数据处理的方法及装置、非易失性存储介质、电子设备制造方法及图纸

本申请公开了一种数据处理的方法及装置、非易失性存储介质、电子设备。其中，该方法包括：获取多种业务分别对应的收入相关数据，其中，收入相关数据包括：收入序列、收入协变量数据，收入序列具有季节性特征；确定每两个收入序列的时序波动相似度，并将大于预设相似度的收入序列归类为一个数据集，得到多个数据集；对于每个数据集，确定数据集的时序特征，根据时序特征预测数据集对应的业务在未来时段的收入数据，得到第一预测结果；以及，采用收入数据预测模型对数据集和收入协变量数据进行处理分析，得到第二预测结果；根据第一预测结果和第二预测结果确定数据集对应的业务的最终预测结果。

【技术实现步骤摘要】

本申请涉及数据处理，具体而言，涉及一种数据处理的方法及装置、非易失性存储介质、电子设备。

技术介绍

1、相关技术中采用专家预测法、回归分析预测法、基于自回归积分滑动平均(autoregressive integrated moving average，arima)模型的账期收入预估法、基于深度自回归网络(deep autoregressive networks，deepar)模型的预测方法等方法基于当前时刻之前的历史数据预测未来时刻的数据，例如，可以采用上述方法基于历史收入预测未来时刻的收入，然而，专家预测法、回归分析预测法需要人工参与，存在预测结果准确率低的问题；arima模型无法处理非线性数据、无法支持多序列预测，存在预测耗时长的问题。传统的deepar模型无法捕捉涵盖时间较长(如一年)的序列中的周期性、季节等信息，导致预测结果的准确性低。

2、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本申请实施例提供了一种数据处理的方法及装置、非易失性存储介质、电子设备，以至少解决由于本文档来自技高网...

【技术保护点】

1.一种数据处理的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，确定每两个所述收入序列的时序波动相似度，包括：

3.根据权利要求1所述的方法，其特征在于，所述时序特征包括：所述季节性特征和变化趋势特征；

4.根据权利要求1所述的方法，其特征在于，采用收入数据预测模型对所述数据集和所述收入协变量数据进行处理分析，得到第二预测结果，包括：

5.根据权利要求4所述的方法，其特征在于，对多个所述新收入序列和多个协变量序列进行处理，得到所述第二预测结果，包括：

6.根据权利要求5所述的方法，其特征在于，对每个所述新收...

【技术特征摘要】

1.一种数据处理的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，确定每两个所述收入序列的时序波动相似度，包括：

3.根据权利要求1所述的方法，其特征在于，所述时序特征包括：所述季节性特征和变化趋势特征；

4.根据权利要求1所述的方法，其特征在于，采用收入数据预测模型对所述数据集和所述收入协变量数据进行处理分析，得到第二预测结果，包括：

5.根据权利要求4所述的方法，其特征在于，对多个所述新收入序列和多个协变量序列进行处理，得到所述第二预测结果，包括：

6.根据权利要求5所述的方法，其特征在于，对每个所述新收入序列和与所述新收入序列对应同一业务的协变量序列进行特征提取，得到每个所述新收入序列的第二特征向量，包括：

7...

【专利技术属性】
技术研发人员：王烨，黄文兴，李君，胡佳家，宋莎莎，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：