CN106485348A - 一种交易数据的预测方法及装置 - Google Patents
一种交易数据的预测方法及装置 Download PDFInfo
- Publication number
- CN106485348A CN106485348A CN201610844037.1A CN201610844037A CN106485348A CN 106485348 A CN106485348 A CN 106485348A CN 201610844037 A CN201610844037 A CN 201610844037A CN 106485348 A CN106485348 A CN 106485348A
- Authority
- CN
- China
- Prior art keywords
- setting time
- time section
- transaction data
- prediction
- relative error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种交易数据的预测方法及装置。本发明实施例中,获取设定区域范围内第一至第N设定时间段的交易数据,根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定参数,得到优化后的支持向量机预测模型,采用马尔科夫链模型对初始预测交易数据进行优化,得到最终的预测交易数据。本发明实施例基于支持向量机构建预测模型,能够产生较准确的预测效果;且,通过采用粒子群优化算选取支持向量机预测模型的参数,能够进一步提高预测的准确性;以及,通过马尔可夫链的优化,可将支持向量机预测模型的预测结果转变为预测区间,提供了更加丰富的预测信息,且预测区间能提供更加精确的预测结果。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种交易数据的预测方法及装置。
背景技术
数据挖掘是一种新的商业信息处理技术,首先应用于金融等领域,主要特点是对大量数据进行抽取、转换、分析和模型化处理,从中提取出有助于商业决策的关键性数据。随着银行信息化的迅速发展,产生了大量的银行卡交易数据,因此,从海量交易数据中提取出有价值的信息,从而为银行的商业决策服务,是数据挖掘的重要应用领域。其中,基于历史产生的银行卡交易数据对未来的交易数据进行预测,对于银行的商业决策服务具有重要意义。
因此,目前亟需一种交易数据的预测方法,用于对未来的交易数据进行较为准确的预测,从而为银行的商业决策服务提供依据。
发明内容
本发明实施例提供一种交易数据的预测方法,用于对未来的交易数据进行较为准确的预测。
本发明实施例提供的一种交易数据的预测方法,包括:
获取设定区域范围内第一至第N设定时间段的交易数据;
根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定支持向量机预测模型的参数,得到优化后的支持向量机预测模型;
针对于所述第一至第N设定时间段中的每一设定时间段,将所述每一设定时间段之前的Q个设定时间段的交易数据输入优化后的支持向量机预测模型,预测出所述每一设定时间段的预测交易数据;根据所述每一设定时间段的预测交易数据与所述每一设定时间段的交易数据,得到所述每一设定时间段的预测相对误差;Q为整数;
采用马尔科夫链模型对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵;
根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值;
将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,得到所述第N+j设定时间段的初始预测交易数据;
根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据。
可选地,所述支持向量机预测模型的参数包括惩罚系数和径向基核函数的宽度系数;
所述采用粒子群优化算法确定支持向量机预测模型的参数,包括:
构建包括所述惩罚系数和径向基核函数的宽度系数的粒子;
根据预设的粒子适应度确定出所述粒子的最优位置,进而得到惩罚系数和径向基核函数的宽度系数。
可选地,采用马尔科夫链对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵,包括:
将所述第一至第N设定时间段的预测相对误差划分为多个区间;所述多个区间分别对应所述多个状态;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差的状态转移情况,得到所述第h设定时间段对应的状态转移矩阵,1≤h≤N。
可选地,根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值,包括:
根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段的状态转移矩阵,得到第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差,得到所述第h设定时间段的预测相对误差的自相关系数;根据所述第h设定时间段的预测相对误差的自相关系数,得到所述第h设定时间段对应的状态转移矩阵的权系数;
根据所述第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值,以及所述至少一个设定时间段的状态转移矩阵的权系数,得到第N+j设定时间段的预测相对误差在所述多个状态上的概率值。
可选地,根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据,包括:
根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值;
根据所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值,得到所述第N+j设定时间段的预测交易数据。
本发明实施例提供一种交易数据的预测装置,所述装置包括:
获取模块,用于获取设定区域范围内第一至第N设定时间段的交易数据;
模型优化模块,用于根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定支持向量机预测模型的参数,得到优化后的支持向量机预测模型;针对于所述第一至第N设定时间段中的每一设定时间段,将所述每一设定时间段之前的Q个设定时间段的交易数据输入优化后的支持向量机预测模型,预测出所述每一设定时间段的预测交易数据;根据所述每一设定时间段的预测交易数据与所述每一设定时间段的交易数据,得到所述每一设定时间段的预测相对误差;采用马尔科夫链模型对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵;根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值;
预测模块,用于将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,得到所述第N+j设定时间段的初始预测交易数据;根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据。
可选地,所述支持向量机预测模型的参数包括惩罚系数和径向基核函数的宽度系数;
所述模型优化模块具体用于:
构建包括所述惩罚系数和径向基核函数的宽度系数的粒子;
根据预设的粒子适应度确定出所述粒子的最优位置,进而得到惩罚系数和径向基核函数的宽度系数。
可选地,所述模型优化模块具体用于:
将所述第一至第N设定时间段的预测相对误差划分为多个区间;所述多个区间分别对应所述多个状态;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差的状态转移情况,得到所述第h设定时间段对应的状态转移矩阵,1≤h≤N。
可选地,所述模型优化模块具体用于:
根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段的状态转移矩阵,得到第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差,得到所述第h设定时间段的预测相对误差的自相关系数;根据所述第h设定时间段的预测相对误差的自相关系数,得到所述第h设定时间段对应的状态转移矩阵的权系数;
根据所述第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值,以及所述至少一个设定时间段的状态转移矩阵的权系数,得到第N+j设定时间段的预测相对误差在所述多个状态上的概率值。
可选地,所述预测模块具体用于:
根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值;
根据所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值,得到所述第N+j设定时间段的预测交易数据。
本发明的上述实施例中,获取设定区域范围内第一至第N设定时间段的交易数据,根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定支持向量机预测模型的参数,得到优化后的支持向量机预测模型,针对于所述第一至第N设定时间段中的每一设定时间段,将所述每一设定时间段之前的Q个设定时间段的交易数据输入优化后的支持向量机预测模型,预测出所述每一设定时间段的预测交易数据,根据所述每一设定时间段的预测交易数据与所述每一设定时间段的交易数据,得到所述每一设定时间段的预测相对误差,采用马尔可夫链模型对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵,根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值,将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,得到所述第N+j设定时间段的初始预测交易数据,根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据。由于支持向量机相较于传统的多元线性回归模型在非线性曲线拟合上具备更好的优势,尤其是针对不规则的、非线性趋势的预测拥有更高的预测精度,因此,本发明实施例基于支持向量机构建预测模型,能够产生较准确的预测效果;且,通过采用粒子群优化算选取支持向量机预测模型的参数,从而使得预测模型调整为最佳预测状态,进一步提高预测的准确性;以及,通过马尔可夫链的优化,可将支持向量机预测模型的预测结果转变为预测区间,提供了更加丰富的预测信息,且预测区间能提供更加精确的预测结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种交易数据的预测方法所对应的流程示意图;
图2为采用马尔可夫链对预测结果进行优化的步骤示意图;
图3为本发明实施例提供的一种交易数据的预测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供的交易数据的预测方法可应用于多种交易场景的预测中,例如,商场的银行卡交易次数和交易金额的数据预测、主题公园的银行卡交易次数和交易金额的数据预测等,本发明实施例对此不做具体限定。
图1为本发明实施例提供的一种交易数据的预测方法所对应的流程示意图。如图1所示,该方法包括:
步骤101,获取设定区域范围内第一至第N设定时间段的交易数据;
步骤102,根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定支持向量机预测模型的参数,得到优化后的支持向量机预测模型;
步骤103,针对于所述第一至第N设定时间段中的每一设定时间段,将所述每一设定时间段之前的Q个设定时间段的交易数据输入优化后的支持向量机预测模型,预测出所述每一设定时间段的预测交易数据;根据所述每一设定时间段的预测交易数据与所述每一设定时间段的交易数据,得到所述每一设定时间段的预测相对误差;Q为整数;
步骤104,采用马尔科夫链模型对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵;
步骤105,根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值;
步骤106,将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,得到所述第N+j设定时间段的初始预测交易数据;
步骤107,根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据。
由于支持向量机相较于传统的多元线性回归模型在非线性曲线拟合上具备更好的优势,尤其是针对不规则的、非线性趋势的预测拥有更高的预测精度,因此,本发明实施例基于支持向量机构建预测模型,能够产生较准确的预测效果;且,通过采用粒子群优化算选取支持向量机预测模型的参数,从而使得预测模型调整为最佳预测状态,进一步提高预测的准确性;以及,通过马尔可夫链的优化,可将支持向量机预测模型的预测结果转变为预测区间,提供了更加丰富的预测信息,且预测区间能提供更加精确的预测结果。
下面首先对本发明实施例中所采用的支持向量机预测模型、粒子群优化算法、以及马尔可夫链的原理进行介绍。
本发明实施例中,可以设置支持向量机预测模型为函数f(x)=wφ(x)+b,采用粒子群优化算法选取该函数的参数,根据选取的参数,可得到优化后的支持向量机预测模型,进而基于优化后的支持向量机预测模型,可进行交易数据的预测,进而采用马尔可夫链对支持向量机预测模型的预测结果进行进一步的优化,以便于获取更精确的预测结果。
具体来说,支持向量机预测模型的建立可以描述为:
设有一数据集为S=(xi,yi),i=1,2,…,n,xi∈Rp,yi∈R,xi是输入数据,为p维向量,yi为实际输出数据。通过一个非线性变换φ,将数据集中的x映射到高维的特征空间F中,并且在特征空间F中寻找一线性函数f(x),使得f(x)能够很好地在特征空间F中对数据集S进行线性回归。设:
f(x)=wφ(x)+b (1)
其中,w为回归系数向量,或称为权向量,b为回归常数,或称分类阈值。通过结构风险最小化的原则,在取损失函数为ε不敏感损失函数的前提下,求解回归函数f(x)即为求解如下优化问题:
求解二次规划问题(2),有
其中,K(x,xi)=exp(-|x-xi|2/σ2)。
由于支持向量机预测模型的预测结果在很大程度上取决于不敏感损失函数中的ε、惩罚系数C和径向基函数中的宽度系数σ2这三个参数。直观上地,在给出C和σ2的取值范围之后,控制忽略真实值在某个上下范围内的误差ε,遍历(C,σ2)上的所有值,就可以根据预设的粒子适应度,得到最优值C和σ2。粒子群优化算法能够在一定的误差条件下,快速获取支持向量机预测模型的参数值,从而有效解决了支持向量机预测模型的参数的设置问题。具体的优化思想如下:
将目标函数设置为均方误差函数,即为
其中yi为真实值,为预测值。
将(C,σ2)记为x=(x1,x2),它构成群体中的粒子,则第i个粒子的位置可表示为xi=(xi1,xi2),并记第i个粒子的速度为vi=(vi1,vi2),所经历的历史最优点pi=(pi1,pi2),全局最优点pg=(pg1,pg2)。则粒子的位置和速度将以如下方程进行变化:
其中,c1和c2称为学习因子,通常等于2。δ1和δ2为[0,1]上的伪随机数。w为惯性权重,取值将影响算法的探索能力和开发能力。在此将其取值为时变权重,设w∈[wmin,wmax],则有其中Iter_max为最大迭代次数,并令[wmin,wmax]=[0.1,0.9]。
通过粒子群优化算法确定出支持向量机预测模型的参数后,得到优化后的支持向量机预测模型,进而可采用优化后的支持向量机预测模型对训练数据进行预测,并将预测结果与真实结果进行比较,计算预测相对误差,根据预测相对误差的大小划分为不同的区间(即状态),然后通过加权马尔可夫链理论将单点预测值转化为不同状态概率区间的预测结果,最后求期望获得精确的预测结果。
图2为采用马尔可夫链对预测结果进行优化的步骤示意图,如图2所示,包括:
步骤201:将交易数据预测结果的相对误差分成多个状态,如:
状态1:相对误差在(-∞,a1)之间;状态2:相对误差在(a1,a2)之间;
状态3:相对误差在(a2,a3)之间;状态4:相对误差在(a3,a4)之间;状态5:相对误差在(a4,a5)之间;状态6:相对误差在(a5,a6)之间;
……
其中,a1,a2,a3,a4,a5,a6,…可以根据实际情况自行调节。具体划分的状态个数可由本领域技术人员根据经验设置。
步骤202:确定各个时间段交易数据的相对误差所处的状态,并根据各阶状态转移的频率生成各阶状态转移概率矩阵P(k)=P·P·…·P,其中,k为阶数。
步骤203:计算预测相对误差的k阶自相关系数:
其中,rk表示预测相对误差的k阶自相关系数,xt表示t设定时间段预测交易数据的预测相对误差,表示预测相对误差的平均值,n的具体取值可根据实际需要来确定。
步骤204:计算各阶状态转移概率矩阵的权系数:
其中,wk表示k阶状态转移概率矩阵的权系数,rk表示预测相对误差的k阶自相关系数,m的具体取值可根据实际需要来确定。
步骤205:将预测时间段之前的一个时间段的预测相对误差所处的状态值,乘以与该时间段对应的状态转移矩阵,可得到预测时间段的预测相对误差在各个状态的初始概率值。
步骤206:根据各个时间得到预测时间段的预测相对误差在各个状态上初始概率值,将同一状态的各个概率值加权求和,得到最终的预测相对误差在各个状态上的概率值。
步骤207:将预测相对误差的状态的概率值转化为预测结果在与多个状态对应的预测区间上的概率值;
步骤208:根据预测结果在与多个状态对应的预测区间上的概率值,计算期望值,得到预测交易数据。
下面结合步骤101至步骤107对本发明实施例中的预测过程进行说明。
具体来说,步骤101中,设定区域范围可以为预先设定的一个地理范围,例如,可以为城市中的一个区。设定时间段可以为24小时,即一天。第一至第N设定时间段为当前时间之前的某一时期的历史交易数据,若当前时间为2016年9月1日,则第一至第N设定时间段可以为2016年7月1日至2016年7月31日,第一至第N设定时间段的交易数据分别为2016年7月份每一天的交易数据。
步骤102中,支持向量机预测模型的参数包括惩罚系数和径向基核函数的宽度系数;采用粒子群优化算法确定支持向量机预测模型的参数,包括:构建包括所述惩罚系数和径向基核函数的宽度系数的粒子;根据预设的粒子适应度确定出所述粒子的最优位置,进而得到惩罚系数和径向基核函数的宽度系数。具体可参见上述关于粒子群优化算法的介绍。
步骤103中,针对于2016年7月份中每一天,例如,第15天(即为2016年7月15日),可以将7月份的第1至第14天的交易数据输入优化后的支持向量机预测模型,预测出7月15日的预测交易数据,或者,也可以将第8至第14天的交易数据输入优化后的支持向量机预测模型,预测出7月15日的预测交易数据,本领域技术人员可依据实际情况来设定Q的取值,具体不做限定。
需要说明的是,针对于7月1日,由于不存在7月1日之前的交易数据,因此,可假设7月1日的预测交易数据即为7月1日的交易数据,此时,7月1日的预测相对误差为0。
进一步地,为保证数据一致,本发明实施例中可设定Q的取值始终5,此时,由于7月1日至7月5日前不存在5天的交易数据,因此,可忽略7月1日至7月5日,即从7月6日开始,采用7月1日至7月5日的交易数据得到预测7月6日的预测交易数据,采用7月2日至7月6日的交易数据得到预测7月7日的预测交易数据,采用7月3日至7月7日的交易数据得到预测7月8日的预测交易数据,以此类推,直到得到7月31日的预测交易数据。
下面仍以预测出2016年7月1日至2016年7月31日中每一天的预测交易数据为例进行说明。
将2016年7月1日至2016年7月31日的预测交易数据分别与2016年7月1日至2016年7月31日的交易数据进行比较,可得到2016年7月1日至2016年7月31日的预测相对误差,例如,2016年7月1日的预测交易数据为100,真实交易数据为90,则可得到2016年7月1日的预测相对误差为10%。
步骤104中,将所述第一至第N设定时间段的预测相对误差划分为多个区间,所述多个区间分别对应所述多个状态,具体可参见步骤201中的介绍。针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差的状态转移情况,得到所述第h设定时间段对应的状态转移矩阵,1≤h≤N。
需要说明的是,本发明实施例可得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵,求取至少一个设定时间段对应的状态转移矩阵是为后文中基于所述至少一个设定时间段的预设相对误差计算预测未来某一天(第N+j设定时间段)的预测相对误差在多个状态上的概率值奠定基础。因此,此步骤中可仅求取一个设定时间段对应的状态转移矩阵,后文中仅基于该设定时间段的预设相对误差来预测,为保证预测结果更加准确,本发明实施例优选此步骤中求取多个设定时间段对应的状态转移矩阵,从而使得后文中可基于更多个设定时间段的预设相对误差来预测。
进一步地,由于基于与未来某一天更近的设定时间段的数据来预测未来某一天的数据,能够有效提高预测的准确性,因此,本发明实施例中进一步优选求取出第i至第N设定时间段对应的状态转移矩阵(i≥1),并分别基于第i至第N设定时间段的预设相对误差来预测第N+j设定时间段的预测相对误差在多个状态上的初始概率值。下面以第N+i设定时间段为2016年7月29日为例进行说明。
将2016年7月1日至2016年7月31日的预测相对误差划分为多个区间(即为多个状态),针对于2016年7月29日至2016年7月31日中的任一天,根据2016年7月1日至该天的预测相对误差的状态转移情况,得到该天对应的状态转移矩阵,从而可得到2016年7月29日至2016年7月31日分别对应的状态转移矩阵,分别记为矩阵P1,P2,P3,进而可分别基于2016年7月29日、2016年7月30日、2016年7月31日预测未来某一天(即为第N+j设定时间段,例如:2016年8月2日或2016年8月3日)的预测相对误差在多个状态上的初始概率值。
步骤105中,根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段的状态转移矩阵,得到第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值;针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差,得到所述第h设定时间段的预测相对误差的自相关系数,对应上述步骤203;根据所述第h设定时间段的预测相对误差的自相关系数,得到所述第h设定时间段对应的状态转移矩阵的权系数,对应上述步骤204;根据所述第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值,以及所述至少一个设定时间段的状态转移矩阵的权系数,得到第N+j设定时间段的预测相对误差在所述多个状态上的概率值,对应上述步骤205至步骤206。
也就是说,根据2016年7月29日至2016年7月31日的预测相对误差的自相关系数,得到2016年7月29日至2016年7月31日分别对应的状态转移矩阵的权系数,分别即为W1,W2,W3。
根据分别基于2016年7月29日、2016年7月30日、2016年7月31日预测未来某一天(第N+j设定时间段)的预测相对误差在多个状态上的初始概率值,以及2016年7月29日至2016年7月31日分别对应的状态转移矩阵的权系数,对于同一状态上的概率值进行加权求和,得到未来某一天(第N+j设定时间段)的预测相对误差在多个状态上的最终的概率值。
例如,设状态的个数为两个,基于2016年7月29日预测未来某一天(第N+j设定时间段)的预测相对误差在多个状态上的初始概率值为(0.2,0.8),基于2016年7月30日预测未来某一天(第N+j设定时间段)的预测相对误差在多个状态上的初始概率值为(0.3,0.7),基于2016年7月31日预测未来某一天(第N+j设定时间段)的预测相对误差在多个状态上的初始概率值为(0.25,0.75);且2016年7月29日对应的状态转移矩阵的权系数为W1(0.45,0.55),2016年7月29日对应的状态转移矩阵的权系数为W1(0.5,0.5),2016年7月29日对应的状态转移矩阵的权系数为W1(0.6,0.4),则未来某一天(第N+j设定时间段)的预测相对误差在多个状态上的最终的概率值为(0.2*0.45+0.3*0.5+0.25*0.6,0.8*0.55+0.7*0.5+0.75*0.4),即(0.39,0.61)。
步骤106中,将2016年7月1日至2016年7月31日的交易数据输入优化后的支持向量机预测模型,得到未来某一天(第N+j设定时间段)的初始预测交易数据。
步骤107中,根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值,对应上述步骤207;根据所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值,得到所述第N+j设定时间段的预测交易数据,对应上述步骤208。
也就是说,假设优化后的支持向量机预测模型预测得到的未来某一天(第N+j设定时间段)的初始预测交易数据为100,上述得到的第N+j设定时间段的预测相对误差在两个状态上的最终的概率值为(0.39,0.61),设两个状态对应的预测相对误差的区间分别为[-10%,0),[0,10%],则根据初始预测交易数据,可得到预测区间分别为[90,100),[100,110],且预测区间[90,100)的概率值为0.39,预测区间[100,110]的概率值为0.61;采用预测区间的中值求取期望值得到最终的预测交易数据为95*0.39+105*0.61=101.1。
通过上述过程,能够使得最终得到的预测交易数据相比于初始交易数据更加准确。
需要说明的是,上述步骤编号仅为本发明实施例示例的一种流程执行顺序,本发明实施例对此不做具体限定。
本发明的上述实施例中,获取设定区域范围内第一至第N设定时间段的交易数据,根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定支持向量机预测模型的参数,得到优化后的支持向量机预测模型,将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,预测出第一至第N设定时间段的预测交易数据,根据所述第一至第N设定时间段的预测交易数据与所述第一至第N设定时间段的交易数据,得到所述第一至第N设定时间段的预测相对误差,采用马尔可夫链模型对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵,根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值,将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,得到所述第N+j设定时间段的初始预测交易数据,根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据。由于支持向量机相较于传统的多元线性回归模型在非线性曲线拟合上具备更好的优势,尤其是针对不规则的、非线性趋势的预测拥有更高的预测精度,因此,本发明实施例基于支持向量机构建预测模型,能够产生较准确的预测效果;且,通过采用粒子群优化算选取支持向量机预测模型的参数,从而使得预测模型调整为最佳预测状态,进一步提高预测的准确性;以及,通过马尔可夫链的优化,可将支持向量机预测模型的预测结果转变为预测区间,提供了更加丰富的预测信息,且预测区间能提供更加精确的预测结果。
针对上述方法流程,本发明实施例还提供一种交易数据的预测装置,该装置的具体内容可以参照上述方法实施。
图3为本发明实施例提供的一种交易数据的预测装置的结构示意图。如图3所示,所述装置包括:
获取模块301,用于获取设定区域范围内第一至第N设定时间段的交易数据;
模型优化模块302,用于根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定支持向量机预测模型的参数,得到优化后的支持向量机预测模型;针对于所述第一至第N设定时间段中的每一设定时间段,将所述每一设定时间段之前的Q个设定时间段的交易数据输入优化后的支持向量机预测模型,预测出所述每一设定时间段的预测交易数据;根据所述每一设定时间段的预测交易数据与所述每一设定时间段的交易数据,得到所述每一设定时间段的预测相对误差;采用马尔科夫链模型对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵;根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值;
预测模块303,用于将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,得到所述第N+j设定时间段的初始预测交易数据;根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据。
可选地,所述支持向量机预测模型的参数包括惩罚系数和径向基核函数的宽度系数;
所述模型优化模块302具体用于:
构建包括所述惩罚系数和径向基核函数的宽度系数的粒子;
根据预设的粒子适应度确定出所述粒子的最优位置,进而得到惩罚系数和径向基核函数的宽度系数。
可选地,所述模型优化模块302具体用于:
将所述第一至第N设定时间段的预测相对误差划分为多个区间;所述多个区间分别对应所述多个状态;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差的状态转移情况,得到所述第h设定时间段对应的状态转移矩阵,1≤h≤N。
可选地,所述模型优化模块302具体用于:
根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段的状态转移矩阵,得到第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差,得到所述第h设定时间段的预测相对误差的自相关系数;根据所述第h设定时间段的预测相对误差的自相关系数,得到所述第h设定时间段对应的状态转移矩阵的权系数;
根据所述第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值,以及所述至少一个设定时间段的状态转移矩阵的权系数,得到第N+j设定时间段的预测相对误差在所述多个状态上的概率值。
可选地,所述预测模块303具体用于:
根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值;
根据所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值,得到所述第N+j设定时间段的预测交易数据。
从上述内容可以看出:本发明实施例中,获取设定区域范围内第一至第N设定时间段的交易数据,根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定支持向量机预测模型的参数,得到优化后的支持向量机预测模型,将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,预测出第一至第N设定时间段的预测交易数据,根据所述第一至第N设定时间段的预测交易数据与所述第一至第N设定时间段的交易数据,得到所述第一至第N设定时间段的预测相对误差,采用马尔可夫链模型对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵,根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值,将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,得到所述第N+j设定时间段的初始预测交易数据,根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据。
由于支持向量机相较于传统的多元线性回归模型在非线性曲线拟合上具备更好的优势,尤其是针对不规则的、非线性趋势的预测拥有更高的预测精度,因此,本发明实施例基于支持向量机构建预测模型,能够产生较准确的预测效果;且,通过采用粒子群优化算选取支持向量机预测模型的参数,从而使得预测模型调整为最佳预测状态,进一步提高预测的准确性;以及,通过马尔可夫链的优化,可将支持向量机预测模型的预测结果转变为预测区间,提供了更加丰富的预测信息,且预测区间能提供更加精确的预测结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种交易数据的预测方法,其特征在于,所述方法包括:
获取设定区域范围内第一至第N设定时间段的交易数据;
根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定支持向量机预测模型的参数,得到优化后的支持向量机预测模型;
针对于所述第一至第N设定时间段中的每一设定时间段,将所述每一设定时间段之前的Q个设定时间段的交易数据输入优化后的支持向量机预测模型,预测出所述每一设定时间段的预测交易数据;根据所述每一设定时间段的预测交易数据与所述每一设定时间段的交易数据,得到所述每一设定时间段的预测相对误差;Q为整数;
采用马尔科夫链模型对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵;
根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值;
将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,得到所述第N+j设定时间段的初始预测交易数据;
根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据。
2.如权利要求1所述的方法,其特征在于,所述支持向量机预测模型的参数包括惩罚系数和径向基核函数的宽度系数;
所述采用粒子群优化算法确定支持向量机预测模型的参数,包括:
构建包括所述惩罚系数和径向基核函数的宽度系数的粒子;
根据预设的粒子适应度确定出所述粒子的最优位置,进而得到惩罚系数和径向基核函数的宽度系数。
3.如权利要求1所述的方法,其特征在于,采用马尔科夫链对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵,包括:
将所述第一至第N设定时间段的预测相对误差划分为多个区间;所述多个区间分别对应所述多个状态;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差的状态转移情况,得到所述第h设定时间段对应的状态转移矩阵,1≤h≤N。
4.如权利要求3所述的方法,其特征在于,根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值,包括:
根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段的状态转移矩阵,得到第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差,得到所述第h设定时间段的预测相对误差的自相关系数;根据所述第h设定时间段的预测相对误差的自相关系数,得到所述第h设定时间段对应的状态转移矩阵的权系数;
根据所述第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值,以及所述至少一个设定时间段的状态转移矩阵的权系数,得到第N+j设定时间段的预测相对误差在所述多个状态上的概率值。
5.如权利要求4所述的方法,其特征在于,根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据,包括:
根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值;
根据所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值,得到所述第N+j设定时间段的预测交易数据。
6.一种交易数据的预测装置,其特征在于,所述装置包括:
获取模块,用于获取设定区域范围内第一至第N设定时间段的交易数据;
模型优化模块,用于根据所述第一至第N设定时间段的交易数据,采用粒子群优化算法确定支持向量机预测模型的参数,得到优化后的支持向量机预测模型;针对于所述第一至第N设定时间段中的每一设定时间段,将所述每一设定时间段之前的Q个设定时间段的交易数据输入优化后的支持向量机预测模型,预测出所述每一设定时间段的预测交易数据;根据所述每一设定时间段的预测交易数据与所述每一设定时间段的交易数据,得到所述每一设定时间段的预测相对误差;采用马尔科夫链模型对所述第一至第N设定时间段的预测相对误差进行分析,得到第一至第N设定时间段中至少一个设定时间段对应的状态转移矩阵;根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段对应的状态转移矩阵,得到第N+j设定时间段的预测相对误差在多个状态上的概率值;
预测模块,用于将所述第一至第N设定时间段的交易数据输入优化后的支持向量机预测模型,得到所述第N+j设定时间段的初始预测交易数据;根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据。
7.如权利要求6所述的装置,其特征在于,所述支持向量机预测模型的参数包括惩罚系数和径向基核函数的宽度系数;
所述模型优化模块具体用于:
构建包括所述惩罚系数和径向基核函数的宽度系数的粒子;
根据预设的粒子适应度确定出所述粒子的最优位置,进而得到惩罚系数和径向基核函数的宽度系数。
8.如权利要求6所述的装置,其特征在于,所述模型优化模块具体用于:
将所述第一至第N设定时间段的预测相对误差划分为多个区间;所述多个区间分别对应所述多个状态;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差的状态转移情况,得到所述第h设定时间段对应的状态转移矩阵,1≤h≤N。
9.如权利要求8所述的装置,其特征在于,所述模型优化模块具体用于:
根据所述至少一个设定时间段的预测相对误差,以及所述至少一个设定时间段的状态转移矩阵,得到第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值;
针对于所述至少一个设定时间段中的第h设定时间段,根据所述第一至第h设定时间段的预测相对误差,得到所述第h设定时间段的预测相对误差的自相关系数;根据所述第h设定时间段的预测相对误差的自相关系数,得到所述第h设定时间段对应的状态转移矩阵的权系数;
根据所述第N+j设定时间段的预测相对误差在所述多个状态上的初始概率值,以及所述至少一个设定时间段的状态转移矩阵的权系数,得到第N+j设定时间段的预测相对误差在所述多个状态上的概率值。
10.如权利要求9所述的装置,其特征在于,所述预测模块具体用于:
根据所述第N+j设定时间段的初始预测交易数据以及所述第N+j设定时间段的预测相对误差在多个状态上的概率值,得到所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值;
根据所述第N+j设定时间段的预测交易数据在与所述多个状态对应的预测区间上的概率值,得到所述第N+j设定时间段的预测交易数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610844037.1A CN106485348A (zh) | 2016-09-22 | 2016-09-22 | 一种交易数据的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610844037.1A CN106485348A (zh) | 2016-09-22 | 2016-09-22 | 一种交易数据的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106485348A true CN106485348A (zh) | 2017-03-08 |
Family
ID=58267240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610844037.1A Pending CN106485348A (zh) | 2016-09-22 | 2016-09-22 | 一种交易数据的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485348A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256924A (zh) * | 2018-02-26 | 2018-07-06 | 上海理工大学 | 一种产品销售预测装置 |
CN108305103A (zh) * | 2018-02-26 | 2018-07-20 | 上海理工大学 | 一种基于参数优化的支持向量机模型的产品销售预测方法 |
CN108471362A (zh) * | 2018-03-30 | 2018-08-31 | 北京三快在线科技有限公司 | 资源分配预测方法和装置 |
CN108564458A (zh) * | 2018-01-09 | 2018-09-21 | 秒钱(北京)信息服务有限公司 | 一种基于蒙特卡洛模拟的消费预测方法及系统 |
WO2020063686A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
TWI734920B (zh) * | 2017-07-18 | 2021-08-01 | 大陸商中國銀聯股份有限公司 | 用於交易風險實時偵測的方法和裝置 |
CN115174359A (zh) * | 2022-07-01 | 2022-10-11 | 中国银行股份有限公司 | 一种确定系统重连的方法、装置及设备 |
CN115622774A (zh) * | 2022-08-08 | 2023-01-17 | 付舒丛 | 基于改进的粒子群算法优化的支持向量机的数据加密传输的电子商务交易系统 |
-
2016
- 2016-09-22 CN CN201610844037.1A patent/CN106485348A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI734920B (zh) * | 2017-07-18 | 2021-08-01 | 大陸商中國銀聯股份有限公司 | 用於交易風險實時偵測的方法和裝置 |
CN108564458A (zh) * | 2018-01-09 | 2018-09-21 | 秒钱(北京)信息服务有限公司 | 一种基于蒙特卡洛模拟的消费预测方法及系统 |
CN108564458B (zh) * | 2018-01-09 | 2022-03-01 | 秒钱(北京)信息服务有限公司 | 一种基于蒙特卡洛模拟的消费预测方法及系统 |
CN108256924A (zh) * | 2018-02-26 | 2018-07-06 | 上海理工大学 | 一种产品销售预测装置 |
CN108305103A (zh) * | 2018-02-26 | 2018-07-20 | 上海理工大学 | 一种基于参数优化的支持向量机模型的产品销售预测方法 |
CN108471362A (zh) * | 2018-03-30 | 2018-08-31 | 北京三快在线科技有限公司 | 资源分配预测方法和装置 |
CN108471362B (zh) * | 2018-03-30 | 2019-07-09 | 北京三快在线科技有限公司 | 资源分配预测方法和装置 |
WO2020063686A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
EP3822839A4 (en) * | 2018-09-25 | 2021-09-01 | Ennew Digital Technology Co., Ltd. | THERMAL LOAD PREDICTING PROCESS AND APPARATUS, READABLE SUPPORT, AND ELECTRONIC DEVICE |
US11887020B2 (en) | 2018-09-25 | 2024-01-30 | Ennew Technology Co., Ltd. | Thermal load prediction method and apparatus, readable medium, and electronic device |
JP7426992B2 (ja) | 2018-09-25 | 2024-02-02 | 新智数字科技有限公司 | 熱負荷予測方法、装置、読み取り可能な媒体及び電子機器 |
CN115174359A (zh) * | 2022-07-01 | 2022-10-11 | 中国银行股份有限公司 | 一种确定系统重连的方法、装置及设备 |
CN115622774A (zh) * | 2022-08-08 | 2023-01-17 | 付舒丛 | 基于改进的粒子群算法优化的支持向量机的数据加密传输的电子商务交易系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485348A (zh) | 一种交易数据的预测方法及装置 | |
Maghsoudlou et al. | A multi-objective invasive weeds optimization algorithm for solving multi-skill multi-mode resource constrained project scheduling problem | |
CN103810101B (zh) | 一种软件缺陷预测方法和软件缺陷预测系统 | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CA2436352A1 (en) | Process and system for developing a predictive model | |
Khan et al. | Sampling CAD models via an extended teaching–learning-based optimization technique | |
Li et al. | Data-driven real-time power dispatch for maximizing variable renewable generation | |
CN107122327A (zh) | 一种利用训练数据训练模型的方法和训练系统 | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
CN110188733A (zh) | 基于3d区域卷积神经网络的时序行为检测方法及系统 | |
CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
EP3382609A1 (en) | Risk assessment method, risk assessment program, and information processing device | |
CN110097450A (zh) | 车贷风险评估方法、装置、设备和存储介质 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
Yi et al. | Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
Sabzi et al. | Numerical comparison of multi-criteria decision-Making techniques: A simulation of flood management multi-criteria systems | |
Arjmand et al. | Solving a multi-mode bi-objective resource investment problem using meta-heuristic algorithms | |
CN106529726A (zh) | 一种基于股票预测走势进行分类和推荐的方法 | |
CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
CN116956049A (zh) | 工业产能预测模型的训练方法、装置、设备及存储介质 | |
KR20160127896A (ko) | 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 | |
CN107491841A (zh) | 非线性优化方法及存储介质 | |
CN114819107B (zh) | 基于深度学习的混合数据同化方法 | |
Ye et al. | Proposed strategy for the application of the modified harmony search algorithm to code-based selection and scaling of ground motions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170308 |