CN110009380B - 交易数据预测方法、装置、电子设备及计算机存储介质 - Google Patents

交易数据预测方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN110009380B
CN110009380B CN201811446362.8A CN201811446362A CN110009380B CN 110009380 B CN110009380 B CN 110009380B CN 201811446362 A CN201811446362 A CN 201811446362A CN 110009380 B CN110009380 B CN 110009380B
Authority
CN
China
Prior art keywords
transaction data
prediction
data prediction
unit time
time interval
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.)
Active
Application number
CN201811446362.8A
Other languages
English (en)
Other versions
CN110009380A (zh
Inventor
李莹洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201811446362.8A priority Critical patent/CN110009380B/zh
Publication of CN110009380A publication Critical patent/CN110009380A/zh
Application granted granted Critical
Publication of CN110009380B publication Critical patent/CN110009380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (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预测方法、装置、电子设备及计算机存储介质，所述方法包括：获取交易数据预测时间区间及预测模型集合，其中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，所述预测模型集合包括两个或多个预测模型；根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测；输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果。本公开能够为具有不同特征标识的交易数据预测单位时间选择不同的预测模型，因而能够有效减小交易数据预测误差，提高交易数据预测准确率。

Description

交易数据预测方法、装置、电子设备及计算机存储介质
技术领域
本发明实施例涉及数据处理技术领域，具体涉及一种交易数据预测方法、装置、电子设备及计算机存储介质。
背景技术
随着数据技术的发展，为了降低操作风险，提前制定应对措施，在很多交易场景下，都需要对于未来的交易数据进行预测，以进行损益控制。现有技术中，通常使用预先训练得到的一个预测模型对于某一业务日或者包括几个业务日的某一业务时间区间的交易数据进行预测，这对于交易数据相对比较平稳的单一业务日和业务时间区间来说是有效的，但如果业务日的交易数据有可能存在较大的波动，则使用该预测模型得到的预测数据就会出现较大的预测误差。
发明内容
本发明实施例提供一种交易数据预测方法、装置、电子设备及计算机存储介质。
第一方面，本发明实施例中提供了一种交易数据预测方法。
具体的，所述交易数据预测方法，包括：
获取交易数据预测时间区间及预测模型集合，其中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，所述预测模型集合包括两个或多个预测模型；
根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测；
输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果。
结合第一方面，本公开在第一方面的第一种实现方式中，所述根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测，包括：
获取所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应信息；
基于所述对应信息，根据所述交易数据预测单位时间的特征标识选择与其对应的预测模型；
利用选择的预测模型对于所述交易数据预测单位时间的交易数据进行预测。
结合第一方面和第一方面的第一种实现方式，本公开在第一方面的第二种实现方式中，所述预测模型根据与所述交易数据预测单位时间的特征标识对应的历史交易数据训练得到。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式，本公开在第一方面的第三种实现方式中，所述输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果，包括：
对与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果进行组合，得到与所述交易数据预测时间区间对应的交易数据预测结果集合；
输出所述交易数据预测结果集合。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式，本公开在第一方面的第四种实现方式中，所述方法还包括：
设置所述交易数据预测时间区间中交易数据预测单位时间的特征标识。
第二方面，本发明实施例中提供了一种交易数据预测装置。
具体的，所述交易数据预测装置，包括：
获取模块，被配置为获取交易数据预测时间区间及预测模型集合，其中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，所述预测模型集合包括两个或多个预测模型；
预测模块，被配置为根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测；
输出模块，被配置为输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果。
结合第二方面，本公开在第二方面的第一种实现方式中，所述预测模块包括：
获取子模块，被配置为获取所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应信息；
选择子模块，被配置为基于所述对应信息，根据所述交易数据预测单位时间的特征标识选择与其对应的预测模型；
预测子模块，被配置为利用选择的预测模型对于所述交易数据预测单位时间的交易数据进行预测。
结合第二方面和第二方面的第一种实现方式，本公开在第二方面的第二种实现方式中，所述预测模型根据与所述交易数据预测单位时间的特征标识对应的历史交易数据训练得到。
结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式，本公开在第二方面的第三种实现方式中，所述输出模块包括：
组合子模块，被配置为对与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果进行组合，得到与所述交易数据预测时间区间对应的交易数据预测结果集合；
输出子模块，被配置为输出所述交易数据预测结果集合。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式，本公开在第二方面的第四种实现方式中，所述装置还包括：
设置模块，被配置为设置所述交易数据预测时间区间中交易数据预测单位时间的特征标识。
第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条支持交易数据预测装置执行上述第一方面中交易数据预测方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述交易数据预测装置还可以包括通信接口，用于交易数据预测装置与其他设备或通信网络通信。
第四方面，本发明实施例提供了一种计算机可读存储介质，用于存储交易数据预测装置所用的计算机指令，其包含用于执行上述第一方面中交易数据预测方法为交易数据预测装置所涉及的计算机指令。
本发明实施例提供的技术方案可以包括以下有益效果：
上述技术方案通过设置多个预测模型，并根据交易数据预测时间区间内不同交易数据预测单位时间的特征标识来选择合适的预测模型进行交易数据预测。该技术方案能够为具有不同特征标识的交易数据预测单位时间选择不同的预测模型，因而能够有效减小交易数据预测误差，提高交易数据预测准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明实施例。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本发明实施例的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本发明一实施方式的交易数据预测方法的流程图；
图2示出根据图1所示实施方式的交易数据预测方法的步骤S102的流程图；
图3示出根据图1所示实施方式的交易数据预测方法的步骤S103的流程图；
图4示出根据本发明另一实施方式的交易数据预测方法的流程图；
图5示出根据本发明一实施方式的交易数据预测装置的结构框图；
图6示出根据图5所示实施方式的交易数据预测装置的预测模块502的结构框图；
图7示出根据图5所示实施方式的交易数据预测装置的输出模块503的结构框图；
图8示出根据本发明另一实施方式的交易数据预测装置的结构框图；
图9示出根据本发明一实施方式的电子设备的结构框图；
图10是适于用来实现根据本发明一实施方式的交易数据预测方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本发明实施例的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本发明实施例中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明实施例。
本发明实施例提供的技术方案通过设置多个预测模型，并根据交易数据预测时间区间内不同交易数据预测单位时间的特征标识来选择合适的预测模型进行交易数据预测。该技术方案能够为具有不同特征标识的交易数据预测单位时间选择不同的预测模型，因而能够有效减小交易数据预测误差，提高交易数据预测准确率。
图1示出根据本发明一实施方式的交易数据预测方法的流程图，如图1所示，所述交易数据预测方法包括以下步骤S101-S103：
在步骤S101中，获取交易数据预测时间区间及预测模型集合，其中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，所述预测模型集合包括两个或多个预测模型；
在步骤S102中，根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测；
在步骤S103中，输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果。
上文提及，随着数据技术的发展，为了降低操作风险，提前制定应对措施，在很多交易场景下，都需要对于未来的交易数据进行预测，以进行损益控制。现有技术中，通常使用预先训练得到的一个预测模型对于某一业务日或者包括几个业务日的某一业务时间区间的交易数据进行预测，这对于交易数据相对比较平稳的单一业务日和业务时间区间来说是有效的，但如果业务日的交易数据有可能存在较大的波动，则使用该预测模型得到的预测数据就会出现较大的预测误差。
比如，对于支付宝国际汇兑业务，通常需要通过提前购买下一个购汇结算周期的各外汇交易量，来降低潜在的汇率敞口波动风险，同时，为了进一步进行损益控制，还需要对于每个购汇结算周期的外汇交易量进行预测。当购汇结算周期为多个业务日，且跨越6.18、双十一或双十二等促销区间时，由于促销区间中各业务日的交易量可能存在较大波动，比如，促销第一天往往交易量最大，中间几天交易量虽有所下降但较平日还是要高，最后几天交易量下降幅度较大，但与平日还是有所区别，很显然，在这种情况下，使用单一的预测模型对于购汇结算周期内的交易量进行预测将会带来较大的预测误差。
考虑到上述问题，在该实施方式中，提出一种交易数据预测方法，该方法通过设置多个预测模型，并根据交易数据预测时间区间内不同交易数据预测单位时间的特征标识来选择合适的预测模型进行交易数据预测。该技术方案能够为具有不同特征标识的交易数据预测单位时间选择不同的预测模型，因而能够有效减小交易数据预测误差，提高交易数据预测准确率。
其中，所述交易数据预测时间区间指的是需要预测的、未来的时间区间，比如从明天开始的n天。
在本实施例的一个可选实现方式中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，其中，所述交易数据预测单位时间指的是交易数据预测操作执行的单位时间，比如，若需要预测每一日可能发生的交易数据，则交易数据预测单位时间就是日。其中，所述特征标识用于表征所述交易数据预测单位时间的特点，比如，该交易数据预测单位时间是否处于大促期，是大促期中的第几天等等。上文提及，预测模型的选择与交易数据预测单位时间的特点有关，因此，在提供了交易数据预测单位时间的特征标识之后，就可以很方便地选择合适的预测模型进行预测了。
在本实施例的一个可选实现方式中，如图2所示，所述步骤S102，即根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测的步骤，包括以下步骤S201-S203：
在步骤S201中，获取所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应信息；
在步骤S202中，基于所述对应信息，根据所述交易数据预测单位时间的特征标识选择与其对应的预测模型；
在步骤S203中，利用选择的预测模型对于所述交易数据预测单位时间的交易数据进行预测。
在该实施方式中，根据所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应关系，选择合适的预测模型进行预测。具体地，首先获取所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应信息；然后基于所述对应信息，根据所述交易数据预测单位时间的特征标识选择与其对应的预测模型；最后利用选择的预测模型对于所述交易数据预测单位时间的交易数据进行预测。
在本实施例的一个可选实现方式中，所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应关系包括一对一、一对多或者多对一，本领域技术人员可根据实际应用的需要以及交易数据预测单位时间和预测模型的特点选择合适的对应关系，本发明对其不作具体限定。比如，若所述交易数据预测时间区间包括n天，第一天D1为日常业务日，交易量较小，其对应的预测模型为日常模型M1，第二天D2为大促第一天，交易量较大，其对应的预测模型为大促模型M2，第三天D3至第n-2天Dn-2为大促中间时间，交易量有所下降，其对应的预测模型均为大促模型M3，最后两天Dn-1和Dn为接近大促结束时间，交易量继续下降，其对应的预测模型均为大促模型M4。
其中，所述预测模型是根据与所述交易数据预测单位时间的特征标识对应的历史交易数据训练得到的。具体地，在训练所述预测模型时，可先确定所述预测模型对应的交易数据预测单位时间的特征标识，然后获取具有与所述交易数据预测单位时间的特征标识相同或相应特征标识的历史交易数据预测单位时间所对应的历史交易数据，最后利用这些历史交易数据，来训练与所述交易数据预测单位时间的特征标识对应的预测模型。比如，对于大促第一天D2，与其对应的预测模型可利用去年或者过去几年相同促销活动的第一天的交易数据作为训练数据进行训练，同样的道理，对于大促中间时间，第三天D3至第n-2天Dn-2，与其对应的预测模型可利用去年或者过去几年相同促销活动的第三天至第n-2天的交易数据作为训练数据进行训练，以此类推，即可得到与所述交易数据预测时间区间中每一交易数据预测单位时间相对应的预测模型。
在本实施例的一个可选实现方式中，在训练与所述交易数据预测单位时间的特征标识对应的、不同的预测模型时，除了所使用的训练数据不同，对于训练数据提取的特征也可以不同，甚至，预测模型本身以及训练策略都可以不同。本发明的目的是为了对于不同的交易数据预测单位时间，获得与其相适配的相同或不同的预测模型，对于不同预测模型原型的选取以及训练方法，本发明不作具体限定，本领域技术人员可根据实际应用的需要进行选择。
在本实施例的一个可选实现方式中，如图3所示，所述步骤S103，即输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果的步骤，包括以下步骤S301-S302：
在步骤S301中，对与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果进行组合，得到与所述交易数据预测时间区间对应的交易数据预测结果集合；
在步骤S302中，输出所述交易数据预测结果集合。
在该实施方式中，将使用不同预测模型预测得到的、与所述交易数据预测时间区间中不同交易数据预测单位时间对应的交易数据预测结果组合起来，作为所述交易数据预测时间区间的交易数据预测结果输出，比如，可按照所述交易数据预测时间区间中交易数据预测单位时间的顺序，输出对应的交易数据预测结果。
在本实施例的一个可选实现方式中，所述方法还包括设置所述交易数据预测时间区间中交易数据预测单位时间的特征标识的步骤，即如图4所示，所述方法包括以下步骤S401-S404：
在步骤S401中，获取交易数据预测时间区间及预测模型集合，其中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，所述预测模型集合包括两个或多个预测模型；
在步骤S402中，设置所述交易数据预测时间区间中交易数据预测单位时间的特征标识；
在步骤S403中，根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测；
在步骤S404中，输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果。
在该实施方式中，在进行交易数据预测时间区间交易数据预测之前，还需要对于所述交易数据预测时间区间中的每一交易数据预测单位时间进行特征标识设置，比如，根据业务需要，将某一交易数据预测单位时间的特征标识设置为无促销或者无活动，将某一交易数据预测单位时间的特征标识设置为促销第一天或者促销第n天，这样，就可以根据所述交易数据预测单位时间的特征标识来选择合适的预测模型。
下述为本发明装置实施例，可以用于执行本发明方法实施例。
图5示出根据本发明一实施方式的交易数据预测装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图5所示，所述交易数据预测装置包括：
获取模块501，被配置为获取交易数据预测时间区间及预测模型集合，其中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，所述预测模型集合包括两个或多个预测模型；
预测模块502，被配置为根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测；
输出模块503，被配置为输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果。
上文提及，随着数据技术的发展，为了降低操作风险，提前制定应对措施，在很多交易场景下，都需要对于未来的交易数据进行预测，以进行损益控制。现有技术中，通常使用预先训练得到的一个预测模型对于某一业务日或者包括几个业务日的某一业务时间区间的交易数据进行预测，这对于交易数据相对比较平稳的单一业务日和业务时间区间来说是有效的，但如果业务日的交易数据有可能存在较大的波动，则使用该预测模型得到的预测数据就会出现较大的预测误差。
比如，对于支付宝国际汇兑业务，通常需要通过提前购买下一个购汇结算周期的各外汇交易量，来降低潜在的汇率敞口波动风险，同时，为了进一步进行损益控制，还需要对于每个购汇结算周期的外汇交易量进行预测。当购汇结算周期为多个业务日，且跨越6.18、双十一或双十二等促销区间时，由于促销区间中各业务日的交易量可能存在较大波动，比如，促销第一天往往交易量最大，中间几天交易量虽有所下降但较平日还是要高，最后几天交易量下降幅度较大，但与平日还是有所区别，很显然，在这种情况下，使用单一的预测模型对于购汇结算周期内的交易量进行预测将会带来较大的预测误差。
考虑到上述问题，在该实施方式中，提出一种交易数据预测装置，该装置通过设置多个预测模型，并根据交易数据预测时间区间内不同交易数据预测单位时间的特征标识来选择合适的预测模型进行交易数据预测。该技术方案能够为具有不同特征标识的交易数据预测单位时间选择不同的预测模型，因而能够有效减小交易数据预测误差，提高交易数据预测准确率。
其中，所述交易数据预测时间区间指的是需要预测的、未来的时间区间，比如从明天开始的n天。
在本实施例的一个可选实现方式中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，其中，所述交易数据预测单位时间指的是交易数据预测操作执行的单位时间，比如，若需要预测每一日可能发生的交易数据，则交易数据预测单位时间就是日。其中，所述特征标识用于表征所述交易数据预测单位时间的特点，比如，该交易数据预测单位时间是否处于大促期，是大促期中的第几天等等。上文提及，预测模型的选择与交易数据预测单位时间的特点有关，因此，在提供了交易数据预测单位时间的特征标识之后，就可以很方便地选择合适的预测模型进行预测了。
在本实施例的一个可选实现方式中，如图6所示，所述预测模块502包括：
获取子模块601，被配置为获取所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应信息；
选择子模块602，被配置为基于所述对应信息，根据所述交易数据预测单位时间的特征标识选择与其对应的预测模型；
预测子模块603，被配置为利用选择的预测模型对于所述交易数据预测单位时间的交易数据进行预测。
在该实施方式中，根据所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应关系，选择合适的预测模型进行预测。具体地，获取子模块601获取所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应信息；选择子模块602基于所述对应信息，根据所述交易数据预测单位时间的特征标识选择与其对应的预测模型；预测子模块603利用选择的预测模型对于所述交易数据预测单位时间的交易数据进行预测。
在本实施例的一个可选实现方式中，所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应关系包括一对一、一对多或者多对一，本领域技术人员可根据实际应用的需要以及交易数据预测单位时间和预测模型的特点选择合适的对应关系，本发明对其不作具体限定。比如，若所述交易数据预测时间区间包括n天，第一天D1为日常业务日，交易量较小，其对应的预测模型为日常模型M1，第二天D2为大促第一天，交易量较大，其对应的预测模型为大促模型M2，第三天D3至第n-2天Dn-2为大促中间时间，交易量有所下降，其对应的预测模型均为大促模型M3，最后两天Dn-1和Dn为接近大促结束时间，交易量继续下降，其对应的预测模型均为大促模型M4。
其中，所述预测模型是根据与所述交易数据预测单位时间的特征标识对应的历史交易数据训练得到的。具体地，在训练所述预测模型时，可先确定所述预测模型对应的交易数据预测单位时间的特征标识，然后获取具有与所述交易数据预测单位时间的特征标识相同或相应特征标识的历史交易数据预测单位时间所对应的历史交易数据，最后利用这些历史交易数据，来训练与所述交易数据预测单位时间的特征标识对应的预测模型。比如，对于大促第一天D2，与其对应的预测模型可利用去年或者过去几年相同促销活动的第一天的交易数据作为训练数据进行训练，同样的道理，对于大促中间时间，第三天D3至第n-2天Dn-2，与其对应的预测模型可利用去年或者过去几年相同促销活动的第三天至第n-2天的交易数据作为训练数据进行训练，以此类推，即可得到与所述交易数据预测时间区间中每一交易数据预测单位时间相对应的预测模型。
在本实施例的一个可选实现方式中，在训练与所述交易数据预测单位时间的特征标识对应的、不同的预测模型时，除了所使用的训练数据不同，对于训练数据提取的特征也可以不同，甚至，预测模型本身以及训练策略都可以不同。本发明的目的是为了对于不同的交易数据预测单位时间，获得与其相适配的相同或不同的预测模型，对于不同预测模型原型的选取以及训练方法，本发明不作具体限定，本领域技术人员可根据实际应用的需要进行选择。
在本实施例的一个可选实现方式中，如图7所示，所述输出模块503包括：
组合子模块701，被配置为对与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果进行组合，得到与所述交易数据预测时间区间对应的交易数据预测结果集合；
输出子模块702，被配置为输出所述交易数据预测结果集合。
在该实施方式中，将使用不同预测模型预测得到的、与所述交易数据预测时间区间中不同交易数据预测单位时间对应的交易数据预测结果组合起来，作为所述交易数据预测时间区间的交易数据预测结果输出，比如，输出子模块702可按照所述交易数据预测时间区间中交易数据预测单位时间的顺序，输出对应的交易数据预测结果。
在本实施例的一个可选实现方式中，所述装置还包括设置所述交易数据预测时间区间中交易数据预测单位时间的特征标识的部分，即如图8所示，所述装置包括：
获取模块801，被配置为获取交易数据预测时间区间及预测模型集合，其中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，所述预测模型集合包括两个或多个预测模型；
设置模块802，被配置为设置所述交易数据预测时间区间中交易数据预测单位时间的特征标识；
预测模块803，被配置为根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测；
输出模块804，被配置为输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果。
在该实施方式中，在进行交易数据预测时间区间交易数据预测之前，还需要对于所述交易数据预测时间区间中的每一交易数据预测单位时间进行特征标识设置，比如，根据业务需要，将某一交易数据预测单位时间的特征标识设置为无促销或者无活动，将某一交易数据预测单位时间的特征标识设置为促销第一天或者促销第n天，这样，就可以根据所述交易数据预测单位时间的特征标识来选择合适的预测模型。
本发明实施例还公开了一种电子设备，图9示出根据本发明一实施方式的电子设备的结构框图，如图9所示，所述电子设备900包括存储器901和处理器902；其中，
所述存储器901用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器902执行以实现上述任一方法步骤。
图10适于用来实现根据本发明实施方式的交易数据预测方法的计算机系统的结构示意图。
如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行上述实施方式中的各种处理。在RAM1003中，还存储有系统1000操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地，根据本发明的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本发明的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行所述交易数据预测方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。
附图中的流程图和框图，图示了按照本发明各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本发明实施例的方法。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种交易数据预测方法，其特征在于，包括：
获取交易数据预测时间区间及预测模型集合，其中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，所述预测模型集合包括两个或多个预测模型；
根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测，包括：获取所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应信息；基于所述对应信息，根据所述交易数据预测单位时间的特征标识选择与其对应的预测模型；利用选择的预测模型对于所述交易数据预测单位时间的交易数据进行预测；
输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果。
2.根据权利要求1所述的方法，其特征在于，所述预测模型根据与所述交易数据预测单位时间的特征标识对应的历史交易数据训练得到。
3.根据权利要求1所述的方法，其特征在于，所述输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果，包括：
对与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果进行组合，得到与所述交易数据预测时间区间对应的交易数据预测结果集合；
输出所述交易数据预测结果集合。
4.根据权利要求1所述的方法，其特征在于，还包括：
设置所述交易数据预测时间区间中交易数据预测单位时间的特征标识。
5.一种交易数据预测装置，其特征在于，包括：
获取模块，被配置为获取交易数据预测时间区间及预测模型集合，其中，所述交易数据预测时间区间包括两个或多个交易数据预测单位时间及相应的特征标识，所述预测模型集合包括两个或多个预测模型；
预测模块，被配置为根据所述交易数据预测单位时间的特征标识从所述预测模型集合中选择预测模型进行交易数据预测；
所述预测模块包括：获取子模块，被配置为获取所述交易数据预测时间区间中交易数据预测单位时间的特征标识与所述预测模型集合中预测模型之间的对应信息；选择子模块，被配置为基于所述对应信息，根据所述交易数据预测单位时间的特征标识选择与其对应的预测模型；预测子模块，被配置为利用选择的预测模型对于所述交易数据预测单位时间的交易数据进行预测；
输出模块，被配置为输出与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果。
6.根据权利要求5所述的装置，其特征在于，所述预测模型根据与所述交易数据预测单位时间的特征标识对应的历史交易数据训练得到。
7.根据权利要求5所述的装置，其特征在于，所述输出模块包括：
组合子模块，被配置为对与所述交易数据预测时间区间中交易数据预测单位时间对应的交易数据预测结果进行组合，得到与所述交易数据预测时间区间对应的交易数据预测结果集合；
输出子模块，被配置为输出所述交易数据预测结果集合。
8.根据权利要求5所述的装置，其特征在于，还包括：
设置模块，被配置为设置所述交易数据预测时间区间中交易数据预测单位时间的特征标识。
9.一种电子设备，其特征在于，包括存储器和处理器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-4任一项所述的方法步骤。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，
该计算机指令被处理器执行时实现权利要求1-4任一项所述的方法步骤。
CN201811446362.8A 2018-11-29 2018-11-29 交易数据预测方法、装置、电子设备及计算机存储介质 Active CN110009380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811446362.8A CN110009380B (zh) 2018-11-29 2018-11-29 交易数据预测方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811446362.8A CN110009380B (zh) 2018-11-29 2018-11-29 交易数据预测方法、装置、电子设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN110009380A CN110009380A (zh) 2019-07-12
CN110009380B true CN110009380B (zh) 2023-07-11

Family

ID=67165006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811446362.8A Active CN110009380B (zh) 2018-11-29 2018-11-29 交易数据预测方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110009380B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569190B (zh) * 2019-08-27 2023-03-31 中国工商银行股份有限公司 交易压力测试方法和装置、以及电子设备和可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507036A (zh) * 2017-08-28 2017-12-22 深圳市诚壹科技有限公司 一种数据预测的方法及终端
CN108511057A (zh) * 2018-02-28 2018-09-07 北京和兴创联健康科技有限公司 输血量模型建立及预测方法、装置、设备及其存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8775242B2 (en) * 2010-04-12 2014-07-08 First Data Corporation Systems and methods for analyzing the effectiveness of a promotion
US20110313900A1 (en) * 2010-06-21 2011-12-22 Visa U.S.A. Inc. Systems and Methods to Predict Potential Attrition of Consumer Payment Account
US10032180B1 (en) * 2012-10-04 2018-07-24 Groupon, Inc. Method, apparatus, and computer program product for forecasting demand using real time demand
CN108257378B (zh) * 2016-12-29 2020-05-19 杭州海康威视数字技术股份有限公司 交通流量预测方法及装置
CN108198075A (zh) * 2018-03-28 2018-06-22 东莞市波动赢机器人科技有限公司 基于自主学习的机器人训练方法
CN108537592A (zh) * 2018-04-10 2018-09-14 网易（杭州）网络有限公司 交易检测方法、装置，存储介质和电子装置
CN108765094A (zh) * 2018-06-06 2018-11-06 中国平安人寿保险股份有限公司 保险数据处理方法、装置、计算机设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507036A (zh) * 2017-08-28 2017-12-22 深圳市诚壹科技有限公司 一种数据预测的方法及终端
CN108511057A (zh) * 2018-02-28 2018-09-07 北京和兴创联健康科技有限公司 输血量模型建立及预测方法、装置、设备及其存储介质

Also Published As

Publication number Publication date
CN110009380A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN109324977A (zh) 应用程序卡顿的检测方法、装置及电子设备
CN105844762B (zh) 排号装置、排号系统及排号方法
US20130132060A1 (en) Predicting service request breaches
US9747574B2 (en) Project assessment tool
CN110555150B (zh) 一种数据监控方法、装置、设备和存储介质
CN111045932B (zh) 业务系统仿真处理方法、装置、电子设备及存储介质
CN110766184A (zh) 订单量预测方法和装置
CN110009380B (zh) 交易数据预测方法、装置、电子设备及计算机存储介质
CN113076224B (zh) 数据备份方法、数据备份系统、电子设备及可读存储介质
CN114663015A (zh) 补货方法和装置
CN113159453A (zh) 资源数据预测方法、装置、设备及存储介质
Almomani et al. Selecting a good stochastic system for the large number of alternatives
CN114520773B (zh) 一种服务请求的响应方法、装置、服务器及存储介质
JP2017138788A (ja) 配置決定システム、配置決定方法及びプログラム
CN115330219A (zh) 一种资源调度的方法及装置
CN115237931A (zh) 一种用于服务编排的子服务处理结果更新的方法和系统
CN114169733A (zh) 一种资源分配方法和装置
CN114461499A (zh) 异常信息检测模型的构建方法和灰度环境异常检测方法
CN115344359A (zh) 算力资源分配方法、装置、计算机可读存储介质及设备
CN111767290B (zh) 用于更新用户画像的方法和装置
CN112163726A (zh) 服务资源分配方法、装置、电子设备及可读存储介质
CN110147918A (zh) 用于零件盘点任务分配的方法和装置及存储介质
CN112966849B (zh) 件量预测模型的建立方法、装置以及设备
CN110378609B (zh) 业务处理方法、业务处理装置、电子设备和介质
CN110689137B (zh) 参数确定方法、系统、介质和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200921

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200921

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant