聯(lián)的因子。
[0049]再其次，將剩余的因子閥值池所包含的多維關鍵因子確定為所述待預測事件的隨機樣本空間，采用最小支持度搜尋所述隨機樣本空間中的頻繁項集，并計算隨機樣本空間中的頻繁項集所包含的多維關鍵因子的重復度。由于剩余的因子閥值池所包含的多維關鍵因子是與待預測事件相關聯(lián)的因子，因此將剩余的因子閥值池所包含的多維關鍵因子確定為所述待預測事件的隨機樣本空間，提高了待預測事件的隨機樣本空間的有效性，隨著逐層遞歸掃描的進行，該隨機樣本空間中的某些多維關鍵因子將重復出現(xiàn)，這些重復出現(xiàn)的多維關鍵因子即為對待預測事件的預測結(jié)果影響比較大的因子。上一操作中從待預測事件所屬領域的多維關鍵因子中初步篩選出與待預測事件相關聯(lián)的因子，作為待預測事件的隨機樣本空間，本操作中，能夠在有效的隨機樣本空間中進一步篩選出對待預測事件的預測結(jié)果影響比較大的多維關鍵因子。
[0050]最后，根據(jù)所述隨機樣本空間中的頻繁項集，以及所包含的多維關鍵因子的重復度，并根據(jù)所述待預測事件的打標數(shù)據(jù)和預測業(yè)務環(huán)境參數(shù)，確定所述待預測事件的因子結(jié)構(gòu)。
[0051]所述因子結(jié)構(gòu)可包括下述至少一項:因子類型、類別、維度、屬性、業(yè)務歸碼、數(shù)據(jù)類型、因子估值、影響維度、以及業(yè)務環(huán)境。
[0052]步驟150、通過預設的場景模型庫選擇需要預測的業(yè)務場景模型，對所述業(yè)務場景模型和所述因子結(jié)構(gòu)進行分析，得到所述待預測事件的目標數(shù)據(jù);所述目標數(shù)據(jù)是以業(yè)務場景模型所包含的參數(shù)作為字段，因子結(jié)構(gòu)的對應數(shù)值作為字段的數(shù)據(jù)值。
[0053]本步驟具體是通過應用場景序列訓練配置，得到所述待預測事件的目標數(shù)據(jù)。
[0054]本步驟中，對所述業(yè)務場景模型和所述因子結(jié)構(gòu)進行分析，可包括:
[0055]對所述業(yè)務場景模型和所述因子結(jié)構(gòu)進行多層鏈路分析、關聯(lián)路徑分析、集群分析或時序分析中的至少一種，從而得到單一因子與其他因子的關聯(lián)關系。
[0056]多層鏈路分析:鏈接分析根據(jù)擴展的數(shù)據(jù)出現(xiàn)的層級可分為多層，對指定全部因子或關注層的因子進行擴展，對同層級的多個因子同時進行擴展關聯(lián)分析。因子信息的不斷向下擴展，通過擴展關聯(lián)得到的結(jié)果將自動建立可能存在的關聯(lián)關系。
[0057]關聯(lián)路徑分析:在對因子擴展了多次后，圖形上包含多個因子，查找路徑將實現(xiàn)關注因子間的路徑顯示。顯示路徑經(jīng)歷的因子和因子間的連線都將高亮顯示。查找路徑配合圖形化查詢功能，可在大量圖形化數(shù)據(jù)中輕松定位關注因子間的關聯(lián)路徑。為事件線索的分析提供直觀的應用手段。
[0058]群集分析:大量圖表因子中尋找可能存在關聯(lián)度較高的群集。在繁雜的因子關聯(lián)關系中剝繭抽絲，通過符合使用者判定習慣的方式展現(xiàn)數(shù)據(jù)關聯(lián)的程度。如:在話單分析中，多個號碼的通話分析，可通過群集分析功能清晰展現(xiàn)高頻通話關系，如圖2所示。
[0059]時序分析:對因子中包含時間屬性的業(yè)務關聯(lián)，以時序的方式展現(xiàn)，更清楚的表達因子行為的時間特性。方便快速判斷該人員的喜好和時空軌跡。
[0060]步驟160、基于預先建立的估算分析模型，對所述目標數(shù)據(jù)和所述因子結(jié)構(gòu)進行估算分析，得到所述待預測事件的分析結(jié)果。
[0061 ]基于預先建立的估算分析模型，對所述目標數(shù)據(jù)和所述因子結(jié)構(gòu)進行估算分析，可具體包括:
[0062]人工設置需要分析的精度范圍，同時從估算分析模型中提取歷史數(shù)據(jù)，利用所述歷史數(shù)據(jù)，采用加權(quán)方式，對所述目標數(shù)據(jù)和所述因子結(jié)構(gòu)進行綜合估算。
[0063]步驟170、利用所述因子結(jié)構(gòu)，確定所述待預測事件的分析結(jié)果的可信度值。
[0064]可信度分析可包括以下幾種模式:
[0065]I)趨勢型:某項目標因為因子的調(diào)整，分析的結(jié)果也呈現(xiàn)一定數(shù)據(jù)持續(xù)性的上調(diào)或者下降；
[0066]2)越界型:根據(jù)某向目標和因子分析，其分析的結(jié)果在某指數(shù)或某參數(shù)超出正常值；
[0067]3)交叉型:根據(jù)某向目標和因子分析，其分析的結(jié)果在對兩種或多種信息間的因果關系做出不同的結(jié)論；
[0068]4)多變型:某項目標和因子分析稍微一定，其分析的結(jié)果在對兩種或多種信息間的因果關系做出不同的結(jié)論。
[0069]本實施例的技術方案，通過采集待預測事件的業(yè)務數(shù)據(jù)和環(huán)境數(shù)據(jù)，保證了數(shù)據(jù)完整性；由于數(shù)據(jù)整合模型中包含有各類事件的業(yè)務數(shù)據(jù)、環(huán)境數(shù)據(jù)和各類事件的打標數(shù)據(jù)之間的映射關系，提高了通過數(shù)據(jù)整合模型得到的待預測事件的打標數(shù)據(jù)的準確度；由于待預測事件所屬領域的多維關鍵因子是通過對該領域所有的字典項進行統(tǒng)計性分析、大量的實踐和訓練得到的，由待預測事件所屬領域的多維關鍵因子組成的環(huán)境模板可以涵蓋該領域的各種業(yè)務應用目標，因此，根據(jù)待預測事件的業(yè)務應用目標，調(diào)整由所述待預測事件所屬領域的多維關鍵因子組成的環(huán)境模板的參數(shù)，提高了得到的所述待預測事件的預測業(yè)務環(huán)境參數(shù)與待預測事件的業(yè)務應用目標之間的匹配度，可以有效應用在實戰(zhàn)中；將待預測事件所屬領域的多維關鍵因子作為待預測事件的待關鍵因子，進行待關鍵因子數(shù)據(jù)分析，待關鍵因子數(shù)據(jù)分析包括了對待關鍵因子進行逐層遞歸掃描、分析待關鍵因子與待預測事件的包含關系、刪除不相關的待關鍵因子、從待預測事件所屬領域的多維關鍵因子中初步篩選出與待預測事件相關聯(lián)的因子，作為待預測事件的隨機樣本空間，優(yōu)化了待預測事件的隨機樣本空間，提高了隨機樣本空間的有效性，還包括了計算隨機樣本空間中待關鍵因子的重復度，基于此，在有效的隨機樣本空間中進一步篩選出對待預測事件的預測結(jié)果影響比較大的多維關鍵因子，進而確定所述待預測事件的因子結(jié)構(gòu)，提高了所述待預測事件的因子結(jié)構(gòu)的準確度;基于此，對待預測事件進行預測、估算分析以及可信度分析，形成了評估和預測之間可信度的衡量體系，提高了對待預測事件的預測分析的準確度。
[0070]在上述方案中，在得到所述待預測事件的分析結(jié)果之后，所述方法還可包括:
[0071]利用所述因子結(jié)構(gòu)，確定所述待預測事件的分析結(jié)果的可信度分布，并展示。
[0072]在上述方案中，在利用所述因子結(jié)構(gòu)，確定所述待預測事件的分析結(jié)果的可信度值之后，所述方法還可包括:
[0073]將所述待預測事件的分析結(jié)果的可信度值輸入所述數(shù)據(jù)整合模型，并返回執(zhí)行數(shù)據(jù)整合操作。
[0074]這樣操作的好處在于:通過不斷的動態(tài)訓練和可信度評估，能夠進一步提高對待預測事件進行預測得到的預測結(jié)果的準確性。
[0075]實施例二
[0076]本實施例提供一種事件預測裝置。該裝置包括:數(shù)據(jù)采集模塊、數(shù)據(jù)整合模塊、預測業(yè)務環(huán)境進行設置模塊、待關鍵因子數(shù)據(jù)分析模塊、應用場景序列訓練配置模塊、估算分析模塊和可信度分析模塊。
[0077]其中，數(shù)據(jù)采集模塊用于采集待預測事件的業(yè)務數(shù)據(jù)和環(huán)境數(shù)據(jù);數(shù)據(jù)整合模塊用于基于預先建立的數(shù)據(jù)整合模型，對所述業(yè)務數(shù)據(jù)和所述環(huán)境數(shù)據(jù)進行數(shù)據(jù)整合，得到所述待預測事件的打標數(shù)據(jù);預測業(yè)務環(huán)境進行設置模塊用于根據(jù)所述待預測事件的業(yè)務應用目標，以及所述待預測事件的打標數(shù)據(jù)，調(diào)整由所述待預測事件所屬領域的多維關鍵因子組成的環(huán)境模板的參數(shù)，得到所