【技术实现步骤摘要】
本专利技术涉及银行业务监控，尤其涉及一种基于神经网络的交易技术指标预测方法、装置及设备。
技术介绍
1、单指标预测是智能运维指标分析中很重要的一类算法。传统模式中，运维人员往往在故障发生后才能得知，然后查找故障原因、解决问题。这种方式有一定的滞后性，有些故障发生后可能已经造成了很严重的影响才去解决，不利于生产系统的正常运行。
2、以往的预测算法，大多是对收集到的历史数据样本进行曲线拟合，计算数据整体的运行趋势，从而预测出未来数据的走向。这类算法的缺点在于，函数难以对一些具有时间周期性的波动，或是非线性的波动进行拟合，在不知道数据变化规律的情况下，也无法对拟合函数进行预先的参数设置来实现，导致预测结果不准确以及不及时，既无法成功模拟出非线性的数据变化趋势，亦无法推算出合理的数据波动区间。因此，如何寻找到能够预测非线性的周期性时间序列数据的算法，是当前智能运维工作的一个重要的技术问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提出一种基于神经网络的交易技术指标预测方法、装置以及设备，旨在解决上述非线性数据预测、监控问题。
2、为实现上述目的，本专利技术提供一种基于神经网络的交易技术指标预测方法，所述方法包括：
3、获取历史指标数据，对所述历史指标数据进行包括数据划分以及数据特征提取的预处理，得到训练数据集，所述历史指标数据包括平均响应时间、交易成功率、交易笔数；
4、将所述训练数据集输入至基于lstm网络构建的模型进行训练，得到指
5、将待预测指标数据输入所述指标预测模型中进行预测，得到未来时间段的预测结果。
6、优选的，所述方法还包括：
7、判断所述预测结果是否超出告警阈值，若是，则发出异常告警；所述告警阈值通过利用baseline进行构建。
8、优选的，所述对所述历史指标数据进行包括数据划分以及数据特征提取的预处理，得到训练数据集，包括：
9、按照预设的输入长度、输出长度以及滑动窗口步长划分对所述历史指标数据进行划分，得到多组输入输出数据对；
10、通过stl算法提取每一所述输入输出数据对的数据特征，得到所述训练数据集，所述数据特征包括季节特征、趋势特征以及残差特征。
11、优选的，所述stl算法包括内循环；所述通过stl算法提取每一所述输入输出数据对的数据特征，包括：
12、根据所述历史指标数据的索引自动推断对应的季节性周期，得到周期的长度；
13、将一个所述周期内不同时刻的所述历史指标数据进行汇聚，得到子序列；
14、在每一次内循环中，将所述历史指标数据减去上一轮得到的前趋势特征，并利用loess算法对每一子序列进行回归，得到第一结果；
15、对所述第一结果进行预设长度的滑动平均并通过loess算法对每一子序列进行回归，得到第二结果；
16、将所述第一结果减去所述第二结果，得到所述季节特征；
17、将所述历史指标数据减去所述季节特征并通过loess算法对每一子序列进行回归，得到所述趋势特征；
18、基于所述历史指标数据将所述季节特征以及所述趋势特征进行分解，得到所述残差特征。
19、优选的，所述指标预测模型的网络架构包括输入层、两层lstm网络层以及全连接层，其中，两层lstm网络层包括低层lstm的隐层通过前馈连接与高层lstm进行全连接。
20、优选的，所述将所述训练数据集输入至基于lstm网络构建的模型进行训练，包括：
21、通过利用平均绝对误差损失函数进行模型优化以及利用softsign函数进行函数激活。
22、优选的，所述确定上下基线，包括：
23、根据预测的前一天历史指标数据和宽度系数进行计算，得到所述上下基线；其中，
24、上基线为upper(xt)＝estimation(xt)+width*xmagnitude(xt)/2，
25、下基线为lower(xt)＝estimation(xt)-width*xmagnitude(xt)/2，其中，
26、xmagnitude＝(mean(lastday)+median(lastday))/2，lastday表示前一天历史指标数据，width表示宽度系数。
27、为实现上述目的，本专利技术还提供一种基于神经网络的交易技术指标预测装置，所述装置包括：
28、预处理单元，用于获取历史指标数据，对所述历史指标数据进行包括数据划分以及数据特征提取的预处理，得到训练数据集，所述历史指标数据包括平均响应时间、交易成功率、交易笔数；
29、训练单元，用于将所述训练数据集输入至基于lstm网络构建的模型进行训练，得到指标预测模型，并在所得到的所述指标预测模型中确定上下基线；
30、预测单元，用于将待预测指标数据输入所述指标预测模型中进行预测，得到未来时间段的预测结果。
31、为了实现上述目的，本专利技术还提出一种设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如上述实施例所述的一种基于神经网络的交易技术指标预测方法的步骤。
32、为了实现上述目的，本专利技术还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如上述实施例所述的一种基于神经网络的交易技术指标预测方法的步骤。
33、有益效果：
34、以上方案，通过基于lstm网络所构建的指标预测模型学习数据历史规律，并根据当前一段时间的数据对未来数据做预测，能够提前告知运维人员接下来可能发生的故障。可以更有效地识别周期性波动，并可以动态调整阈值，更加符合实际的应用场景，提高了预测的准确性。
35、以上方案，通过基于lstm网络所构建的指标预测模型，能够对长期数据有记忆能力、数据利用率高、特征学习更充分，该算法自动化程度高，能够自主学习数据规律，无需手动调参和调整效果。
36、以上方案，通过对交易技术指标进行预测时出现异常导致上述指标发生不正常的变或者化超出安全范围即会产生告警，发送给对应管理人员进行排查，可以有效地减少业务中断率、中断时间。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的交易技术指标预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于神经网络的交易技术指标预测方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的一种基于神经网络的交易技术指标预测方法，其特征在于，所述对所述历史指标数据进行包括数据划分以及数据特征提取的预处理，得到训练数据集，包括：
4.根据权利要求3所述的一种基于神经网络的交易技术指标预测方法，其特征在于，所述STL算法包括内循环和外循环；所述通过STL算法提取每一所述输入输出数据对的数据特征，包括：
5.根据权利要求1所述的一种基于神经网络的交易技术指标预测方法，其特征在于，所述指标预测模型的网络架构包括输入层、两层LSTM网络层以及全连接层，其中，两层LSTM网络层包括低层LSTM的隐层通过前馈连接与高层LSTM进行全连接。
6.根据权利要求1所述的一种基于神经网络的交易技术指标预测方法，其特征在于，所述将所述训练数据集输入至基于LSTM网络构建的模型进行训练，包括：
7.根据权利要求1所述的一种基于神经网络
8.一种基于神经网络的交易技术指标预测装置，其特征在于，所述装置包括：
9.一种基于神经网络的交易技术指标预测设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如权利要求1至7任意一项所述的一种基于神经网络的交易技术指标预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至7任意一项所述的一种基于神经网络的交易技术指标预测方法的步骤。
...【技术特征摘要】
1.一种基于神经网络的交易技术指标预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于神经网络的交易技术指标预测方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的一种基于神经网络的交易技术指标预测方法，其特征在于，所述对所述历史指标数据进行包括数据划分以及数据特征提取的预处理，得到训练数据集，包括：
4.根据权利要求3所述的一种基于神经网络的交易技术指标预测方法，其特征在于，所述stl算法包括内循环和外循环；所述通过stl算法提取每一所述输入输出数据对的数据特征，包括：
5.根据权利要求1所述的一种基于神经网络的交易技术指标预测方法，其特征在于，所述指标预测模型的网络架构包括输入层、两层lstm网络层以及全连接层，其中，两层lstm网络层包括低层lstm的隐层通过前馈连接与高层lstm进行全连接。
...【专利技术属性】
技术研发人员：刘畅，黄萍，王淇霖，蔡建平，陈家学，
申请(专利权)人：厦门国际银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。