资源指标值的预测方法、预测装置、电子设备和存储介质制造方法及图纸

本申请涉及一种资源指标值的预测方法、预测装置、电子设备和存储介质。所述方法包括：获取由网络爬虫程序索引的多个历史时间周期的资源属性值和资源指标值；基于第一网络模型对多个历史时间周期中的最近预设个历史时间周期的资源指标值和对应资源属性值的上限值与下限值进行累加卷积操作，得到针对于资源指标值的第一预测数据；以及基于第二网络模型对多个历史时间周期的资源属性值和资源指标值进行循环卷积操作，得到针对于资源指标值的第二预测数据；基于第一预测数据和二预测数据之间预测数值的大小差异，对第二预测数据进行修正，得到资源指标值修正后的预测数值序列。上述方法能够提高对金融指标的数值进行预测的准确率。准确率。准确率。

【技术实现步骤摘要】
资源指标值的预测方法、预测装置、电子设备和存储介质


[0001]本申请涉及图像处理
，特别是涉及一种资源指标值的预测方法、资源指标值的预测装置、电子设备和存储介质。

技术介绍

[0002]伴随着人类社会步入大数据时代，基于大数据的宏观金融指标的实时预测受到越来越多的重视，其高频、客观准确、颗粒度细的对金融指标进行预测，十分有助于企业进行后续的发展。
[0003]传统金融指标的预测方案一般是基于时间序列的分析方法，即通过多元回归分析模型对历史T
‑
N到T期的金融指标的走势进行分析，从而预测得到T+1期的金融指标。
[0004]然而，由于多元回归分析模型是建立在自变量x（如，多种类的消费数据和生产数据）与预测变量y（即预测的金融指标）之间存在较强的相关性、多个自变量之间不存在严格线性相关性等理想化的假设之上，在实际应用时，其预测得到的金融指标的数值的准确率不高。

技术实现思路

[0005]本公开提供一种资源指标值的预测方法、资源指标值的预测装置、电子设备、存储介质和计算机程序产品，以至少解决相关技术中预测的金融指标的数值的准确率不高的问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种资源指标值的预测方法，包括：获取由网络爬虫程序索引的多个历史时间周期的资源属性值和资源指标值；所述资源指标值用于表征在对应的时间周期内所述资源属性值的变化特征和状态特征；基于第一网络模型对所述多个历史时间周期中的最近预设个历史时间周期的资源指标值和对应资源属性值的上限值与下限值进行累加卷积操作，得到针对于所述资源指标值的第一预测数据；所述第一预测数据用于表征所述资源指标值的预测数值区间；以及基于第二网络模型对所述多个历史时间周期的资源属性值和资源指标值进行循环卷积操作，得到针对于所述资源指标值的第二预测数据；所述第二预测数据用于表征所述资源指标值的预测数值序列；基于所述第一预测数据和所述第二预测数据之间预测数值的大小差异，对所述第二预测数据进行修正，得到所述资源指标值修正后的预测数值序列。
[0006]在一示例性实施例中，所述基于所述第一预测数据和所述第二预测数据之间预测数值的大小差异，对所述第二预测数据进行修正，得到所述资源指标值修正后的预测数值序列，包括以下两项中的一项：响应于所述第二预测数据中的各个预测数值均处于所述第一预测数据对应的预测数值区间之内，将所述第二预测数据作为所述资源指标值的预测数值序列；响应于所述第二预测数据中存在预测数值不处于所述第一预测数据对应的预测
数值区间之内，利用所述第一预测数据修正所述第二预测数据，得到所述资源指标值修正后的预测数值序列。
[0007]在一示例性实施例中，所述利用所述第一预测数据修正所述第二预测数据，得到所述资源指标值修正后的预测数值序列，包括：确定所述预测数值区间的上界值和下界值，以及所述预测数值序列中各预测数值所对应的最大值和最小值；基于所述预测数值区间的上界值和下界值，以及所述预测数值序列中各预测数值所对应的最大值和最小值，修正所述第二预测数据，得到所述资源指标值修正后的预测数值序列。
[0008]在一示例性实施例中，所述基于所述预测数值区间的上界值和下界值，以及所述预测数值序列中各预测数值所对应的最大值和最小值，修正所述第二预测数据，得到所述资源指标值修正后的预测数值序列，包括：确定所述预测数值序列的最大值与所述预测数值序列的最小值之间的第一差值，以及所述预测数值区间的上界值与所述预测数值序列的最小值之间的第二差值；基于所述预测数值序列中的每一预测数值分别与所述第一差值和所述第二差值之间的乘积的商值，得到所述资源指标值对应修正后的预测数值序列。
[0009]在一示例性实施例中，所述资源属性值为生产消费数据，所述资源指标值为金融指标数据；在获取多个历史时间周期的资源属性值和资源指标值之后，还包括：对所述多个历史时间周期的生产消费数据进行数据清洗，得到数据清洗后的多个历史时间周期的数据序列；所述数据序列为按照时间顺序排列的生产消费数据；基于所述数据清洗后的多个历史时间周期的数据序列，生成对应的数据趋势图；其中，所述数据趋势图中包括对应历史时间周期的生产消费数据的上限值和下限值。
[0010]在一示例性实施例中，在每一历史时间周期中包括有相同的多个种类的生产消费数据；所述对所述多个历史时间周期的生产消费数据进行数据清洗，得到数据清洗后的多个历史时间周期的数据序列，包括：对所述多个历史时间周期中各种类的生产消费数据依次进行时间轴对齐处理、数据插补处理和异常值剔除处理，以得到所述数据清洗后的多个历史时间周期的数据序列；所述基于所述数据清洗后的多个历史时间周期的数据序列，生成对应的数据趋势图，包括：基于所述多个历史时间周期的个数与预设的预测周期的个数之间的商值，将所述数据清洗后的多个历史时间周期的数据序列分割为对应于所述商值的多个子数据序列；在每一所述子数据序列中，基于各种类的生产消费数据所对应的衍生计算值，确定各种类的生产消费数据在对应的时间观测窗口上呈现动态变化的上限值序列和下限值序列；其中，所述衍生计算值至少包括各种类的生产消费数据的标准差值和/或最值；所述时间观测窗口用于呈现各种类的生产消费数据在对应时间周期内的变化特征和状态特征；基于各所述子数据序列中清洗后的各种类的生产消费数据，以及所述上限值序列
和所述下限值序列，生成每一种类的生产消费数据所对应的数据趋势图；其中，各所述子数据序列中清洗后的各种类的生产消费数据为一维的序列数据，每一种类的生产消费数据所对应的数据趋势图为二维的灰阶图像，所述灰阶图像用于表征所述一维的序列数据，以及表征呈现动态变化的上限值和下限值所在的区间信息。
[0011]在一示例性实施例中，所述基于第一网络模型对所述多个历史时间周期中的最近预设个历史时间周期的资源指标值和对应资源属性值的上限值与下限值进行累加卷积操作，得到针对于所述资源指标值的第一预测数据，包括：在所述多个历史时间周期中，确定与预测周期的数量相同的至少一个历史时间周期中各种类的生产消费数据的数据趋势图；基于所述至少一个历史时间周期中各种类的生产消费数据的数据趋势图所对应的上限值序列和下限值序列，将每一所述数据趋势图分类至针对于所述金融指标数据预设的多个数值区间中；将分类后的各所述数据趋势图和对应于所述至少一个历史时间周期的金融指标数据输入已训练的所述第一网络模型中进行累加卷积操作，得到所述第一预测数据。
[0012]根据本公开实施例的第二方面，提供一种资源指标值的预测装置，包括：数据获取单元，被配置为执行获取由网络爬虫程序索引的多个历史时间周期的资源属性值和资源指标值；所述资源指标值用于表征在对应的时间周期内所述资源属性值的变化特征和状态特征；第一预测单元，被配置为执行基于第一网络模型对所述多个历史时间周期中的最近预设个历史时间周期的资源指标值和对应资源属性值的上限值与下限值进行累加卷积操作，得到针对于所述资源指标值的第一预测数据；所述第一预测数据用于表征所述资源指标值的预测数值区间；第二预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源指标值的预测方法，其特征在于，包括：获取由网络爬虫程序索引的多个历史时间周期的资源属性值和资源指标值；所述资源指标值用于表征在对应的时间周期内所述资源属性值的变化特征和状态特征；基于第一网络模型对所述多个历史时间周期中的最近预设个历史时间周期的资源指标值和对应资源属性值的上限值与下限值进行累加卷积操作，得到针对于所述资源指标值的第一预测数据；所述第一预测数据用于表征所述资源指标值的预测数值区间；以及基于第二网络模型对所述多个历史时间周期的资源属性值和资源指标值进行循环卷积操作，得到针对于所述资源指标值的第二预测数据；所述第二预测数据用于表征所述资源指标值的预测数值序列；基于所述第一预测数据和所述第二预测数据之间预测数值的大小差异，对所述第二预测数据进行修正，得到所述资源指标值修正后的预测数值序列。2.根据权利要求1所述的方法，其特征在于，所述基于所述第一预测数据和所述第二预测数据之间预测数值的大小差异，对所述第二预测数据进行修正，得到所述资源指标值修正后的预测数值序列，包括以下两项中的一项：响应于所述第二预测数据中的各个预测数值均处于所述第一预测数据对应的预测数值区间之内，将所述第二预测数据作为所述资源指标值的预测数值序列；响应于所述第二预测数据中存在预测数值不处于所述第一预测数据对应的预测数值区间之内，利用所述第一预测数据修正所述第二预测数据，得到所述资源指标值修正后的预测数值序列。3.根据权利要求2所述的方法，其特征在于，所述利用所述第一预测数据修正所述第二预测数据，得到所述资源指标值修正后的预测数值序列，包括：确定所述预测数值区间的上界值和下界值，以及所述预测数值序列中各预测数值所对应的最大值和最小值；基于所述预测数值区间的上界值和下界值，以及所述预测数值序列中各预测数值所对应的最大值和最小值，修正所述第二预测数据，得到所述资源指标值修正后的预测数值序列。4.根据权利要求3所述的方法，其特征在于，所述基于所述预测数值区间的上界值和下界值，以及所述预测数值序列中各预测数值所对应的最大值和最小值，修正所述第二预测数据，得到所述资源指标值修正后的预测数值序列，包括：确定所述预测数值序列的最大值与所述预测数值序列的最小值之间的第一差值，以及所述预测数值区间的上界值与所述预测数值序列的最小值之间的第二差值；基于所述预测数值序列中的每一预测数值分别与所述第一差值和所述第二差值之间的乘积的商值，得到所述资源指标值对应修正后的预测数值序列。5.根据权利要求1所述的方法，其特征在于，所述资源属性值为生产消费数据，所述资源指标值为金融指标数据；在获取多个历史时间周期的资源属性值和资源指标值之后，还包括：对所述多个历史时间周期的生产消费数据进行数据清洗，得到数据清洗后的多个历史时间周期的数据序列；所述数据序列为按照时间顺序排列的生产消费数据；基于所述数据清洗后的多个历史时间周期的数据序列，生成对应的数据趋势图；
其中，所述数据趋势图中包括对应历史时间周期的生产消费数据的上限值和下限值。6.根据权利要求5所述的方法，其特征在于，在每一历史时间周期中包括有相同的多个种类的生产消费数据；所述对所述多个历史时间周期的生产消费数据进行数据清洗，得到数据清洗后的多个历史时间周期的数据序列，包括：对所述多个历史时间周期中各种类的生产消费数据依次进行时间轴对齐处理...

【专利技术属性】
技术研发人员：陈勇杰，
申请(专利权)人：广东南方财经控股有限公司，
类型：发明
国别省市：