(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111574875.9 (22)申请日 2021.12.21 (71)申请人 航天科工网络信息发展 有限公司 地址 430040 湖北省武汉市临 空港经济技 术开发区五环大道6 66号(21) (72)发明人 史文遵　刘佳雯　刘建方　 (74)专利代理 机构 中国航天科工集团公司专利 中心 11024 代理人 张国虹 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06N 20/20(2019.01) G06K 9/62(2022.01) (54)发明名称 基于多维特征融合学习的人口流失预警方 法、 装置及设备 (57)摘要 本说明书公开了一种基于多维特征融合学 习的人口流失预警方法、 装置及设备， 包括： 确定 人员的多维特征集， 所述多维特征为目标人员在 人口流失相关的多个预设维度上的特征； 将所述 多维特征集作为预建立Stacking集成模型的输 入， 得到目标人员的流失分析结果； 其中， 所述 Stacking集成模型包括第一层的多个学习器和 第二层的Stacking模型， 所述多个学习器分别对 所述多维特征集中的特征进行K折交叉验证， 并 将预测结果作为所述Stacking模型的输入， 得到 所述流失分析结果； 所述Stacking集成模型基于 人员对应的训练样本及训练样本对应流失标签 训练得到， 所述训练样本具有与所述多维特征集 相同维度的特征， 所述流失标签用于表征人员是 否流失。 由此， 可采用多维特征融合集成模型对 人员流失做预判分析， 对人口流失行为进行事前 预警， 为区域 提供决策服 务。 权利要求书2页 说明书10页 附图5页 CN 114418186 A 2022.04.29 CN 114418186 A 1.一种基于多维特 征融合学习的人口流失预警方法， 其特 征在于， 包括： 确定人员的多维特征集， 所述多维特征为目标人员在人口流失相关的多个预设维度 上 的特征； 将所述多维特征集作为预建立Stacking集成模型的输入， 得到目标人员的流失分析结 果； 其中， 所述Stacking集 成模型包括第一层的多个学习器和第二层的Stacking模 型， 所述 多个学习器分别对所述多维特征集中的特征进行K折交叉验证， 并将预测结果作为所述 Stacking模型的输入， 得到所述流失分析结果； 所述Stacking集成模型基于人员对应的训 练样本及训练样本对应流 失标签训练得到， 所述训练样本具有与所述多维特征集相同维度 的特征， 所述流失标签用于表征 人员是否流失。 2.根据权利要求1所述的方法， 其特 征在于， 所述确定人员的多维特 征集， 包括： 获取目标 人员的源数据， 所述源数据包括所述多个预设维度相关的数据； 对所述源数据进行 预处理， 得到符合标准的数据； 对所述符合标准的数据进行 特征选择处 理， 得到多维特 征集。 3.根据权利要求2所述的方法， 其特 征在于， 所述多个预设维度包括个人相关维度、 工作相关维度和家 庭相关维度； 所述多维特征集包括个人相关维度的特征、 工作相关维度的特征和家庭相关维度的特 征。 4.根据权利要求2所述的方法， 其特征在于， 所述对所述符合标准的数据进行特征选择 处理， 得到多维特 征集， 包括： 基于所述符合标准的数据， 得到特 征集； 对所述特 征集中的特 征进行相关性分析， 并剔除满足相关度条件的重复特 征； 对所述特征集中的特征进行特征评价处理， 得到满足筛选条件的特征并构建出所述多 维特征集。 5.根据权利要求1所述的方法， 其特征在于， 在所述将所述多维特征集作为预建立 Stacking集成模型的输入之前， 所述方法还 包括： 获取目标群体的源数据， 所述目标群体包括人口流失比例大于预设人口流失标准的地 区的人员； 基于所述目标群 体的源数据， 得到多维特 征样本集； 对所述多维特征样本集中属于不同维度的特征进行融合处理， 得到多个特征子集， 并 分别作为Stacking集 成模型中第一层的多个学习器的特征子集， 且不同学习器的特征子集 对应的维度不同； 基于各学习器对应的特 征子集， 对各 学习器进行训练； 将第一层的学习器的模型输出结果作为训练第二层的Stacking模型的数据集对 Stacking模型进行训练。 6.根据权利要求5所述的方法， 其特征在于， 所述基于各学习器对应的特征子集， 对各 学习器进行训练， 将第一层的学习器的模 型输出结果作为训练第二层的Stacking模 型的数 据集对Stack ing模型进行训练， 包括： 对目标特征子集进行K折交叉处理， 得到K个训练子集， 所述目标特征子集为所述多个 学习器中目标 学习器对应的特 征子集；权　利　要　求　书 1/2 页 2 CN 114418186 A 2基于所述目标学习器和所述K个训练子集， 分别进行K折交叉验证， 将每个K折交叉验证 得到的结果 集进行合并处 理， 得到所述目标 学习器对应的模型输出 结果； 将各学习器对应的模型输出结果， 作为新的训练集和测试集对Stacking模型进行训 练。 7.根据权利要求5所述的方法， 其特 征在于， 所述第一层的多个学习器包括： 随机森林、 梯度回归树、 逻辑回归。 8.一种基于多维特 征融合学习的人口流失预警装置， 其特 征在于， 包括： 确定模块， 用于确定人员的多维特征集， 所述多维特征为目标人员在人口流失相关的 多个预设维度上的特 征； 处理模块， 用于将所述多维特征集作为预建立Stacking集成模型的输入， 得到目标人 员的流失分析结果； 其中， 所述Stacking集成模型包括第一层的多个学习器和第二层的 Stacking模 型， 所述多个学习器 分别对所述多维特征集中的特征进 行K折交叉验证， 并将预 测结果作为所述Stacking模型的输入， 得到所述流失分析结果； 所述Stacking集成模型基 于人员对应的训练样本及训练样本对应流失标签训练得到， 所述训练样本具有与所述多维 特征集相同维度的特 征， 所述流失标签用于表征 人员是否流失。 9.根据权利要求8所述的装置， 其特 征在于， 还 包括： 模型训练模块， 用于获取目标群体的源数据， 所述目标群体包括人口流失比例大于预 设人口流失标准的地区的人员； 基于所述目标群体的源数据， 得到多维特征样本集； 对所述 多维特征样本集中属于不同维度的特征进行融合处理， 得到多个特征子集， 并分别作为 Stacking集 成模型中第一层的多个学习器的特征子集， 且不同学习器的特征子集对应的维 度不同； 基于各学习器对应的特征子集， 对各学习器进 行训练； 将第一层的学习器的模型输 出结果作为训练第二层的Stack ing模型的数据集对Stack ing模型进行训练。 10.一种电子设备， 其特征在于， 所述电子设备包括处理器和所述处理器电连接的存储 器， 所述存储器用于存储计算机程序， 所述处理器用于调用所述计算机程序以执行如下步 骤： 确定人员的多维特征集， 所述多维特征为目标人员在人口流失相关的多个预设维度 上 的特征； 将所述多维特征集作为预建立Stacking集成模型的输入， 得到目标人员的流失分析结 果； 其中， 所述Stacking集 成模型包括第一层的多个学习器和第二层的Stacking模 型， 所述 多个学习器分别对所述多维特征集中的特征进行K折交叉验证， 并将预测结果作为所述 Stacking模型的输入， 得到所述流失分析结果； 所述Stacking集成模型基于人员对应的训 练样本及训练样本对应流 失标签训练得到， 所述训练样本具有与所述多维特征集相同维度 的特征， 所述流失标签用于表征 人员是否流失。权　利　要　求　书 2/2 页 3 CN 114418186 A 3