标用户账户类别中的目标用户账户的数量，及各所述目标用户账户的总数量，分别确定各所述目标用户账户类别对应的账户数量占比，并将各所述账户数量占比作为第二目标账户特征。
44、第四方面，本技术还提供了一种资源获取值预测装置。所述装置包括：
45、划分模块，用于根据各用户账户对应的历史骑行次数，划分至少一个骑行次数类别，并确定各骑行次数类别分别对应的所述用户账户；
46、第一确定模块，用于针对任一所述骑行次数类别，根据所述骑行次数类别对应的各目标用户账户的账户特征，确定所述骑行次数类别的类别特征，根据各所述目标用户账户的历史骑行卡使用频率确定第一目标历史骑行卡使用频率；
47、输入模块，用于将各所述骑行次数类别的所述类别特征，及各所述骑行次数类别分别对应的所述第一目标历史骑行卡使用频率输入至骑行卡使用频率预测模型中，得到各所述骑行次数类别分别对应的预期骑行卡使用频率；
48、第二确定模块，用于根据各所述骑行次数类别对应的所述预期骑行卡使用频率，确定各所述骑行次数类别对应的预期骑行卡资源获取值；
49、其中，所述骑行卡使用频率预测模型为前述任一实施例所述的训练好的骑行卡使用频率预测模型。
50、在其中一个实施例中，所述第二确定模块，还用于：
51、针对任一所述骑行次数类别，根据骑行卡资源补偿率、预期骑行卡使用频率及骑行卡单次资源获取值，确定所述骑行次数类别对应的预期骑行卡资源获取值。
52、第五方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上任一项方法。
53、第六方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上任一项方法。
54、第七方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上任一项方法。
55、上述骑行卡使用频率预测模型的训练方法及装置、资源获取值预测方法及装置、计算机设备、存储介质和计算机程序产品，根据历史骑行次数划分出多个骑行次数类别，对该骑行次数类别中各用户账户的账户特征进行综合得到类别特征、该骑行次数类别的第一目标历史骑行卡使用频率和目标当前骑行卡使用频率，并通过类别特征、第一目标历史骑行卡使用频率和目标当前骑行卡使用频率训练模型，进而在应用过程中通过该模型预测每个骑行次数类别的骑行卡使用频率。由于单个用户账户的骑行卡使用频率波动较大，将单个用户账户的数据作为样本训练模型可能导致模型精度不佳，因此本技术实施例按照用户账户的历史骑行次数对用户账户进行聚合，将预测用户账户的历史骑行卡使用频率、骑行次数和未来骑行卡使用频率之间关系的问题，转化为预测一个历史骑行次数在某一范围内的用户群的历史骑行卡使用频率和未来骑行卡使用频率之间关系的问题。也即相当于在预测用户的未来骑行卡使用频率时，参考了和用户历史骑行次数一致的其他用户的特征，因此训练出的模型在预测某个用户群的整体未来骑行卡使用频率上的表现更好，可以提高骑行卡使用频率的预测精度。
1.一种骑行卡使用频率预测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据各用户账户对应的历史骑行次数，划分至少一个骑行次数类别，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据各所述历史骑行次数和各所述历史骑行次数对应的所述用户账户的数量，划分至少一个骑行次数类别，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述骑行次数类别对应的各目标用户账户的账户特征，确定所述骑行次数类别的类别特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据聚类后得到的各所述目标用户账户类别中的目标用户账户的数量确定第二目标账户特征，包括：
6.一种资源获取值预测方法，其特征在于，所述方法包括：
7.根据权利要求6所述的方法，其特征在于，所述根据各所述骑行次数类别对应的所述预期骑行卡使用频率，确定各所述骑行次数类别对应的预期骑行卡资源获取值，包括：
8.一种骑行卡使用频率预测模型的训练装置，其特征在于，所述装置包括：
9.一种资源获取值预测装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
