一种资源转移量预测方法、装置、设备及介质制造方法及图纸

本申请涉及数据分析技术领域，具体涉及一种资源转移量预测方法、装置、设备及介质，用于解决预测的资源转移量的准确率较低的问题。该方法包括：基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征，将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量，根据历史资源转移数据集对应的历史特征集和预测时段对应的资源增长率数据来预测资源转移量的方式，提升了预测的准确率。确率。确率。

【技术实现步骤摘要】
一种资源转移量预测方法、装置、设备及介质


[0001]本申请涉及数据分析
，具体涉及一种资源转移量预测方法、装置、设备及介质。

技术介绍

[0002]现有技术中，需要预先获知未来的资源转移量，进而根据上述资源转移量来制定针对账户的活动策略和营销计划等等。目前，业内常常根据账户的历史资源转移量的某些特征来预测未来的资源转移量，导致预测的准确率较低。

技术实现思路

[0003]本申请实施例提供一种资源转移量预测方法、装置、设备及介质，用于解决预测的资源转移量的准确率较低的问题。
[0004]第一方面，一种资源转移量预测方法，包括：
[0005]基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征；
[0006]将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量。
[0007]本申请实施例中，基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征，将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量，该方法能够全面的利用历史资源转移数据集确定出包括多个维度历史特征的历史特征集，并结合预测时段对应的资源增长率数据来预测未来的资源转移量，进而提升了预测的准确性。
[0008]在一种可能的实施例中，趋势历史特征通过以下方式确定：
[0009]将目标账户的历史资源转移数据集划分为至少两个连续的资源数据子序列，其中，资源数据子序列表征目标账户在各个自然日的资源转移的数值；
[0010]基于至少两个连续的资源数据子序列和线性回归模型，确定趋势历史特征。
[0011]在一种可能的实施例中，周期历史特征通过以下方式确定：
[0012]基于傅里叶级数，确定目标账户的历史资源转移数据集在预设周期对应的周期历史特征，其中，预设周期的单位长度为星期、月份或年份。
[0013]在一种可能的实施例中，指定日期历史特征通过以下方式确定：
[0014]将预先设置的指定日期序列按照与历史资源转移数据集对应的历史时段相同的长度进行截取，得到目标指定日期序列，其中，指定日期序列是将一年内的各个指定日期按
照已标记的非工作日的先后顺序排列成的以自然日为单位的序列；
[0015]基于目标指定日期序列中已标记的非工作日的先后顺序，将历史资源转移数据集对应的历史时段以自然日为单位进行标记，得到的标记结果作为指定日期历史特征，其中，标记结果表征各个自然日为工作日或非工作日。
[0016]在一种可能的实施例中，资源增长率历史特征通过以下方式确定：
[0017]确定历史资源转移数据集对应的历史时段所包含的各个自然日的资源增长率值和资源增长变动值，并将同一个自然日的资源增长率值和资源增长变动值进行绑定；
[0018]将绑定后的资源增长率值和资源增长变动值按照自然日的时间先后排列成资源增长率历史特征。
[0019]在一种可能的实施例中，通过下列方式对机器学习模型进行训练：
[0020]将第一历史资源转移样本对应的特征集和第二历史资源转移样本对应的时段的资源增长率数据作为原始机器学习模型的输入，将第二历史资源转移样本作为原始机器学习模型的输出，对原始机器学习模型进行训练，得到机器学习模型；
[0021]其中，第一历史资源转移样本对应的时段早于第二历史资源转移样本对应的时段。
[0022]第二方面，一种资源转移量预测装置，包括：
[0023]确定单元，用于基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征；
[0024]预测单元，用于将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量。
[0025]在一种可能的实施例中，趋势历史特征通过以下方式确定，确定单元用于：
[0026]将目标账户的历史资源转移数据集划分为至少两个连续的资源数据子序列，其中，资源数据子序列表征目标账户在各个自然日的资源转移的数值；
[0027]基于至少两个连续的资源数据子序列和线性回归模型，确定趋势历史特征。
[0028]在一种可能的实施例中，周期历史特征通过以下方式确定，确定单元用于：
[0029]基于傅里叶级数，确定目标账户的历史资源转移数据集在预设周期对应的周期历史特征，其中，预设周期的单位长度为星期、月份或年份。
[0030]在一种可能的实施例中，指定日期历史特征通过以下方式确定，确定单元用于：
[0031]将预先设置的指定日期序列按照与历史资源转移数据集对应的历史时段相同的长度进行截取，得到目标指定日期序列，其中，指定日期序列是将一年内的各个指定日期按照已标记的非工作日的先后顺序排列成的以自然日为单位的序列；
[0032]基于目标指定日期序列中已标记的非工作日的先后顺序，将历史资源转移数据集对应的历史时段以自然日为单位进行标记，得到的标记结果作为指定日期历史特征，其中，标记结果表征各个自然日为工作日或非工作日。
[0033]在一种可能的实施例中，资源增长率历史特征通过以下方式确定，确定单元用于：
[0034]确定历史资源转移数据集对应的历史时段所包含的各个自然日的资源增长率值和资源增长变动值，并将同一个自然日的资源增长率值和资源增长变动值进行绑定；
[0035]将绑定后的资源增长率值和资源增长变动值按照自然日的时间先后排列成资源增长率历史特征。
[0036]在一种可能的实施例中，通过下列方式对机器学习模型进行训练：
[0037]将第一历史资源转移样本对应的特征集和第二历史资源转移样本对应的时段的资源增长率数据作为原始机器学习模型的输入，将第二历史资源转移样本作为原始机器学习模型的输出，对原始机器学习模型进行训练，得到机器学习模型；
[0038]其中，第一历史资源转移样本对应的时段早于第二历史资源转移样本对应的时段。
[0039]第三方面，本申请提供一种服务器，包括：
[0040]存储器，用于存储程序指令；
[0041]处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行第一方面中任一项所述的方法包括的步骤。
[0042]第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源转移量预测方法，其特征在于，所述方法包括：基于目标账户的历史资源转移数据集确定历史特征集，其中，所述历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，所述历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征；将所述预测时段对应的资源增长率数据和所述历史特征集输入预先训练好的机器学习模型中，得到所述目标账户在所述预测时段的资源转移量。2.如权利要求1所述的方法，其特征在于，所述趋势历史特征通过以下方式确定：将所述目标账户的所述历史资源转移数据集划分为至少两个连续的资源数据子序列，其中，所述资源数据子序列表征所述目标账户在各个自然日的资源转移的数值；基于至少两个连续的所述资源数据子序列和线性回归模型，确定所述趋势历史特征。3.如权利要求1所述的方法，其特征在于，所述周期历史特征通过以下方式确定：基于傅里叶级数，确定所述目标账户的历史资源转移数据集在预设周期对应的所述周期历史特征，其中，所述预设周期的单位长度为星期、月份或年份。4.如权利要求1所述的方法，其特征在于，所述指定日期历史特征通过以下方式确定：将预先设置的指定日期序列按照与所述历史资源转移数据集对应的历史时段相同的长度进行截取，得到目标指定日期序列，其中，所述指定日期序列是将一年内的各个指定日期按照已标记的非工作日的先后顺序排列成的以自然日为单位的序列；基于所述目标指定日期序列中已标记的非工作日的先后顺序，将所述历史资源转移数据集对应的历史时段以自然日为单位进行标记，得到的标记结果作为所述指定日期历史特征，其中，所述标记结果表征各个自然日为工作日或非工作日。5.如权利要求1所述的方法，其特征在于，所述资源增长率历史特征通过以下方式确定：确定所述历史资源转移数据集对应的历史时段所包含的各个自然日的资源增长率值和资源增长变动值，并将同一个自然日的...

【专利技术属性】
技术研发人员：路远，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：