一种仓单价值的预测方法及装置制造方法及图纸

本申请提供了一种仓单价值的预测方法及装置，其中，方法包括：接收交易市场推送的待预测仓单价值的数据序列；数据序列指：历史仓单物市场价格、历史仓单质押率、历史仓单价值、仓单物交易企业、仓单物销售额，仓单物季节性供应数据量、期货市场仓单物价格和仓单物交易市场仓单物交易数据分别对应的数据序列；其中，任意一种数据的数据序列指：交易市场在推送时刻之前获取的该种数据在历史中的全部数据构成的数据序列；将待预测仓单价值的数据序列，输入预设的自适应回归样条模型；所述自适应回归样条模型输出仓单价值的预测值；依据仓单价值的预测值，确定用于表示仓单价值风险的风险值。本申请可以提高仓单价值的预测准确性。

【技术实现步骤摘要】
一种仓单价值的预测方法及装置
本申请涉及数据处理领域，尤其涉及一种仓单价值的预测方法及装置。
技术介绍
我国供应链金融市场规模已超过10万亿，在我国金融市场中占有相当大的体量，随互联网+的发展，据估计到2020年，市场规模有望达到14.98万亿美元。仓储质押融资作为供应链金融中的一种模式，其占比也相当大，仓单作为质押融资的凭证，其价值变化往往受多种因素影响，且因素较为复杂。传统人工方法依托相关供应链核心企业以及与核心企业相关的交易商数据，对仓单价值进行简单数学计算，依据计算结果预测仓单价值。但是，现有方式中，依据简单计算的结果预测仓单价值，具有预测准确性低的问题。
技术实现思路
本申请提供了一种仓单价值的预测方法及装置，目的在于解决仓单价值的预测准确性低的问题。为了实现上述目的，本申请提供了以下技术方案：本申请提供了一种仓单价值的预测方法，包括：接收交易市场推送的待预测仓单价值的数据序列；所述数据序列指：历史仓单物市场价格、历史仓单质押率、历史仓单价值、仓单物交易企业、仓单物销售额，仓单物季节性供应数据量、期货市场仓单物价格和仓单物交易市场仓单物交易数据分别对应的数据序列；其中，任意一种数据的数据序列指：所述交易市场在推送时刻之前获取的该种数据在历史中的全部数据构成的数据序列；将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型；所述自适应回归样条模型输出仓单价值的预测值；所述仓单价值的预测值表示质押仓单在未来的价值；依据所述仓单价值的预测值，确定用于表示仓单价值风险的风险值。可选的，在所述将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型之前，还包括：对所述待预测仓单价值的数据序列进行预处理，得到预处理后的待预测仓单价值的数据序列；所述预处理包括：归一化和标准化处理；所述将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型，具体为：将所述预处理后的待预测仓单价值的数据序列，输入所述预设的自适应回归样条模型。可选的，所述预设的自适应回归样条模型指：采用训练样本对初始自适应回归样条模型训练得到；其中，采用训练样本对初始自适应回归样条模型的训练过程，包括：获取训练样本；采用所述训练样本对初始自适应回归样条模型进行训练，得到训练后的自适应回归样条模型；所述训练过程包括向前逐步过程、向后剪枝过程和最佳模型选择过程；其中，所述最佳模型选择过程得到的自适应回归样条模型为训练后的自适应回归样条模型。可选的，所述获取训练样本，包括：获取所述交易市场在预设时刻推送的数据序列，并作为历史数据序列；对所述历史数据序列进行分类，得到分类后的历史数据序列；将所述分类后的历史数据序列中的每一类历史数据序列，分别作为一个变量；将全部所述变量作为所述训练样本。本申请还提供了一种仓单价值的预测装置，包括：接收模块，用于接收交易市场推送的待预测仓单价值的数据序列；所述数据序列指：历史仓单物市场价格、历史仓单质押率、历史仓单价值、仓单物交易企业、仓单物销售额，仓单物季节性供应数据量、期货市场仓单物价格和仓单物交易市场仓单物交易数据分别对应的数据序列；其中，任意一种数据的数据序列指：所述交易市场在推送时刻之前获取的该种数据在历史中的全部数据构成的数据序列；输入模块，用于将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型；所述自适应回归样条模型输出仓单价值的预测值；所述仓单价值的预测值表示质押仓单在未来的价值；确定模块，用于依据所述仓单价值的预测值，确定用于表示仓单价值风险的风险值。可选的，还包括：预处理模块，用于在所述输入模块将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型之前，对所述待预测仓单价值的数据序列进行预处理，得到预处理后的待预测仓单价值的数据序列；所述预处理包括：归一化和标准化处理；所述输入模块，用于将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型，具体为：所述输入模块，具体用于将所述预处理后的待预测仓单价值的数据序列，输入所述预设的自适应回归样条模型。可选的，还包括：所述预设的自适应回归样条模型指：采用训练样本对初始自适应回归样条模型训练得到；训练模块，用于用训练样本对初始自适应回归样条模型进行训练；所述训练模块，用于采用训练样本对初始自适应回归样条模型的训练过程，包括：获取训练样本；采用所述训练样本对初始自适应回归样条模型进行训练，得到训练后的自适应回归样条模型；所述训练过程包括向前逐步过程、向后剪枝过程和最佳模型选择过程；其中，所述最佳模型选择过程得到的自适应回归样条模型为训练后的自适应回归样条模型。可选的，所述训练模块，用于获取训练样本，包括：所述训练模块，具体用于获取所述交易市场在预设时刻推送的数据序列，并作为历史数据序列；对所述历史数据序列进行分类，得到分类后的历史数据序列；将所述分类后的历史数据序列中的每一类历史数据序列，分别作为一个变量；将全部所述变量作为所述训练样本。本申请还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任一所述的仓单价值的预测方法。本申请还提供一种设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述任一所述的仓单价值的预测方法。本申请所述的仓单价值的预测方法及装置，接收交易市场推送的待预测仓单价值的数据序列；将待预测仓单价值的数据序列，输入预设的自适应回归样条模型；自适应回归样条模型输出仓单价值的预测值；仓单价值的预测值表示质押仓单在未来的价值；依据仓单价值的预测值，确定用于表示仓单价值风险的风险值。在本实施例中，一方面，由于待预测仓单价值的数据序列指：历史仓单物市场价格、历史仓单质押率、历史仓单价值、仓单物交易企业、仓单物销售额，仓单物季节性供应数据量、期货市场仓单物价格和仓单物交易市场仓单物交易数据分别对应的数据序列；即待预测仓单价值的数据序列是多种数据，即输入自适应回归样条模型的数据是多种，即数据特征丰富，并且，自适应回归样条模型也可以提取到丰富的特征，从而，采用自适应回归样条模型可以更全面的预测仓单价值，因此，本申请可以提高对仓单价值预测的准确性。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例公开的一种应用场景示意图；图2为本申请实施例公开的一种仓单价值的预测方法的流程图；图3为本申请实施例公开的一种自适应回归本文档来自技高网...

【技术保护点】
1.一种仓单价值的预测方法，其特征在于，包括：/n接收交易市场推送的待预测仓单价值的数据序列；所述数据序列指：历史仓单物市场价格、历史仓单质押率、历史仓单价值、仓单物交易企业、仓单物销售额，仓单物季节性供应数据量、期货市场仓单物价格和仓单物交易市场仓单物交易数据分别对应的数据序列；其中，任意一种数据的数据序列指：所述交易市场在推送时刻之前获取的该种数据在历史中的全部数据构成的数据序列；/n将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型；所述自适应回归样条模型输出仓单价值的预测值；所述仓单价值的预测值表示质押仓单在未来的价值；/n依据所述仓单价值的预测值，确定用于表示仓单价值风险的风险值。/n

【技术特征摘要】
1.一种仓单价值的预测方法，其特征在于，包括：
接收交易市场推送的待预测仓单价值的数据序列；所述数据序列指：历史仓单物市场价格、历史仓单质押率、历史仓单价值、仓单物交易企业、仓单物销售额，仓单物季节性供应数据量、期货市场仓单物价格和仓单物交易市场仓单物交易数据分别对应的数据序列；其中，任意一种数据的数据序列指：所述交易市场在推送时刻之前获取的该种数据在历史中的全部数据构成的数据序列；
将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型；所述自适应回归样条模型输出仓单价值的预测值；所述仓单价值的预测值表示质押仓单在未来的价值；
依据所述仓单价值的预测值，确定用于表示仓单价值风险的风险值。


2.根据权利要求1所述的方法，其特征在于，在所述将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型之前，还包括：
对所述待预测仓单价值的数据序列进行预处理，得到预处理后的待预测仓单价值的数据序列；所述预处理包括：归一化和标准化处理；
所述将所述待预测仓单价值的数据序列，输入预设的自适应回归样条模型，具体为：
将所述预处理后的待预测仓单价值的数据序列，输入所述预设的自适应回归样条模型。


3.根据权利要求1所述的方法，其特征在于，所述预设的自适应回归样条模型指：采用训练样本对初始自适应回归样条模型训练得到；
其中，采用训练样本对初始自适应回归样条模型的训练过程，包括：
获取训练样本；
采用所述训练样本对初始自适应回归样条模型进行训练，得到训练后的自适应回归样条模型；所述训练过程包括向前逐步过程、向后剪枝过程和最佳模型选择过程；其中，所述最佳模型选择过程得到的自适应回归样条模型为训练后的自适应回归样条模型。


4.根据权利要求3所述的方法，其特征在于，所述获取训练样本，包括：
获取所述交易市场在预设时刻推送的数据序列，并作为历史数据序列；
对所述历史数据序列进行分类，得到分类后的历史数据序列；
将所述分类后的历史数据序列中的每一类历史数据序列，分别作为一个变量；
将全部所述变量作为所述训练样本。


5.一种仓单价值的预测装置，其特征在于，包括：
接收模块，用于接收交易市场推送的待预测仓单价值的数据序列；所述数据序列指：历史仓单物市场价格、历史仓单质押率、历史仓单价值、仓单物交易企业、仓单物销售额，仓单物季节性供应数据量、期货市场仓单物价格和仓单物交易市场仓单物交易数据分别对应的数据序列；其...

【专利技术属性】
技术研发人员：马通，程呈，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：北京;11