智能的预测模型选择方法及装置制造方法及图纸

本发明专利技术提供了一种智能的预测模型选择方法及装置，涉及数据处理的技术领域，包括：先获取待处理的时间序列；其中，待处理的时间序列为用户在执行金融交易操作之后得到的交易数据；然后对待处理的时间序列进行特性分析，得到待处理的时间序列的特性信息；其中，特性信息用于表征待处理的时间序列的时间特性；从预设预测模型库中查找与特性信息相匹配的候选预测模型；最后基于待处理的时间序列，从相匹配的候选预测模型中选择出最优预测模型，以通过最优预测模型预测未来目标时间段内所产生的交易数据。本发明专利技术通过待处理的时间序列的特性信息选择最优预测模型的方式，提高了选择出最优预测模型的成功率，进而提高了预测结果的准确性。

【技术实现步骤摘要】
智能的预测模型选择方法及装置
本专利技术涉及数据处理
，尤其是涉及一种智能的预测模型选择方法及装置。
技术介绍
为了有效预测银行在未来某一时间段内的交易数据，需要对预测模型进行合理地选择。现有的预测模型选择方法存在以下缺陷：在时间序列中近期数据有异常时，即使对时间序列进行平滑处理，也无法消除异常数据的影响。同时，不同的预测模型受异常数据的影响程度不同。若仅考虑近期异常数据，简单的平均模型为最优模型。但是考虑整个数据长度的时间序列，Holt-winters模型为最优模型，由于现有技术的缺陷，简单的平均模型可能会被选择为最优模型。因此，在时间序列的近期数据有异常时，现有方法存在选择最优预测模型的正确率较低、可靠性差的缺陷，容易使得预测的结果不准确。
技术实现思路
本专利技术的目的在于提供一种智能的预测模型选择方法及装置，以缓解了现有技术中存在的选择最优预测模型的正确率较低、可靠性差的缺陷，容易使得预测的结果不准确的技术问题。第一方面，本专利技术提供的一种智能的预测模型选择方法，其中，包括：获取待处理的时间序列；其中，所述待处理的时间序列为用户在执行金融交易操作之后得到的交易数据；对所述待处理的时间序列进行特性分析，得到所述待处理的时间序列的特性信息；其中，所述特性信息用于表征所述待处理的时间序列的时间特性，所述时间特性包括以下至少一种：周期性、非周期性、线性、非线性、自相关性和非自相关性；从预设预测模型库中查找与所述特性信息相匹配的候选预测模型；基于所述待处理的时间序列，从所述相匹配的候选预测模型中选择出最优预测模型，以通过所述最优预测模型预测未来目标时间段内所产生的交易数据。进一步地，基于所述待处理的时间序列，从所述相匹配的候选预测模型中选择出最优预测模型包括：基于所述待处理的时间序列确定数据训练样本和数据测试样本；基于所述数据训练样本和所述数据测试样本，在所述相匹配的候选预测模型中确定所述最优预测模型。进一步地，所述相匹配的候选预测模型的数量为多个；基于所述数据训练样本和所述数据测试样本，在所述相匹配的候选预测模型中确定所述最优预测模型包括：通过所述数据训练样本对每个候选预测模型进行训练；将所述数据测试样本分别输入至每个训练之后的候选预测模型，得到多组预测数据；其中，每个候选预测模型输出一组所述预测数据；基于每组所述预测数据和所述数据测试样本所对应的真实数据，计算每个候选预测模型的目标误差；其中，所述目标误差包括以下至少之一：均方误差，均方根误差，平均绝对误差，平均绝对百分比误差，对称平均绝对百分比误差和平均绝对比例误差；将所述目标误差最小的候选预测模型确定为所述最优预测模型。进一步地，对所述待处理的时间序列进行特性分析包括：将所述待处理的时间序列进行预处理，并对预处理之后得到的所述待处理的时间序列进行特性分析；其中，所述预处理包括平滑处理。进一步地，所述预设预测模型库中的预测模型包括以下至少一种：朴素贝叶斯模型，平均模型，滑动平均模型，指数平滑模型，自回归移动平均模型；其中，所述指数平滑模型包括：一次指数平滑模型，两次指数平滑模型和三次指数平滑模型。第二方面，本专利技术提供的一种智能的预测模型选择装置，其中，包括：获取单元，用于获取待处理的时间序列；其中，所述待处理的时间序列为用户在执行金融交易操作之后得到的交易数据；特性分析单元，用于对所述待处理的时间序列进行特性分析，得到所述待处理的时间序列的特性信息；其中，所述特性信息用于表征所述待处理的时间序列的时间特性，所述时间特性包括以下至少一种：周期性、非周期性、线性、非线性、自相关性和非自相关性；查找单元，用于从预设预测模型库中查找与所述特性信息相匹配的候选预测模型；选择单元，用于基于所述待处理的时间序列，从所述相匹配的候选预测模型中选择出最优预测模型，以通过所述最优预测模型预测未来目标时间段内所产生的交易数据。进一步地，选择单元包括：第一确定模块，用于基于所述待处理的时间序列确定数据训练样本和数据测试样本；第二确定模块，用于基于所述数据训练样本和所述数据测试样本，在所述相匹配的候选预测模型中确定所述最优预测模型。进一步地，所述相匹配的候选预测模型的数量为多个；第二确定模块包括：训练子模块，用于通过所述数据训练样本对每个候选预测模型进行训练；输入子模块，用于将所述数据测试样本分别输入至每个训练之后的候选预测模型，得到多组预测数据；其中，每个候选预测模型输出一组所述预测数据；计算子模块，用于基于每组所述预测数据和所述数据测试样本所对应的真实数据，计算每个候选预测模型的目标误差；其中，所述目标误差包括以下至少之一：均方误差，均方根误差，平均绝对误差，平均绝对百分比误差，对称平均绝对百分比误差和平均绝对比例误差；确定子模块，用于将所述目标误差最小的候选预测模型确定为所述最优预测模型。第三方面，本专利技术实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现所述的智能的预测模型选择方法。第四方面，本专利技术实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行所述的智能的预测模型选择方法。本专利技术提供的一种智能的预测模型选择方法及装置，先获取待处理的时间序列；其中，待处理的时间序列为用户在执行金融交易操作之后得到的交易数据；然后对待处理的时间序列进行特性分析，得到待处理的时间序列的特性信息；其中，特性信息用于表征待处理的时间序列的时间特性，时间特性包括以下至少一种：周期性、非周期性、线性、非线性、自相关性和非自相关性；从预设预测模型库中查找与特性信息相匹配的候选预测模型；最后基于待处理的时间序列，从相匹配的候选预测模型中选择出最优预测模型，以通过最优预测模型预测未来目标时间段内所产生的交易数据。本专利技术通过待处理的时间序列的特性信息选择最优预测模型的方式，不易受异常数据的影响，提高了选择出最优预测模型的成功率，进而提高了预测结果的准确性。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，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他的附图。图1为本专利技术实施例提供的一种智能的预测模型选择方法的流程图；图2为图1中步骤S104的流程示意图；图3为图2中步骤S202的流程示意图；图4为本专利技术实施例提供的一种智能的预测模型选择装置的结构示意图。图标：11-本文档来自技高网...

【技术保护点】
1.一种智能的预测模型选择方法，其特征在于，包括：/n获取待处理的时间序列；其中，所述待处理的时间序列为用户在执行金融交易操作之后得到的交易数据；/n对所述待处理的时间序列进行特性分析，得到所述待处理的时间序列的特性信息；其中，所述特性信息用于表征所述待处理的时间序列的时间特性，所述时间特性包括以下至少一种：周期性、非周期性、线性、非线性、自相关性和非自相关性；/n从预设预测模型库中查找与所述特性信息相匹配的候选预测模型；/n基于所述待处理的时间序列，从所述相匹配的候选预测模型中选择出最优预测模型，以通过所述最优预测模型预测未来目标时间段内所产生的交易数据。/n

【技术特征摘要】
1.一种智能的预测模型选择方法，其特征在于，包括：
获取待处理的时间序列；其中，所述待处理的时间序列为用户在执行金融交易操作之后得到的交易数据；
对所述待处理的时间序列进行特性分析，得到所述待处理的时间序列的特性信息；其中，所述特性信息用于表征所述待处理的时间序列的时间特性，所述时间特性包括以下至少一种：周期性、非周期性、线性、非线性、自相关性和非自相关性；
从预设预测模型库中查找与所述特性信息相匹配的候选预测模型；
基于所述待处理的时间序列，从所述相匹配的候选预测模型中选择出最优预测模型，以通过所述最优预测模型预测未来目标时间段内所产生的交易数据。


2.根据权利要求1所述的方法，其特征在于，基于所述待处理的时间序列，从所述相匹配的候选预测模型中选择出最优预测模型包括：
基于所述待处理的时间序列确定数据训练样本和数据测试样本；
基于所述数据训练样本和所述数据测试样本，在所述相匹配的候选预测模型中确定所述最优预测模型。


3.根据权利要求2所述的方法，其特征在于，所述相匹配的候选预测模型的数量为多个；
基于所述数据训练样本和所述数据测试样本，在所述相匹配的候选预测模型中确定所述最优预测模型包括：
通过所述数据训练样本对每个候选预测模型进行训练；
将所述数据测试样本分别输入至每个训练之后的候选预测模型，得到多组预测数据；其中，每个候选预测模型输出一组所述预测数据；
基于每组所述预测数据和所述数据测试样本所对应的真实数据，计算每个候选预测模型的目标误差；其中，所述目标误差包括以下至少之一：均方误差，均方根误差，平均绝对误差，平均绝对百分比误差，对称平均绝对百分比误差和平均绝对比例误差；
将所述目标误差最小的候选预测模型确定为所述最优预测模型。


4.根据权利要求1所述的方法，其特征在于，对所述待处理的时间序列进行特性分析包括：
将所述待处理的时间序列进行预处理，并对预处理之后得到的所述待处理的时间序列进行特性分析；其中，所述预处理包括平滑处理。


5.根据权利要求4所述的方法，其特征在于，所述预设预测模型库中的预测模型包括以下至少一种：朴素贝叶斯模型，平均模型，滑动平均模型，指数平滑模型，自回归移动平均模型；其中，所述指数平滑模型包括...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：华青融天北京软件股份有限公司，
类型：发明
国别省市：北京;11