基于时间序列的头寸预测方法、装置、设备和介质制造方法及图纸

本申请公开了一种基于时间序列的头寸预测方法、装置、设备和介质，所述基于时间序列的头寸预测方法包括：获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据；对所述增强数据进行时间特征分解，以扩展所述增强数据的特征维度，获得优化时间序列数据；基于所述优化时间序列数据，构建目标时间序列模型；获取待预测头寸数据，并将所述待预测头寸数据输入所述目标时间序列模型，对所述待预测头寸数据进行基于时间序列的头寸预测，获得头寸预测结果。本申请解决了头寸预测不准确的技术问题。

【技术实现步骤摘要】
基于时间序列的头寸预测方法、装置、设备和介质
本申请涉及金融科技(Fintech)的机器学习
，尤其涉及一种基于时间序列的头寸预测方法、装置、设备和介质。
技术介绍
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。随着计算机技术的不断发展，机器学习的应用领域也越来越广泛，时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列，目前，通常直接基于具备平稳性性质的数据直接构建时间序列模型，但是，在一些建模场景中，建模数据通常为小样本数据，例如头寸数据等，而由于头寸数据的样本数量和特征数量都较少，进而导致时间序列模型在建模时容易发生模型过拟合的情况，进而在对头寸数据进行头寸预测时通常存在预测不准确的情况。
技术实现思路
本申请的主要目的在于提供一种基于时间序列的头寸预测方法、装置、设备和介质，旨在解决现有技术中头寸预测准确性低的技术问题。为实现上述目的，本申请提供一种基于时间序列的头寸预测方法，所述基于时间序列的头寸预测方法应用于基于时间序列的头寸预测设备，所述基于时间序列的头寸预测方法包括：获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据；对所述增强数据进行时间特征分解，以扩展所述增强数据的特征维度，获得优化时间序列数据；基于所述优化时间序列数据，构建目标时间序列模型。>本申请还提供一种基于时间序列的头寸预测装置，所述基于时间序列的头寸预测装置为虚拟装置，且所述基于时间序列的头寸预测装置应用于基于时间序列的头寸预测设备，所述基于时间序列的头寸预测装置包括：样本数量扩展模块，用于获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据；特征维度扩展模块，用于对所述增强数据进行时间特征分解，以扩展所述增强数据的特征维度，获得优化时间序列数据；模型构建模块，用于基于所述优化时间序列数据，构建目标时间序列模型；头寸预测模块，用于获取待预测头寸数据，并将所述待预测头寸数据输入所述目标时间序列模型，对所述待预测头寸数据进行基于时间序列的头寸预测，获得头寸预测结果。本申请还提供一种基于时间序列的头寸预测设备，所述基于时间序列的头寸预测设备为实体设备，所述基于时间序列的头寸预测设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于时间序列的头寸预测方法的程序，所述基于时间序列的头寸预测方法的程序被处理器执行时可实现如上述的基于时间序列的头寸预测方法的步骤。本申请还提供一种介质，所述介质为可读存储介质，所述可读存储介质上存储有实现基于时间序列的头寸预测方法的程序，所述基于时间序列的头寸预测方法的程序被处理器执行时实现如上述的基于时间序列的头寸预测方法的步骤。本申请提供了一种基于时间序列的头寸预测方法、装置、设备和介质，相比于现有技术采用的直接基于具备平稳性性质的数据直接构建时间序列模型的技术手段，本申请获取时间序列数据之后，首先对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据，进而实现了在样本数量上对时间序列数据进行扩展的目的，进而对所述增强数据进行时间特征分解，以扩展所述增强数据的特征维度，获得优化时间序列数据，进而实现了在特征维度上对时间序列数据进行扩展的目的，进而基于所述优化时间序列数据，构建目标时间序列模型，即可实现了基于样本数量和特征维度更高的数据构建时间序列模型的目的，进而提升了时间序列模型的泛化能力，使得时间序列模型不容易过拟合，进而获取待预测头寸数据，并将所述待预测头寸数据输入所述目标时间序列模型，对所述待预测头寸数据进行基于时间序列的头寸预测，获得头寸预测结果，即可克服现有技术中由于头寸数据的样本数量和特征数量都较少，进而导致时间序列模型在建模时容易发生模型过拟合，使得对头寸数据进行头寸预测时预测不准确的技术缺陷，提升了头寸预测的准确性。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本申请基于时间序列的头寸预测方法第一实施例的流程示意图；图2为本申请基于时间序列的头寸预测方法中基于独热编码方式将所述增强时间特征数据转换为具备各时间变量特征的衍生时间特征数据的示意图；图3为本申请基于时间序列的头寸预测方法第二实施例的流程示意图；图4为本申请实施例方案涉及的硬件运行环境的设备结构示意图。本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。本申请实施例提供一种基于时间序列的头寸预测方法，在本申请基于时间序列的头寸预测方法的第一实施例中，参照图1，所述基于时间序列的头寸预测方法包括：步骤S10，获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据；在本实施例中，需要说明的是，所述时间序列数据为具备时间序列信息的数据，例如时间序列头寸数据以及地区人口随时间的增长数据等，所述数据增强的作用为进行对数据进行样本数量的扩展，所述基于时间序列的头寸预测方法应用于基于时间序列的头寸预测设备，所述基于时间序列的头寸预测设备包括用于进行数据增强的预设时间序列增强模型，其中，所述预设时间序列增强模型包括TSGAN网络(时间序列生成对抗网络)。获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据，具体地，获取时间序列数据，并通过所述预设时间序列增强模型中的序列生成器，生成所述时间序列数据对应的扩展时间序列数据，进而将所述扩展时间序列数据和所述时间序列数据共同作为所述增强数据，进而增强数据的样本数量要高于原先的时间序列数据，进而实现了扩展时间序列数据的样本数量的目的，其中，所述扩展时间序列数据与所述时间序列数据的数据分布一致，例如，假设所述时间序列数据对应的拟合函数为y＝x，则所述所述时间序列数据对应的拟合函数同样为y＝x。进一步地，在另一实施方式中，所述对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据的步骤还包括:对所述时间序列数据进行在预设潜在表征空间下的数据增强，以扩展所述时间序列数据的样本数量，获得增强数据，也即，将所述时间序列数据映射至预设潜在表征空间，获得时间序列表征数据，并通过预设序列生成器，生成所述时间序列表征数据对应的扩本文档来自技高网...

【技术保护点】
1.一种基于时间序列的头寸预测方法，其特征在于，所述基于时间序列的头寸预测方法包括：/n获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据；/n对所述增强数据进行时间特征分解，以扩展所述增强数据的特征维度，获得优化时间序列数据；/n基于所述优化时间序列数据，构建目标时间序列模型；/n获取待预测头寸数据，并将所述待预测头寸数据输入所述目标时间序列模型，对所述待预测头寸数据进行基于时间序列的头寸预测，获得头寸预测结果。/n

【技术特征摘要】
1.一种基于时间序列的头寸预测方法，其特征在于，所述基于时间序列的头寸预测方法包括：
获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据；
对所述增强数据进行时间特征分解，以扩展所述增强数据的特征维度，获得优化时间序列数据；
基于所述优化时间序列数据，构建目标时间序列模型；
获取待预测头寸数据，并将所述待预测头寸数据输入所述目标时间序列模型，对所述待预测头寸数据进行基于时间序列的头寸预测，获得头寸预测结果。


2.如权利要求1所述基于时间序列的头寸预测方法，其特征在于，所述对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据的步骤包括：
将所述时间序列数据输入预设时间序列增强模型中的嵌入网络，以将所述时间序列数据映射至预设潜在表征空间，获得时间序列表征数据；
基于所述预设时间序列增强模型中的序列生成器，生成所述时间序列表征数据对应的扩展时间序列表征数据；
基于所述预设时间序列增强模型中的恢复网络，对所述扩展时间序列表征数据进行重建，获得扩展时间序列数据；
对所述扩展时间序列数据进行平稳性转换，获得平稳扩展时间序列数据，并将所述平稳扩展时间序列数据和所述时间序列数据共同作为所述增强数据。


3.如权利要求2所述基于时间序列的头寸预测方法，其特征在于，所述嵌入网络包括静态特征嵌入网络和时间特征嵌入网络，所述时间序列数据至少包括一样本静态特征和一样本时间特征，所述预设潜在表征空间包括静态特征空间和时间特征空间，所述时间序列表征数据包括静态特征表征和时间特征表征，
所述将所述时间序列数据输入预设时间序列增强模型中的嵌入网络，以将所述时间序列数据映射至预设潜在表征空间，获得时间序列表征数据的步骤包括：
基于所述静态特征嵌入网络，将所述静态特征映射至所述静态特征空间，获得所述静态特征表征；
获取上一时间步时间特征表征，并基于所述时间特征嵌入网络，将所述静态特征表征、所述上一时间步时间特征表征和所述样本时间特征共同映射至所述时间特征空间，获得所述时间特征表征。


4.如权利要求2所述基于时间序列的头寸预测方法，其特征在于，所述序列生成器包括静态特征生成器网络和时间特征循环生成器网络，所述扩展时间序列表征数据至少包括一扩展静态特征表征和一扩展时间特征表征，
所述基于所述预设时间序列增强模型中的序列生成器，生成所述时间序列表征数据对应的扩展时间序列表征数据的步骤包括：
在所述时间序列表征数据中随机提取静态特征元素和时间特征元素；
将所述静态特征元素输入所述静态特征生成器网络，生成所述扩展静态特征表征；
获取上一时间步扩展时间特征表征，并将所述时间特征元素、所述扩展静态特征表征和所述上一时间步扩展时间特征表征共同输入所述时间特征循环生成器网络，生成所述扩展时间特征表征。


5.如权利要求2所述基于时间序列的头寸预测方法，其特征在于，在所述将所述时间序列数据输入预设时间序列增强模型中的嵌入网络，以将所述时间序列数据映射至预设潜在表征空间，获得时间序列表征的步骤之前，所述基于时间序列的头寸预测方法还包括：
获取待训练生成对抗网络和训练时间序列数据；
将所述训练时间序列数据输入所述待训练生成对抗网络，对所述待训练生成对抗网络进行迭代训练，以计算所述待训练生成对抗网络的目标模型损失；
基于所述目标模型损失，更新所述待训练生成对抗网络的网络参数，以判断更新后的所述待训练生成对抗网络是否满足预设迭代训练结束条件；
若是，则将所述待训练生成对抗网络作为所述预设时间序列增强模型；
若否，则返回所述对所述待训练生成对抗网络进行迭代训练的步骤。


6.如权利要求5所述基于时间序列的头寸预测方法，其特征在于，所述待训练生成对抗网络包括待训练嵌入网络、待训练恢复网络、待训练生成器网络和待训练判别器网络，
所述将所述训练时间序列数据输入所述待训练生成对抗网络，对所述待训练生成对抗网络进行迭代训练，以计算所述待训练生成对抗网络的目标模型损失的步骤包括：
基于所述待训练嵌入网络，将所述训练时间序列数据映射至所述预设潜在表征空间，获得训练潜在表征数据；
在所述预设潜在表征空间中随机提取所述训练潜在表征数据对应的训练表征数据，并基于所述待训练生成器网络和所述训练潜在表征数据，生成所述训练表征数据对应的训练扩展表征数据；
基于所述训练扩展表征数据和所述训练潜在...

【专利技术属性】
技术研发人员：高攀，曾岩，李晶，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44