一种资产价值预测模型构建方法、资产价值预测方法

摘要

本申请公开了一种资产价值预测模型构建方法、资产价值预测方法，先利用训练数据及其对应的实际资产价值、验证数据及其对应的实际资产价值、和预设神经网络模型，构建资产价值预测模型，以使构建好的资产价值预测模型具有较好的资产价值预测性能；然后，在获取到目标对象(例如，配电网)的价值影响特征之后，直接将该目标对象的价值影响特征输入到构建好的资产价值预测模型，以使该资产价值预测模型能够依据该目标对象的价值影响特征准确地预测出该目标对象的预测资产价值，如此有利于提高资产价值的预测准确性。

说明书

技术领域

本申请涉及数据处理技术领域，尤其涉及一种资产价值预测模型构建方法、资产价值预测方法。

背景技术

在对目标对象(例如，配电网)进行资产证券化时，可以先对该目标对象的基础资产进行资产价值预测。然而，因现有的资产价值预测过程的准确性较低，使得如何准确地预测出基础资产的资产价值成为一项亟待解决的技术问题。

发明内容

为了解决现有技术中存在的以上技术问题，本申请提供一种资产价值预测模型构建方法、资产价值预测方法，能够准确地预测出基础资产的资产价值，如此能够有效地提高资产价值的预测准确性。

为了实现上述目的，本申请实施例提供的技术方案如下：

本申请实施例提供一种一种资产价值预测模型构建方法，所述方法包括：

获取训练数据、所述训练数据对应的实际资产价值、所述验证数据和所述验证数据对应的实际资产价值；

将所述训练数据和所述验证数据输入预设神经网络模型，得到所述预设神经网络模型输出的所述训练数据对应的第一预测资产价值和所述验证数据对应的预测资产价值；

根据所述训练数据对应的第一预测资产价值、所述训练数据对应的实际资产价值、所述验证数据对应的预测资产价值和所述验证数据对应的实际资产价值，确定当前模型更新次数对应的模型性能评估特征；

利用所述训练数据对应的第一预测资产价值和所述训练数据对应的实际资产价值，更新所述预设神经网络模型，并继续执行所述将所述训练数据和所述验证数据输入预设神经网络模型，得到所述预设神经网络模型输出的所述训练数据对应的第一预测资产价值和所述验证数据对应的预测资产价值及其后续步骤，直至在确定达到预设停止条件后，根据所述模型性能评估特征，构建资产价值预测模型。

在一种可能的实施方式下，所述根据所述模型性能评估特征，构建资产价值预测模型，包括：

根据所述模型性能评估特征，确定模型过拟合起始表征点对应的模型更新次数；其中，所述模型过拟合起始表征点用于表征所述预设神经网络模型的训练过程开始出现过拟合现象；

根据所述模型过拟合起始表征点对应的模型更新次数，确定目标模型更新次数；

根据所述目标模型更新次数，构建资产价值预测模型。

在一种可能的实施方式下，若所述模型性能评估特征包括所述训练数据对应的预测性能表征值和所述验证数据对应的预测性能表征值，则所述模型过拟合起始表征点的确定过程，包括：

根据所述训练数据对应的预测性能表征值，生成所述训练数据对应的预测性能变化曲线；其中，所述训练数据对应的预测性能变化曲线用于描述所述训练数据对应的预测性能表征值随着所述预设神经网络模型的模型更新次数的变化趋势；

根据所述验证数据对应的预测性能表征值，生成所述验证数据对应的预测性能变化曲线；其中，所述验证数据对应的预测性能变化曲线用于描述所述验证数据对应的预测性能表征值随着所述预设神经网络模型的模型更新次数的变化趋势；

根据所述训练数据对应的预测性能变化曲线和所述验证数据对应的预测性能变化曲线，确定满足预设过拟合起始条件的模型过拟合起始表征点。

在一种可能的实施方式下，所述根据所述模型过拟合起始表征点对应的模型更新次数，确定目标模型更新次数，包括：

将所述模型过拟合起始表征点对应的模型更新次数减去1，得到目标模型更新次数；

或者，

将所述模型过拟合起始表征点对应的模型更新次数，确定为目标模型更新次数。

在一种可能的实施方式下，所述根据所述目标模型更新次数，构建资产价值预测模型，包括：

将未经过训练的预设神经网络模型，确定为待使用模型；

将所述训练数据输入所述待使用模型，得到所述待使用模型输出的所述训练数据对应的第二预测资产价值；

根据所述训练数据对应的第二预测资产价值和所述训练数据对应的实际资产价值，更新所述待使用模型，并继续执行所述将所述训练数据输入所述待使用模型，得到所述待使用模型输出的所述训练数据对应的第二预测资产价值及其后续步骤，直至在确定所述待使用模型的当前更新次数达到所述目标模型更新次数时，将所述待使用模型确定为资产价值预测模型。

在一种可能的实施方式下，若所述模型性能评估特征包括所述训练数据对应的预测性能表征值和所述验证数据对应的预测性能表征值，则所述训练数据对应的预测性能表征值的确定过程包括：

当所述训练数据的个数为M

和/或，

所述验证数据对应的预测性能表征值的确定过程包括：

当所述验证数据的个数为M

在一种可能的实施方式下，所述预设神经网络模型包括第一隐藏层和第二隐藏层，所述第二隐藏层的输入数据包括所述第一隐藏层的输出数据，所述第一隐藏层包括16个节点，所述第二隐藏层包括8个节点，且各个节点的激活函数为双曲正切激活函数。

本申请实施例还提供了一种资产价值预测方法，所述方法包括：

获取目标对象的价值影响特征；

将所述目标对象的价值影响特征输入预先构建的资产价值预测模型，得到所述资产价值预测模型输出的所述目标对象的预测资产价值；其中，所述资产价值预测模型是利用本申请实施例提供的资产价值预测模型构建方法任一实施方式构建的。

本申请实施例还提供了一种资产价值预测模型构建装置，包括：

第一获取单元，用于获取训练数据、所述训练数据对应的实际资产价值、所述验证数据和所述验证数据对应的实际资产价值；

第一预测单元，用于将所述训练数据和所述验证数据输入预设神经网络模型，得到所述预设神经网络模型输出的所述训练数据对应的第一预测资产价值和所述验证数据对应的预测资产价值；

性能评估单元，用于根据所述训练数据对应的第一预测资产价值、所述训练数据对应的实际资产价值、所述验证数据对应的预测资产价值和所述验证数据对应的实际资产价值，确定当前模型更新次数对应的模型性能评估特征；

模型更新单元，用于利用所述训练数据对应的第一预测资产价值和所述训练数据对应的实际资产价值，更新所述预设神经网络模型，并返回所述第一预测单元继续执行所述将所述训练数据和所述验证数据输入预设神经网络模型，得到所述预设神经网络模型输出的所述训练数据对应的第一预测资产价值和所述验证数据对应的预测资产价值，直至在确定达到预设停止条件后，根据所述模型性能评估特征，构建资产价值预测模型。

本申请实施例还提供了一种资产价值预测装置，包括：

第二获取单元，用于获取目标对象的价值影响特征；

第二预测单元，用于将所述目标对象的价值影响特征输入预先构建的资产价值预测模型，得到所述资产价值预测模型输出的所述目标对象的预测资产价值；其中，所述资产价值预测模型是利用本申请实施例提供的资产价值预测模型构建方法任一实施方式构建的。

本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行本申请实施例提供的资产价值预测模型构建方法的任一实施方式，或者执行本申请实施例提供的资产价值预测方法的任一实施方式。

本申请实施例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用于存储计算机程序，所述计算机程序用于执行本申请实施例提供的资产价值预测模型构建方法的任一实施方式，或者执行本申请实施例提供的资产价值预测方法的任一实施方式。

本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行本申请实施例提供的资产价值预测模型构建方法的任一实施方式，或者执行本申请实施例提供的资产价值预测方法的任一实施方式。

与现有技术相比，本申请实施例至少具有以下优点：

本申请实施例提供的技术方案中，先利用训练数据及其对应的实际资产价值、验证数据及其对应的实际资产价值、和预设神经网络模型，构建资产价值预测模型，以使构建好的资产价值预测模型具有较好的资产价值预测性能；然后，在获取到目标对象(例如，配电网)的价值影响特征之后，直接将该目标对象的价值影响特征输入到构建好的资产价值预测模型，以使该资产价值预测模型能够依据该目标对象的价值影响特征准确地预测出该目标对象的预测资产价值，如此有利于提高资产价值的预测准确性。

附图说明

为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请中记载的一些实施例，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它的附图。

图1为本申请实施例提供的一种资产价值预测模型构建方法的流程图；

图2为本申请实施例提供的一种节点的结构示意图；

图3为本申请实施例提供的一种资产价值预测方法的流程图；

图4为本申请实施例提供的一种资产价值预测模型构建装置的结构示意图；

图5为本申请实施例提供的一种资产价值预测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为了便于理解本申请的技术方案，下面先介绍如何构建资产价值预测模型，再介绍如何使用该资产价值预测模型针对目标对象进行资产价值的预测。

参见图1，该图为本申请实施例提供的一种资产价值预测模型构建方法的流程图。

本申请实施例提供的资产价值预测模型构建方法，包括S101-S106：

S101：获取训练数据、训练数据对应的实际资产价值、验证数据和验证数据对应的实际资产价值。

本申请实施例不限定S101的实施方式，例如，在一种可能的实施方式中，S101可以包括：在获取到大量训练样本之后，将所有训练样本按照预设划分比例进行划分，得到训练数据、验证数据和测试数据。其中，预设划分比例可以预先设定，例如，预设划分比例可以是7∶2∶1。

训练样本是指模型构建过程可以使用的数据；而且本申请实施例不限定训练样本的个数。

另外，本申请实施例也不限定训练样本的获取方式。例如，若资产价值预测模型用于预测配电网的资产价值，则在确定训练样本对应的实际资产价值为配电网的历史资产价值时，可以根据该配电网的历史资产价值对应的价值影响特征确定训练样本(例如，直接将该配电网的历史资产价值对应的价值影响特征确定为训练样本)。

其中，配电网是指从输电网或地区发电厂接受电能，通过配电设施就地分配或按电压逐级分配给各类用户的电力网。

价值影响特征是指能够影响资产价值确定的影响因素。另外，本申请实施例不限定配电网的资产价值的影响因素，例如，可以包括配电网服务对象的年平均出租率、配电网服务对象所在地年最高气温、配电网服务对象所在地年最低气温、配电网服务对象所在地年平均气温、配电网年购电价、配电网年售电价、配电网变压器额定功率、配电网服务对象的建筑物面积、配电网服务对象的入驻商户数、配电网服务对象的单位面积租金、配电网服务对象所在地人均GDP、配电网电能损耗率、和配电网运维费用率中的至少一个。

基于上述S101的相关内容可知，若预设划分比例为7∶2∶1，则在获取到大量训练样本之后，先可以采用随机抽样的方式将所有训练样本划分成7/10的训练样本、2/10的训练样本以及1/10的训练样本；再将7/10的训练样本及其对应的实际资产价值均确定为训练数据及其对应的实际资产价值，并将2/10的训练样本及其对应的实际资产价值均确定为验证数据及其对应的实际资产价值。

S102：将训练数据和验证数据输入预设神经网络模型，得到该预设神经网络模型输出的该训练数据对应的第一预测资产价值和该验证数据对应的预测资产价值。

其中，预设神经网络模型用于进行资产价值预测，而且本申请实施例不限定预设神经网络模型的模型结构。例如，预设神经网络模型可以包括第一隐藏层和第二隐藏层，第二隐藏层的输入数据包括第一隐藏层的输出数据，第一隐藏层包括16个节点，第二隐藏层包括8个节点，而且各个节点的激活函数为双曲正切激活函数。

另外，本申请实施例不限定节点的实施方式，例如，节点可以采用循环神经网络中的节点结构进行实施，此时节点的结构如图2所示，而且节点的工作原理如公式(1)-(6)所示。

f

i

G

o

C

h

式中，h

训练数据对应的第一预测资产价值是指由预设神经网络模型针对训练数据进行资产价值预测得到并输出的预测资产价值。

验证数据对应的预测资产价值是指由预设神经网络模型针对验证数据进行资产价值预测得到并输出的预测资产价值。

基于上述S102的相关内容可知，可以利用预设神经网络模型对训练数据(和/或验证数据)进行资产价值预测，得到并输出该训练数据对应的第一预测资产价值(和/或验证数据对应的预测资产价值)，以便后续能够利用该训练数据对应的第一预测资产价值(和/或验证数据对应的预测资产价值)，确定该预设神经网络模型的资产价值预测性能。

S103：根据训练数据对应的第一预测资产价值、该训练数据对应的实际资产价值、验证数据对应的预测资产价值和该验证数据对应的实际资产价值，确定当前模型更新次数对应的模型性能评估特征。

其中，当前模型更新次数是指预设神经网络模型在当前轮训练过程之前经历过的模型更新次数；而且，本申请实施例不限定当前模型更新次数，例如，该当前模型更新次数可以是0、1、2、3、……。

需要说明的是，若当前模型更新次数为0，则表示预设神经网络模型在当前轮训练过程之前未经历过的模型更新，从而表示该预设神经网络模型仍未进行训练。

当前模型更新次数对应的模型性能评估特征用于表征预设神经网络模型在当前轮训练过程中表现出资产价值预测性能。另外，本申请实施例不限定模型性能评估特征，例如，模型性能评估特征可以包括训练数据对应的预测性能表征值和/或验证数据对应的预测性能表征值。

其中，训练数据对应的预测性能表征值用于表征预设神经网络模型针对训练数据表现出的预测性能；而且本申请实施例不限定训练数据对应的预测性能表征值的确定方式。例如，若训练数据的个数为M

需要说明的是，MAE是指多个预测对象的预测值与实际值之间误差绝对值的平均值，而且MAE可以采用公式(7)进行计算。

式中，MAE(b

验证数据对应的预测性能表征值用于表征预设神经网络模型针对验证数据表现出的预测性能；而且本申请实施例不限定验证数据对应的预测性能表征值的确定方式。例如，若验证数据的个数为M

基于上述S103的相关内容可知，对于预设神经网络模型的当前轮训练过程来说，在获取到训练数据对应的第一预测资产价值以及验证数据对应的预测资产价值之后，可以根据训练数据对应的第一预测资产价值与该训练数据对应的实际资产价值之间的差值、以及验证数据对应的预测资产价值与该验证数据对应的实际资产价值之间的差值，确定当前模型更新次数对应的模型性能评估特征，以使该模型性能评估特征能够准确地表示出预设神经网络模型在当前轮训练过程中表现出资产价值预测性能。

S104：判断是否达到预设停止条件，若是，则执行S106；若否，则执行S105。

其中，预设停止条件可以预先设定，而且本申请实施例不限定预设停止条件。例如，预设停止条件可以为预测资产值与实际资产值之间的差值低于第一阈值，也可以为预测资产值的变化率低于第二阈值，还可以为预设神经网络模型的更新次数达到第三阈值。

基于上述S104的相关内容可知，对于预设神经网络模型的当前轮训练过程来说，若确定达到预设停止条件，则可以直接利用已获取的每个模型更新次数对应的模型性能评估特征，构建资产价值预测模型；然而，在确定仍未达到预设停止条件，则可以对预设神经网络模型进行参数(例如，上文W

需要说明的是，本申请实施例不限定S103与S104的执行顺序，可以依次执行S103和S104，也可以依次执行S104和S103，还可以同时执行S103和S104。

S105：利用训练数据对应的第一预测资产价值和训练数据对应的实际资产价值，更新预设神经网络模型，并返回执行S102。

本申请实施例不限定预设神经网络模型的更新过程，可以采用现有的或者未来出现的任一种能够更新预设神经网络模型的方法进行实施。

S106：根据模型性能评估特征，构建资产价值预测模型。

本申请实施例不限定S106的实施方式，例如，在一种可能的实施方式下，S106具体可以包括S1061-S1063：

S1061：根据模型性能评估特征，确定模型过拟合起始表征点对应的模型更新次数。

其中，模型过拟合起始表征点用于表征预设神经网络模型的训练过程开始出现过拟合现象。另外，本申请实施例不限定模型过拟合起始表征点，该模型过拟合起始表征点可以是指下文训练数据对应的预测性能变化曲线和验证数据对应的预测性能变化曲线上的点。

实际上，过拟合现象的典型表现就是预设神经网络模型针对训练数据的资产价值预测性能越来越好，但是该预设神经网络模型针对验证数据的资产价值预测性能却越来越差。可见，在预设神经网络模型针对训练数据的资产价值预测性能依旧处于增长状态，但该预设神经网络模型针对验证数据的资产价值预测性能却出现下降状态时，表示该预设神经网络模型的训练过程开始出现过拟合现象。

基于此，本申请实施例提供了一种确定模型过拟合起始表征点的实施方式，其具体可以包括步骤1-步骤3：

步骤1：根据训练数据对应的预测性能表征值，生成该训练数据对应的预测性能变化曲线。

其中，训练数据对应的预测性能变化曲线用于描述训练数据对应的预测性能表征值随着预设神经网络模型的模型更新次数的变化趋势。

可见，假设在达到预设停止条件时预设神经网络模型已经经历过T次更新，则可以根据在模型更新次数0下训练数据对应的预测性能表征值(也就是，对应于模型更新次数0的训练数据对应的预测性能表征值，即，在第1轮训练过程中训练数据对应的预测性能表征值)、在模型更新次数1下训练数据对应的预测性能表征值(也就是，对应于模型更新次数1的训练数据对应的预测性能表征值，即，在第2轮训练过程中训练数据对应的预测性能表征值)、在模型更新次数2下训练数据对应的预测性能表征值(也就是，对应于模型更新次数2的训练数据对应的预测性能表征值，即，在第3轮训练过程中训练数据对应的预测性能表征值)、……、以及在模型更新次数T下训练数据对应的预测性能表征值(也就是，对应于模型更新次数T的训练数据对应的预测性能表征值，即，在第T+1轮训练过程中训练数据对应的预测性能表征值)，绘制训练数据对应的预测性能变化曲线，以使该训练数据对应的预测性能变化曲线能够呈现在以模型更新次数(或者模型迭代次数)作为自变量(也就是，横轴)，且以训练数据对应的预测性能表征值作为因变量(也就是，纵轴)的坐标系中，从而使得该训练数据对应的预测性能变化曲线用于描述训练数据对应的预测性能表征值随着预设神经网络模型的模型更新次数的变化趋势。

步骤2：根据验证数据对应的预测性能表征值，生成验证数据对应的预测性能变化曲线。

其中，验证数据对应的预测性能变化曲线用于描述验证数据对应的预测性能表征值随着预设神经网络模型的模型更新次数的变化趋势。

可见，假设在达到预设停止条件时预设神经网络模型已经经历过T次更新，则可以根据在模型更新次数0下验证数据对应的预测性能表征值(也就是，对应于模型更新次数0的验证数据对应的预测性能表征值，即，在第1轮训练过程中验证数据对应的预测性能表征值)、在模型更新次数1下验证数据对应的预测性能表征值(也就是，对应于模型更新次数1的验证数据对应的预测性能表征值，即，在第2轮训练过程中验证数据对应的预测性能表征值)、在模型更新次数2下验证数据对应的预测性能表征值(也就是，对应于模型更新次数2的验证数据对应的预测性能表征值，即，在第3轮训练过程中验证数据对应的预测性能表征值)、……、以及在模型更新次数T下验证数据对应的预测性能表征值(也就是，对应于模型更新次数T的验证数据对应的预测性能表征值，即，在第T+1轮训练过程中验证数据对应的预测性能表征值)，绘制验证数据对应的预测性能变化曲线，以使该验证数据对应的预测性能变化曲线能够呈现在以模型更新次数(或者模型迭代次数)作为自变量(也就是，横轴)，且以验证数据对应的预测性能表征值作为因变量(也就是，纵轴)的坐标系中，从而使得该验证数据对应的预测性能变化曲线用于描述验证数据对应的预测性能表征值随着预设神经网络模型的模型更新次数的变化趋势。

步骤3：根据训练数据对应的预测性能变化曲线和验证数据对应的预测性能变化曲线，确定满足预设过拟合起始条件的模型过拟合起始表征点。

其中，预设过拟合起始条件是指模型过拟合起始表征点所满足的条件，而且该预设过拟合起始条件可以预先设定。例如，预设过拟合起始条件可以是指同一个横轴变量在训练数据对应的预测性能变化曲线中对应的斜率为正值，但在验证数据对应的预测性能变化曲线中对应的斜率为负值。

可见，在获取到训练数据对应的预测性能变化曲线和验证数据对应的预测性能变化曲线之后，可以先将训练数据对应的预测性能变化曲线和验证数据对应的预测性能变化曲线进行比对，以便在训练数据对应的预测性能变化曲线和验证数据对应的预测性能变化曲线中查找满足以下三个条件的点，且该三个条件为：具有相同横坐标、在训练数据对应的预测性能变化曲线中对应的斜率为正值，且在验证数据对应的预测性能变化曲线中对应的斜率为负值；然后，将查找到的点作为模型过拟合起始表征点，以便后续能够基于该模型过拟合起始表征点，确定在预设神经网络模型的训练过程开始出现过拟合现象时对应的模型更新次数。

另外，模型过拟合起始表征点对应的模型更新次数是指与该模型过拟合起始表征点具有对应关系的点。例如，若模型过拟合起始表征点是训练数据对应的预测性能变化曲线和验证数据对应的预测性能变化曲线上的点，则该模型过拟合起始表征点的横坐标就是该模型过拟合起始表征点对应的模型更新次数。

基于上述S1062的相关内容可知，在确定达到预设停止条件之后，可以先依据与每个模型更新次数具有对应关系的模型性能评估特征(例如，训练数据对应的预测性能表征值和验证数据对应的预测性能表征值)，确定模型过拟合起始表征点，以便后续能够依据该模型过拟合起始表征点对应的模型更新次数，确定在预设神经网络模型的训练过程开始出现过拟合现象时对应的模型更新次数。

S1062：根据模型过拟合起始表征点对应的模型更新次数，确定目标模型更新次数。

其中，目标模型更新次数是指构建资产价值预测模型所需达到的模型更新次数。

另外，本申请实施例不限定S1062的实施方式，为了便于理解，下面结合两个示例进行说明。

示例一，S1062具体可以为：将模型过拟合起始表征点对应的模型更新次数减去1，得到目标模型更新次数。

示例二，S1062具体可以为：将模型过拟合起始表征点对应的模型更新次数，确定为目标模型更新次数。

基于S1062的相关内容可知，在获取到模型过拟合起始表征点对应的模型更新次数之后，可以依据该模型过拟合起始表征点对应的模型更新次数，确定目标模型更新次数，以便后续能够基于该目标模型更新次数构建资产价值预测模型，如此能够有效地避免构建好的资产价值预测模型出现过拟合现象。

S1063：根据目标模型更新次数，构建资产价值预测模型。

本申请实施例不限定S1063的实施方式，例如，在一种可能的实施方式中，S1063具体可以包括S10631-S10635：

S10631：将未经过训练的预设神经网络模型，确定为待使用模型。

需要说明的是，未经过训练的预设神经网络模型是指没有经历过上文模型更新过程的预设神经网络模型。可见，未经过训练的预设神经网络模型就是指上文在第1轮训练过程中使用的预设神经网络模型。

S10632：将训练数据输入待使用模型，得到待使用模型输出的该训练数据对应的第二预测资产价值。

训练数据对应的第二预测资产价值是指由待使用模型针对训练数据进行资产价值预测得到并输出的预测资产价值。

S10633：判断待使用模型的当前更新次数是否达到目标模型更新次数，若是，则执行S10635；若否，则执行S10634。

S10634：根据训练数据对应的第二预测资产价值和训练数据对应的实际资产价值，更新待使用模型，并返回执行S1062.

S10635：将待使用模型确定为资产价值预测模型。

基于上述S10631至S10635的相关内容可知，在获取到目标模型更新次数之后，可以利用训练数据对未经过训练的预设神经网络模型进行目标模型更新次数的更新，以使更新后的待使用模型不存在过拟合现象，从而使得基于该更新后的待使用模型确定的资产价值预测模型也不存在过拟合现象，如此有利于提高资产价值预测模型的资产价值预测准确性。

基于上述S101至S106的相关内容可知，在本申请实施例提供的资产价值预测模型构建方法中，在获取到获取训练数据、训练数据对应的实际资产价值、验证数据和验证数据对应的实际资产价值之后，先将训练数据和验证数据输入预设神经网络模型，得到预设神经网络模型输出的训练数据对应的第一预测资产价值和验证数据对应的预测资产价值；再根据训练数据对应的第一预测资产价值、训练数据对应的实际资产价值、验证数据对应的预测资产价值和验证数据对应的实际资产价值，确定当前模型更新次数对应的模型性能评估特征，并且还利用训练数据对应的第一预测资产价值和训练数据对应的实际资产价值，更新预设神经网络模型，并继续执行上述将训练数据和验证数据输入预设神经网络模型，得到预设神经网络模型输出的训练数据对应的第一预测资产价值和验证数据对应的预测资产价值及其后续步骤，直至在确定达到预设停止条件后，根据模型性能评估特征，构建资产价值预测模型。

可见，因资产价值预测模型是根据训练数据、该训练数据对应的实际资产价值、验证数据和该验证数据对应的实际资产价值进行构建的，使得构建得到的资产价值预测模型具有较好的资产价值预测性能，从而使得基于资产价值预测模型的资产价值预测过程更准确。

在构建好资产价值预测模型之后，可以使用该资产价值预测模型进行资产价值预测。基于此，本申请实施例还提供了一种资产价值预测方法，下面结合附图进行说明。

参见图3，该图为本申请实施例提供的一种资产价值预测方法的流程图。

本申请实施例提供的资产价值预测方法，包括S301-S302：

S301：获取目标对象的价值影响特征。

其中，目标对象是指需要进行资产价值预测的对象；而且，本申请实施例不限定目标对象，例如，目标对象可以是配电网。

目标对象的价值影响特征是指对目标对象的资产价值的确定能够产生影响的因素。例如，目标对象的价值影响特征可以是指在距离当前时刻最近一年下的配电网服务对象的年平均出租率、配电网服务对象所在地年最高气温、配电网服务对象所在地年最低气温、配电网服务对象所在地年平均气温、配电网年购电价、配电网年售电价、配电网变压器额定功率、配电网服务对象的建筑物面积、配电网服务对象的入驻商户数、配电网服务对象的单位面积租金、配电网服务对象所在地人均GDP、配电网电能损耗率、和配电网运维费用率。

S302：将目标对象的价值影响特征输入预先构建的资产价值预测模型，得到该资产价值预测模型输出的目标对象的预测资产价值。

其中，资产价值预测模型可以利用本申请实施例提供的资产价值预测模型构建方法的任一实施方式进行构建。

基于上述S301至S302的相关内容可知，在获取到目标对象的价值影响特征之后，可以直接将该目标对象的价值影响特征输入到构建好的资产价值预测模型，以使该资产价值预测模型能够依据该目标对象的价值影响特征准确地预测出该目标对象的预测资产价值，如此有利于提高资产价值的预测准确性。

需要说明的是，在一些情况下，在获取到目标对象的预测资产价值之后，还可以通过预设方式将目标对象的预测资产价值显示给用户，以使该用户能够获知该目标对象的预测资产价值。

基于上述方法实施例提供的资产价值预测模型构建方法，本申请实施例还提供了一种资产价值预测模型构建装置，下面结合附图进行解释和说明。

装置实施例提供的资产价值预测模型构建装置的技术详情，请参照上述方法实施例。

参见图4，该图为本申请实施例提供的一种资产价值预测模型构建装置的结构示意图。

本申请实施例提供的资产价值预测模型构建装置400，包括：

第一获取单元401，用于获取训练数据、所述训练数据对应的实际资产价值、所述验证数据和所述验证数据对应的实际资产价值；

第一预测单元402，用于将所述训练数据和所述验证数据输入预设神经网络模型，得到所述预设神经网络模型输出的所述训练数据对应的第一预测资产价值和所述验证数据对应的预测资产价值；

性能评估单元403，用于根据所述训练数据对应的第一预测资产价值、所述训练数据对应的实际资产价值、所述验证数据对应的预测资产价值和所述验证数据对应的实际资产价值，确定当前模型更新次数对应的模型性能评估特征；

模型更新单元404，用于利用所述训练数据对应的第一预测资产价值和所述训练数据对应的实际资产价值，更新所述预设神经网络模型，并返回所述第一预测单元402继续执行所述将所述训练数据和所述验证数据输入预设神经网络模型，得到所述预设神经网络模型输出的所述训练数据对应的第一预测资产价值和所述验证数据对应的预测资产价值，直至在确定达到预设停止条件后，根据所述模型性能评估特征，构建资产价值预测模型。

在一种可能的实施方式下，所述模型更新单元404，包括：

第一确定子单元，用于根据所述模型性能评估特征，确定模型过拟合起始表征点对应的模型更新次数；其中，所述模型过拟合起始表征点用于表征所述预设神经网络模型的训练过程开始出现过拟合现象；

第二确定子单元，用于根据所述模型过拟合起始表征点对应的模型更新次数，确定目标模型更新次数；

模型构建子单元，用于根据所述目标模型更新次数，构建资产价值预测模型。

在一种可能的实施方式下，若所述模型性能评估特征包括所述训练数据对应的预测性能表征值和所述验证数据对应的预测性能表征值，则所述模型过拟合起始表征点的确定过程，包括：

根据所述训练数据对应的预测性能表征值，生成所述训练数据对应的预测性能变化曲线；其中，所述训练数据对应的预测性能变化曲线用于描述所述训练数据对应的预测性能表征值随着所述预设神经网络模型的模型更新次数的变化趋势；

根据所述验证数据对应的预测性能表征值，生成所述验证数据对应的预测性能变化曲线；其中，所述验证数据对应的预测性能变化曲线用于描述所述验证数据对应的预测性能表征值随着所述预设神经网络模型的模型更新次数的变化趋势；

根据所述训练数据对应的预测性能变化曲线和所述验证数据对应的预测性能变化曲线，确定满足预设过拟合起始条件的模型过拟合起始表征点。

在一种可能的实施方式下，所述第二确定子单元，具体用于：

将所述模型过拟合起始表征点对应的模型更新次数减去1，得到目标模型更新次数；

或者，

将所述模型过拟合起始表征点对应的模型更新次数，确定为目标模型更新次数。

在一种可能的实施方式下，所述模型构建子单元，具体用于：

将未经过训练的预设神经网络模型，确定为待使用模型；

将所述训练数据输入所述待使用模型，得到所述待使用模型输出的所述训练数据对应的第二预测资产价值；

根据所述训练数据对应的第二预测资产价值和所述训练数据对应的实际资产价值，更新所述待使用模型，并继续执行所述将所述训练数据输入所述待使用模型，得到所述待使用模型输出的所述训练数据对应的第二预测资产价值及其后续步骤，直至在确定所述待使用模型的当前更新次数达到所述目标模型更新次数时，将所述待使用模型确定为资产价值预测模型。

在一种可能的实施方式下，若所述模型性能评估特征包括所述训练数据对应的预测性能表征值和所述验证数据对应的预测性能表征值，则所述训练数据对应的预测性能表征值的确定过程包括：

当所述训练数据的个数为M

和/或，

所述验证数据对应的预测性能表征值的确定过程包括：

当所述验证数据的个数为M

在一种可能的实施方式下，所述预设神经网络模型包括第一隐藏层和第二隐藏层，所述第二隐藏层的输入数据包括所述第一隐藏层的输出数据，所述第一隐藏层包括16个节点，所述第二隐藏层包括8个节点，且各个节点的激活函数为双曲正切激活函数。

基于上述资产价值预测模型构建装置400的相关内容可知，在获取到获取训练数据、训练数据对应的实际资产价值、验证数据和验证数据对应的实际资产价值之后，先将训练数据和验证数据输入预设神经网络模型，得到预设神经网络模型输出的训练数据对应的第一预测资产价值和验证数据对应的预测资产价值；再根据训练数据对应的第一预测资产价值、训练数据对应的实际资产价值、验证数据对应的预测资产价值和验证数据对应的实际资产价值，确定当前模型更新次数对应的模型性能评估特征，并且还利用训练数据对应的第一预测资产价值和训练数据对应的实际资产价值，更新预设神经网络模型，并继续执行上述将训练数据和验证数据输入预设神经网络模型，得到预设神经网络模型输出的训练数据对应的第一预测资产价值和验证数据对应的预测资产价值及其后续步骤，直至在确定达到预设停止条件后，根据模型性能评估特征，构建资产价值预测模型。可见，因资产价值预测模型是根据训练数据、该训练数据对应的实际资产价值、验证数据和该验证数据对应的实际资产价值进行构建的，使得构建得到的资产价值预测模型具有较好的资产价值预测性能，从而使得基于资产价值预测模型的资产价值预测过程更准确。

基于上述方法实施例提供的资产价值预测方法，本申请实施例还提供了一种资产价值预测装置，下面结合附图进行解释和说明。

装置实施例提供的资产价值预测装置的技术详情，请参照上述方法实施例。

参见图5，该图为本申请实施例提供的一种资产价值预测装置的结构示意图。

本申请实施例提供的资产价值预测装置500，包括：

第二获取单元501，用于获取目标对象的价值影响特征；

第二预测单元502，用于将所述目标对象的价值影响特征输入预先构建的资产价值预测模型，得到所述资产价值预测模型输出的所述目标对象的预测资产价值；其中，所述资产价值预测模型是利用本申请实施例提供的资产价值预测模型构建方法任一实施方式构建的。

基于上述资产价值预测装置500的相关内容可知，在获取到目标对象的价值影响特征之后，可以直接将该目标对象的价值影响特征输入到构建好的资产价值预测模型，以使该资产价值预测模型能够依据该目标对象的价值影响特征准确地预测出该目标对象的预测资产价值，如此有利于提高资产价值的预测准确性。

进一步地，本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行本申请实施例提供的资产价值预测模型构建方法的任一实施方式，或者执行本申请实施例提供的资产价值预测方法的任一实施方式。

进一步地，本申请实施例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用于存储计算机程序，所述计算机程序用于执行本申请实施例提供的资产价值预测模型构建方法的任一实施方式，或者执行本申请实施例提供的资产价值预测方法的任一实施方式。

进一步地，本申请实施例还提供了一种计算机程序产品，其特征在于，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行本申请实施例提供的资产价值预测模型构建方法的任一实施方式，或者执行本申请实施例提供的资产价值预测方法的任一实施方式。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。