本技术涉及人工智能，特别是涉及一种数据预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
背景技术：
1、随着人工智能技术的发展，在共享电单车行业中，对于用户的消费行为渗透率的预测越来越普遍，渗透率可以帮助运营平台分析其市场渗透程度，进而评估市场潜力。
2、传统技术中，对于市场分析使用的是logit回归模型（logit model，评定模型），在与共享电单车行业用户消费行为相关的数据中，选择影响用户消费行为渗透率的变量作为自变量，将选定的变量导入logit回归模型中进行建模，进而基于logit回归模型对单一分层类型的用户的用户数据中，影响用户消费行为渗透率的变量进行分析和预测，得到当前分层类型的用户的渗透率。
3、然而，传统技术中，由于logit回归模型仅能对每个用户类型进行独立学习，导致数据稀疏的问题，进而导致对用户渗透率预测的准确性较差。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种数据预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本技术提供了一种数据预测方法，包括：
3、获取各分层类型的用户的用户特征数据和资源转换数值；
4、根据数据预测模型对所述各分层类型的用户的所述用户特征数据进行资源转换敏感度分析和弹性数据渗透指标分析，得到敏感度参数和弹性指标参数；
5、基于所述数据预测模型对所述敏感度参数、所述弹性指标参数以及各所述资源转换数值进行数据渗透指标结果预测，得到各所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果。
6、在其中一个实施例中，所述基于所述数据预测模型对所述敏感度参数、所述弹性指标参数以及各所述资源转换数值进行数据渗透指标结果预测，得到各所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果，包括：
7、根据所述数据预测模型中的数据评定结构对所述弹性指标参数进行数据处理，得到初始数据渗透指标结果；
8、基于所述敏感度参数、所述资源转换数值和所述数据评定结构对所述初始数据渗透指标结果进行修正和约束，得到每个所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果。
9、在其中一个实施例中，所述获取各分层类型的用户的用户特征数据和资源转换数值之前，所述方法还包括：
10、获取待训练的数据预测模型的神经网络结构和初始样本集；
11、根据倾向分匹配规则对所述初始样本集进行实验样本集和对照样本集的筛选，并基于所述实验样本集和所述对照样本集构建目标样本集；
12、根据所述目标样本集对所述神经网络结构进行训练，在神经网络结构满足预设迭代条件时，在神经网络结构的基础上结合数据评定结构，得到训练完成的数据预测模型。
13、在其中一个实施例中，所述根据倾向分匹配规则对所述初始样本集进行实验样本集和对照样本集的筛选，并基于所述实验样本集和所述对照样本集构建目标样本集，包括：
14、根据倾向分预测模型对所述初始样本集进行预测处理，得到所述初始样本集中每个用户样本对应的倾向性得分；
15、将所述初始样本集中每一分层类型的用户在每一资源转换数值下的样本集作为实验样本集，基于所述倾向性得分，在所述分层类型的用户的其他资源转换数值的其他实验样本集中确定与所述实验样本集相匹配的对照样本集；
16、基于各所述实验样本集和所述实验样本集对应的所述对照样本集，构建目标样本集。
17、在其中一个实施例中，所述将所述初始样本集中每一分层类型的用户在每一资源转换数值下的样本集作为实验样本集，基于所述倾向性得分，在所述分层类型的用户的其他资源转换数值的其他实验样本集中确定与所述实验样本集相匹配的对照样本集，包括：
18、在各所述分层类型中，针对每一所述资源转换数值中的实验样本集，按照最近邻匹配算法检索与所述实验样本集中各所述用户样本的所述倾向性得分相匹配的目标倾向性得分；
19、基于所述目标倾向性得分确定与所述实验样本集相匹配的对照样本集。
20、在其中一个实施例中，所述基于各所述实验样本集和所述实验样本集对应的所述对照样本集，构建目标样本集，包括：
21、计算各所述实验样本集和所述实验样本集对应的所述对照样本集之间的标准化均值差；
22、在所述标准化均值差满足预设阈值条件的情况下，将各所述实验样本集和所述实验样本集对应的所述对照样本集确定为目标样本集。
23、第二方面，本技术还提供了一种数据预测装置，包括：
24、第一获取模块，用于获取各分层类型的用户的用户特征数据和资源转换数值；
25、分析模块，用于根据数据预测模型对所述各分层类型的用户的所述用户特征数据进行资源转换敏感度分析和弹性数据渗透指标分析，得到敏感度参数和弹性指标参数；
26、预测模块，用于基于所述数据预测模型对所述敏感度参数、所述弹性指标参数以及各所述资源转换数值进行数据渗透指标结果预测，得到各所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果。
27、在其中一个实施例中，所述预测模块具体用于根据所述数据预测模型中的数据评定结构对所述弹性指标参数进行数据处理，得到初始数据渗透指标结果；
28、基于所述敏感度参数、所述资源转换数值和所述数据评定结构对所述初始数据渗透指标结果进行修正和约束，得到每个所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果。
29、在其中一个实施例中，所述装置还包括：
30、第二获取模块，用于获取待训练的数据预测模型的神经网络结构和初始样本集；
31、筛选模块，用于根据倾向分匹配规则对所述初始样本集进行实验样本集和对照样本集的筛选，并基于所述实验样本集和所述对照样本集构建目标样本集；
32、训练模块，用于根据所述目标样本集对所述神经网络结构进行训练，在神经网络结构满足预设迭代条件时，在神经网络结构的基础上结合数据评定结构，得到训练完成的数据预测模型。
33、在其中一个实施例中，所述筛选模块具体用于根据倾向分预测模型对所述初始样本集进行预测处理，得到所述初始样本集中每个用户样本对应的倾向性得分；
34、将所述初始样本集中每一分层类型的用户在每一资源转换数值下的样本集作为实验样本集，基于所述倾向性得分，在所述分层类型的用户的其他资源转换数值的其他实验样本集中确定与所述实验样本集相匹配的对照样本集；
35、基于各所述实验样本集和所述实验样本集对应的所述对照样本集，构建目标样本集。
36、在其中一个实施例中，所述筛选模块具体用于在各所述分层类型中，针对每一所述资源转换数值中的实验样本集，按照最近邻匹配算法检索与所述实验样本集中各所述用户样本的所述倾向性得分相匹配的目标倾向性得分；
37、基于所述目标倾向性得分确定与所述实验样本集相匹配的对照样本集。
38、在其中一个实施例中，所述筛选模块具体用于计算各所述实验样本集和所述实验样本集对应的所述对照样本集之间的标准化均值差；
39、在所述标准化均值差满足预设阈值条件的情况下，将各所述实验样本集和所述实验样本集对应的所述对照样本集确定为目标样本集。
40、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
41、获取各分层类型的用户的用户特征数据和资源转换数值；
42、根据数据预测模型对所述各分层类型的用户的所述用户特征数据进行资源转换敏感度分析和弹性数据渗透指标分析，得到敏感度参数和弹性指标参数；
43、基于所述数据预测模型对所述敏感度参数、所述弹性指标参数以及各所述资源转换数值进行数据渗透指标结果预测，得到各所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果。
44、第四方面，本技术还提供了一种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下步骤：
45、获取各分层类型的用户的用户特征数据和资源转换数值；
46、根据数据预测模型对所述各分层类型的用户的所述用户特征数据进行资源转换敏感度分析和弹性数据渗透指标分析，得到敏感度参数和弹性指标参数；
47、基于所述数据预测模型对所述敏感度参数、所述弹性指标参数以及各所述资源转换数值进行数据渗透指标结果预测，得到各所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果。
48、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
49、获取各分层类型的用户的用户特征数据和资源转换数值；
50、根据数据预测模型对所述各分层类型的用户的所述用户特征数据进行资源转换敏感度分析和弹性数据渗透指标分析，得到敏感度参数和弹性指标参数；
51、基于所述数据预测模型对所述敏感度参数、所述弹性指标参数以及各所述资源转换数值进行数据渗透指标结果预测，得到各所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果。
52、上述数据预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，获取各分层类型的用户的用户特征数据和资源转换数值；根据数据预测模型对所述各分层类型的用户的所述用户特征数据进行资源转换敏感度分析和弹性数据渗透指标分析，得到敏感度参数和弹性指标参数；基于所述数据预测模型对所述敏感度参数、所述弹性指标参数以及各所述资源转换数值进行数据渗透指标结果预测，得到各所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果。采用本方法，根据数据预测模型对各分层类型的用户的用户特征数据进行资源转换敏感度分析和弹性数据渗透指标分析，基于预先学习到的各分层类型间用户特征的结合信息，分析计算敏感度参数和弹性指标参数，可以实现不同分层类型的用户特征数据间的信息共享，避免数据稀疏问题，并根据敏感度参数和弹性指标参数对数据渗透指标结果进行预测，保证数据渗透指标结果在合理范围，进而提高数据预测的准确性。
1.一种数据预测方法，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，所述基于所述数据预测模型对所述敏感度参数、所述弹性指标参数以及各所述资源转换数值进行数据渗透指标结果预测，得到各所述分层类型的用户在各所述资源转换数值下的数据渗透指标结果，包括：
3.根据权利要求1所述的方法，其特征在于，所述获取各分层类型的用户的用户特征数据和资源转换数值之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述根据倾向分匹配规则对所述初始样本集进行实验样本集和对照样本集的筛选，并基于所述实验样本集和所述对照样本集构建目标样本集，包括：
5.根据权利要求4所述的方法，其特征在于，所述将所述初始样本集中每一分层类型的用户在每一资源转换数值下的样本集作为实验样本集，基于所述倾向性得分，在所述分层类型的用户的其他资源转换数值的其他实验样本集中确定与所述实验样本集相匹配的对照样本集，包括：
6.根据权利要求4所述的方法，其特征在于，所述基于各所述实验样本集和所述实验样本集对应的所述对照样本集，构建目标样本集，包括：
7.一种数据预测装置，其特征在于，所述装置包括：
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，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6中任一项所述的方法的步骤。
