预测方法、装置、电子设备及计算机可读存储介质制造方法及图纸

技术编号:20364712 阅读:25 留言:0更新日期:2019-02-16 17:21
本公开实施例公开了一种预测方法、装置、电子设备及计算机可读存储介质。该方法包括:获取与预定国家相关的跨境游数据;其中,所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据;根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。本公开的上述方式采用的跨境游数据不但包括历史外汇交易数据,还包括人们对该预定国家跨境游的关注数据,因此预测出的跨境游相关的外汇交易数据更加客观准确,能够体现出一些突发情况,为相关部门做出应对措施提供了数据支持。

【技术实现步骤摘要】
预测方法、装置、电子设备及计算机可读存储介质
本公开涉及计算机
,具体涉及一种预测方法、装置、电子设备及计算机可读存储介质。
技术介绍
当今经济日益开放条件下,无论是企业、银行、政府以及个人都不得不面对外汇交易这个客观存在,都会主动或被动地受到汇率变动的影响,当持有硬货币时,汇率的上涨会带来收益;当持有软货币时,汇率的下跌会带来损失。在外汇交易中,准确预测未来外汇交易量,能够帮助外汇运营团队精准决策,从而避免由于市场波动带来的损失。而目前外汇交易量预测方式基于简单的统计学,灵活性、适用性较差;另外,预测基于的数据源较为单一,仅是公司自持的历史交易数据,使得预测不够准确。
技术实现思路
本公开实施例提供一种预测方法、装置、电子设备及计算机可读存储介质。第一方面,本公开实施例中提供了一种预测方法,包括:获取与预定国家相关的跨境游数据;其中,所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据;根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。进一步地,所述预测方法还包括:获取多个训练样本;其中,所述训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据;利用所述多个训练样本对机器自学习模型进行训练,获得所述预测模型。进一步地,所述机器自学习模型至少包括深度神经网络。进一步地,所述跨境游数据还包括用户数据。进一步地,根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据,包括:根据用户对所述预定国家的跨境游关注数据以及预先训练好的第一预测模型预测在所述未来预定时间段内去所述预定国家旅游的人数,并根据所述人数以及在所述预定国家中的人均旅游消费确定在所述未来预定时间段内跨境游相关的第一外汇交易量;根据与所述预定国家产生的跨境游相关的历史外汇交易数据以及预先训练好的第二预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的第二外汇交易量;根据所述用户数据以及预先训练好的第三预测模型预测用户在所述未来预定时间段内与所述预定国家产生的跨境游相关的第三外汇交易量;根据所述第一外汇交易量、第二外汇交易量和第三外汇交易量以及预先训练好的第四预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易量。进一步地,所述预测方法还包括:获取多个第一训练样本;其中,所述第一训练样本至少包括第一预定历史时间段内收集的用户对所述预定国家的跨境游关注数据、以及所述第一预定历史时间段之后去所述预定国家旅游的真实人数;利用所述多个第一训练样本对预先建立的第一机器自学习模型进行训练,获得所述第一预测模型。进一步地,所述预测方法还包括:获取多个第二训练样本;其中,所述第二训练样本至少包括第二预定历史时间段内与所述预定国家产生的跨境游相关的样本外汇交易量、以及所述第二预定历史时间段之后与所述预定国家产生的跨境游相关的结果外汇交易量;根据所述多个第二训练样本对预先建立的第二机器自学习模型进行训练,获得所述第二预测模型。进一步地,所述预测方法还包括:获取多个第三训练样本;其中,所述第三训练样本至少包括第三预定历史时间段内收集的用户数据、以及所述用户数据对应的用户在所述第三预定历史时间段之后与所述预定国家产生的跨境游相关的用户外汇交易量;利用所述多个第三训练样本对预先建立的第三机器自学习模型进行训练,获得所述第三预测模型。进一步地,所述预测方法还包括:获取多个第四训练样本;其中,所述第四训练样本至少包括第四预定历史时间段内的所述第一外汇交易量、第二外汇交易量、第三外汇交易量和所述第四预定历史时间段内与所述预定国家产生的跨境游相关的外汇交易量;利用所述多个第四训练样本对预先建立的第四机器自学习模型进行训练,获得所述第四预测模型。进一步地,所述第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型至少包括深度神经网络。进一步地,用户对所述预定国家跨境游的关注数据包括用户对所述预定国家跨境游的评论数据。第二方面,本公开实施例提供了一种预测装置,包括:第一获取模块,被配置为获取与预定国家相关的跨境游数据;其中,所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据;预测模块,被配置为根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。进一步地,所述预测装置还包括:第二获取模块,被配置为获取多个训练样本;其中,所述训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据;第一训练模块,被配置为利用所述多个训练样本对机器自学习模型进行训练,获得所述预测模型。进一步地,所述机器自学习模型至少包括深度神经网络。进一步地,所述跨境游数据还包括用户数据。进一步地,所述预测模块,包括:第一预测子模块,被配置为根据用户对所述预定国家的跨境游关注数据以及预先训练好的第一预测模型预测在所述未来预定时间段内去所述预定国家旅游的人数,并根据所述人数以及在所述预定国家中的人均旅游消费确定在所述未来预定时间段内跨境游相关的第一外汇交易量;第二预测子模块,被配置为根据与所述预定国家产生的跨境游相关的历史外汇交易数据以及预先训练好的第二预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的第二外汇交易量;第三预测子模块,被配置为根据所述用户数据以及预先训练好的第三预测模型预测用户在所述未来预定时间段内与所述预定国家产生的跨境游相关的第三外汇交易量;第四预测子模块,被配置为根据所述第一外汇交易量、第二外汇交易量和第三外汇交易量以及预先训练好的第四预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易量。进一步地,所述预测装置还包括:第三获取模块,被配置为获取多个第一训练样本;其中,所述第一训练样本至少包括第一预定历史时间段内收集的用户对所述预定国家的跨境游关注数据、以及所述第一预定历史时间段之后去所述预定国家旅游的真实人数;第二训练模块,被配置为利用所述多个第一训练样本对预先建立的第一机器自学习模型进行训练,获得所述第一预测模型。进一步地,所述预测装置还包括:第四获取模块,被配置为获取多个第二训练样本;其中,所述第二训练样本至少包括第二预定历史时间段内与所述预定国家产生的跨境游相关的样本外汇交易量、以及所述第二预定历史时间段之后与所述预定国家产生的跨境游相关的结果外汇交易量;第三训练模块,被配置为根据所述多个第二训练样本对预先建立的第二机器自学习模型进行训练,获得所述第二预测模型。进一步地,所述预测装置还包括:第五获取模块,被配置为获取多个第三训练样本;其中,所述第三训练样本至少包括第三预定历史时间段内收集的用户数据、以及所述用户数据对应的用户在所述第三预定历史时间段之后与所述预定国家产生的跨境游相关的用户外汇交易量;第四训练模块,被配置为利用所述多个第三训练样本对预先建立的第三机器自学习模型进行训练,获得所述第三预测模型。进一步地,所述预测装置还包括:第六获取模块,被配置为获取多个第四训练样本本文档来自技高网...

【技术保护点】
1.一种预测方法,其特征在于,包括:获取与预定国家相关的跨境游数据;其中,所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据;根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。

【技术特征摘要】
1.一种预测方法,其特征在于,包括:获取与预定国家相关的跨境游数据;其中,所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据;根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。2.根据权利要求1所述的预测方法,其特征在于,所述预测方法还包括:获取多个训练样本;其中,所述训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据;利用所述多个训练样本对机器自学习模型进行训练,获得所述预测模型。3.根据权利要求2所述的预测方法,其特征在于,所述机器自学习模型至少包括深度神经网络。4.根据权利要求1-3任一项所述的预测方法,其特征在于,所述跨境游数据还包括用户数据。5.根据权利要求4所述的预测方法,其特征在于,根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据,包括:根据用户对所述预定国家的跨境游关注数据以及预先训练好的第一预测模型预测在所述未来预定时间段内去所述预定国家旅游的人数,并根据所述人数以及在所述预定国家中的人均旅游消费确定在所述未来预定时间段内跨境游相关的第一外汇交易量;根据与所述预定国家产生的跨境游相关的历史外汇交易数据以及预先训练好的第二预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的第二外汇交易量;根据所述用户数据以及预先训练好的第三预测模型预测用户在所述未来预定时间段内与所述预定国家产生的跨境游相关的第三外汇交易量;根据所述第一外汇交易量、第二外汇交易量和第三外汇交易量以及预先训练好的第四预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易量。6.根据权利要求5所述的预测方法,其特征在于,所述预测方法还包括:获取多个第一训练样本;其中,所述第一训练样本至少包括第一预定历史时间段内收集的用户对所述预定国家的跨境游关注数据、以及所述第一预定历史时间段之后去所述预定国家旅游的真实人数;利用所述多个第一训练样本对预先建立的第一机器自学习模型进行训练,获得所述第一预测模型。7.根据权利要求5所述的预测方法,其特征在于,所述预测方法还包括:获取多个第二训练样本;其中,所述第二训练样本至少包括第二预定历史时间段内与所述预定国家产生的跨境游相关的样本外汇交易量、以及所述第二预定历史时间段之后与所述预定国家产生的跨境游相关的结果外汇交易量;根据所述多个第二训练样本对预先建立的第二机器自学习模型进行训练,获得所述第二预测模型。8.根据权利要求5所述的预测方法,其特征在于,所述预测方法还包括:获取多个第三训练样本;其中,所述第三训练样本至少包括第三预定历史时间段内收集的用户数据、以及所述用户数据对应的用户在所述第三预定历史时间段之后与所述预定国家产生的跨境游相关的用户外汇交易量;利用所述多个第三训练样本对预先建立的第三机器自学习模型进行训练,获得所述第三预测模型。9.根据权利要求5-8任一项所述的预测方法,其特征在于,所述预测方法还包括:获取多个第四训练样本;其中,所述第四训练样本至少包括第四预定历史时间段内的所述第一外汇交易量、第二外汇交易量、第三外汇交易量和所述第四预定历史时间段内与所述预定国家产生的跨境游相关的外汇交易量;利用所述多个第四训练样本对预先建立的第四机器自学习模型进行训练,获得所述第四预测模型。10.根据权利要求6-9任一项所述的预测方法,其特征在于,所述第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型至少包括深度神经网络。11.根据权利要求1-3、5-8任一项所述的预测方法,其特征在于,用户对所述预定国家跨境游的关注数据包括用户对所述预定国家跨境游的评论数据。12.一种预测装置,其特征在于,包括:第一获取模块,被配置为获取与预定国家相关的跨境游数据;其中,所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据;预测模块,被配置为根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨...

【专利技术属性】
技术研发人员:黄涛
申请(专利权)人:阿里巴巴集团控股有限公司
类型:发明
国别省市:开曼群岛,KY

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1