基于线性回归和决策树结合的油价预测方法、装置及设备制造方法及图纸

本申请提供一种基于线性回归和决策树结合的油价预测方法、装置及设备。其中，方法包括：训练好线性回归模型，以及构建决策树模型，这样对于待预测油价数据可以将线性回归模型和决策树模型进行结合进行油价预测，能够使得油价预测结果的误差得到有效的降低，并且对于油价连续上升期或者下降期，利用决策树模型能够很好的起到修复误差的作用，进而使得油价预测结果的准确性得到有效的提高。测结果的准确性得到有效的提高。测结果的准确性得到有效的提高。

【技术实现步骤摘要】
基于线性回归和决策树结合的油价预测方法、装置及设备


[0001]本申请涉及数据处理
，尤其涉及一种基于线性回归和决策树结合的油价预测方法、装置及设备。

技术介绍

[0002]目前已经在运用的预测调价油价的方法，是通过单一的时间维度的价格调整数据，其预测的本质基本都是围绕单一维度数：调价价格。这一时序数据本身的周期性，趋势性等特性来进行预测。
[0003]这种传统方式是有很大局限性的。首先决定调整价格结果的因素有很多，仅仅使用单一维度的时序数据，数据利用率很低，并且训练算法模型很难保证准确率。其次时序算法是将过去的趋势延伸到来来，因此这种方法无法预测时间序列的转折点。在这种情况下，预测人员往往需要依靠自己的知识和经验对预测结果进行修正，带来很大的不便。

技术实现思路

[0004]有鉴于此，本申请的目的在于提出一种基于线性回归和决策树结合的油价预测方法、装置及设备以解决或部分解决上述技术问题。
[0005]基于上述目的，本申请的第一方面提供了一种基于线性回归和决策树结合的油价预测方法，包括：获取预定时间段内的油价历史数据；根据所述油价历史数据确定线性回归训练样本；将所述线性回归训练样本输入至预先构建的初始线性回归模型中进行训练分析；根据初始线性回归模型训练分析的训练结果，与油价历史数据中对应的实际油价结果进行对比分析，进而根据对比分析结果对所述初始线性回归模型的特征参数进行校正调整，将最终校正调整后的初始线性回归模型作为线性回归模型；利用油价历史数据进行训练过程中产生油价历史回测数据，记录初始线性回归模型训练过程中训练结果与实际邮件结果的残差，得到历史回测数据对应的残差数据；根据所述历史回测数据对应的残差数据构建决策树模型；获取待预测油价数据，将所述待预测油价数据输入至所述线性回归模型进行预测处理，得到第一预测油价值；利用所述决策树模型确定与所述待预测油价数据对应的残差预测值；将所述第一预测油价值与所述残差预测值进行差值运算得到最终的预测油价值。
[0006]基于同一个构思，本申请的第二方面提出了一种基于线性回归和决策树结合的油价预测装置，包括：历史数据获取模块，被配置为获取预定时间段内的油价历史数据；线性回归样本确定模块，被配置为根据所述油价历史数据确定线性回归训练样本；
线性回归训练模块，被配置为将所述线性回归训练样本输入至预先构建的初始线性回归模型中进行训练分析；线性回归模型确定模块34，被配置为根据初始线性回归模型训练分析的训练结果，与油价历史数据中对应的实际油价结果进行对比分析，进而根据对比分析结果对所述初始线性回归模型的特征参数进行校正调整，将最终校正调整后的初始线性回归模型作为线性回归模型；残差数据确定模块，被配置为利用油价历史数据进行训练过程中产生油价历史回测数据，记录初始线性回归模型训练过程中训练结果与实际油价结果的残差，得到历史回测数据对应的残差数据；决策树构建模块，被配置为根据所述历史回测数据对应的残差数据构建决策树模型；线性回归预测模块，被配置为获取待预测油价数据，将所述待预测油价数据输入至所述线性回归模型进行预测处理，得到第一预测油价值；残差值预测模块，被配置为利用所述决策树模型确定与所述待预测油价数据对应的残差预测值；油价预测模块，被配置为将所述第一预测油价值与所述残差预测值进行差值运算得到最终的预测油价值。
[0007]基于同一个构思，本申请的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
[0008]基于同一个构思，本申请的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述的方法。
[0009]从上面所述可以看出，本申请提供的基于线性回归和决策树结合的油价预测方法、装置及设备，将线性回归模型和决策树模型进行结合进行油价预测，能够使得油价预测结果的误差得到有效的降低，并且对于油价连续上升期或者下降期，利用决策树模型能够很好的起到修复误差的作用，进而使得油价预测结果的准确性得到有效的提高。
附图说明
[0010]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关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。
[0011]图1为本申请实施例的应用场景示意图；图2为本申请实施例的基于线性回归和决策树结合的油价预测方法的流程示意图；图3为本申请实施例的基于线性回归和决策树结合的油价预测装置的结构框图；图4为本申请实施例的电子设备的结构示意图。
具体实施方式
[0012]可以理解的是，本技术方案所涉及的数据（包括但不限于数据本身、数据的获取或使用）应当遵循相应法律法规及相关规定的要求。
[0013]下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
[0014]可以理解的是，在使用本公开中各个实施例的技术方案之前，均会通过恰当的方式对所涉及的个人信息的类型、使用范围、使用场景等告知用户，并获得用户的授权。
[0015]例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确的提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主的选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
[0016]作为一种可选的但非限定的实现方式，响应于接受到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
[0017]可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其他满足相关法律法规的方式也可应用于本公开的实现方式中。
[0018]在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
[0019]基于上述
技术介绍
的描述，相关技术中还存在如下的情况：油价调整价格受原油价格，汇率等指标强影响，因此通过收集处理布伦特，WTI、阿曼、汇率等数据。将这些数据纳入预测调价结果的模型，可以大大提升可用数据利用率，更重要的是也提高预测准确率。在误差的基础上训练自触发的修正学习模型，可以对结果进行自动的进一步修正，大大提升了算法的健壮性，减少了人工的参与更加智能。
[0020]基于上述描述的情况，下面参考本申请的若干代表性实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于线性回归和决策树结合的油价预测方法，其特征在于，包括：获取预定时间段内的油价历史数据；根据所述油价历史数据确定线性回归训练样本；将所述线性回归训练样本输入至预先构建的初始线性回归模型中进行训练分析；根据初始线性回归模型训练分析的训练结果，与油价历史数据中对应的实际油价结果进行对比分析，进而根据对比分析结果对所述初始线性回归模型的特征参数进行校正调整，将最终校正调整后的初始线性回归模型作为线性回归模型；利用油价历史数据进行训练过程中产生油价历史回测数据，记录初始线性回归模型训练过程中训练结果与实际邮件结果的残差，得到历史回测数据对应的残差数据；根据所述历史回测数据对应的残差数据构建决策树模型；获取待预测油价数据，将所述待预测油价数据输入至所述线性回归模型进行预测处理，得到第一预测油价值；利用所述决策树模型确定与所述待预测油价数据对应的残差预测值；将所述第一预测油价值与所述残差预测值进行差值运算得到最终的预测油价值。2.根据权利要求1所述的方法，其特征在于，所述根据所述油价历史数据确定线性回归训练样本，包括：确定所述油价历史数据的类别；利用相关系数计算公式对各类别的油价历史数据进行计算，计算各类别的油价历史数据与油价之间的相关系数；根据计算的相关系数进行热力图绘制；根据所述热力图从各类别的油价历史数据中，确定相关系数大于预定值的至少一个目标类别的油价历史数据作为线性回归训练样本。3.根据权利要求1所述的方法，其特征在于，所述根据所述油价历史数据确定线性回归训练样本，包括：在所述油价历史数据中提取原油价格数据并按照时间周期进行划分；根据所述油价历史数据计算均值数据、斜率数据、中位数数据和拟合中值数据；将均值数据、斜率数据、中位数数据或拟合中值数据，加上所述原油价格数据作为预训练输入数据，其中，均值数据、斜率数据、中位数数据或拟合中值数据均分别对应一组预训练输入数据；将所述预训练输入数据输入至初始线性回归模型进行预训练，得到预训练结果，其中，每组预训练输入数据均对应一组预训练结果；将每组预训练结果与实际油价结果进行比对，确定所述均值数据对应的一组预训练结果与实际油价结果差值最小，则将所述均值数据与所述原油价格数据组合作为初始线性回归模型的线性回归训练样本进行输入训练分析。4.根据权利要求1所述的方法，其特征在于，根据所述油价历史数据确定线性回归训练样本，包括：将所述油价历史数据按照时间周期进行划分，划分N组油价历史数据；根据所述油价历史数据计算均值数据、斜率数据、中位数数据和拟合中值数据；将均值数据、斜率数据、中位数数据或拟合中值数据分别与N组油价历史数据进行组
合，得到多种特征训练数据；利用所述多种特征训练数据对初始线性回归模型进行回测处理，得到与每种特征训练数据对应的回测处理结果；将每种特征训练数据对应的回测处理结果与实际油价结果进行差值比对，将多种特征训练数据对应的多种回测处理结果，按照差值由小到大的顺序进行排列；选取排列顺序靠前的预定数量种类的特征训练数据作为线性回归训练样本。5.根据权利要求1所述的方法，其特征在于，所述根据所述历史回测数据对应的残差数据构建决策树模型，包括：将所述历史回测数据对应的残差数据确定对应的特征值，作为决策训练样本输入决策训练算法，进行决策训练处理得到决策训练处理结果；根据决策训练处理结果确定各个特征值的重要性程度；按照重要性程度将特...

【专利技术属性】
技术研发人员：冀征，
申请(专利权)人：北京易油互联科技有限公司，
类型：发明
国别省市：