CN111260156B - 现金流预测模型的构建方法及现金流预测方法及装置 - Google Patents

现金流预测模型的构建方法及现金流预测方法及装置 Download PDF

Info

Publication number
CN111260156B
CN111260156B CN202010100072.9A CN202010100072A CN111260156B CN 111260156 B CN111260156 B CN 111260156B CN 202010100072 A CN202010100072 A CN 202010100072A CN 111260156 B CN111260156 B CN 111260156B
Authority
CN
China
Prior art keywords
data
features
cash flow
window
future
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
CN202010100072.9A
Other languages
English (en)
Other versions
CN111260156A (zh
Inventor
陆春晖
李鹏
刁志勇
李若豪
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202010100072.9A priority Critical patent/CN111260156B/zh
Publication of CN111260156A publication Critical patent/CN111260156A/zh
Application granted granted Critical
Publication of CN111260156B publication Critical patent/CN111260156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种现金流量预测模型的构建方法以及现金流量预测方法，包括：获取至少一个维度的原始样本数据，每个维度的原始样本数据为影响现金流量的因素；对原始样本进行预处理，基于该原始样本构建多元时间序列，得到训练样本；基于训练样本对至少一个预设的机器学习模型进行训练，并将训练后的机器学习模型进行融合，得到现金流量预测模型。由此不仅实现了对现金流量的自动预测，并且采用至少一个维度的数据，并将数据构建了多元时间序列，提高了样本的复杂性，进而提高了模型预测的准确度。除此之外，将多个训练好的模型进行融合，结合了各个模型的优势，进一步提升现金流量预测模型预测的准确性。

Description

现金流预测模型的构建方法及现金流预测方法及装置
技术领域
本发明涉及数据处理领域，尤其涉及现金流模型的构建方法及现金流预测方法及装置。
背景技术
银行网点现金存量管理是开展现金业务的基础，银行网点的库存现金越多、流动性越强，盈利性越差；库存现金不足则会导致无法满足客户的取款需要，因此，如何控制银行网点库存量处于合理的区间是银行现金运营管理面临的基本问题。
现有技术中，通常采用人工估测的方法对现金流量进行估计，这种方法有很强的主观性，非常依赖预测人员的自身经验，准确率和效率也较低。
发明内容
有鉴于此，本发明实施例公开了一种现金流量预测模型的构建方法和现金流量预测方法，实现了对现金流量的自动化预测，并且提升了现金流量预测的准确度。
本发明实施例公开了一种现金流量预测模型的构建方法，包括：
获取至少一个维度的原始样本数据；每个维度的原始数据为影响现金流量的因素；
对所述原始样本进行预处理；
基于所述原始样本构建多元时间序列，得到训练样本；
基于所述训练样本对至少一个预设的机器学习模型进行训练；
将训练后的机器学习模型进行融合，得到现金流量预测模型。
可选的，将所述训练样本中包括网点特征数据；所述网点特征数据用于表征不同网点的特征。
可选的，对所述训练样本进行预处理包括：
基于预设的标签对所述原始样本数据进行合并；
去除原始样本数据中相关性达到预设程度的特征。
可选的，所述基于所述原始样本构建多元时间序列，得到训练样本，包括：
按照预设的时间周期，将所述训练样本进行分组；
在每组数据中截取不同的时间窗口，并基于每个时间窗口的特征，将时间窗口划分为历史窗口和未来窗口。
可选的，所述预设的机器学习模型包括：
xgboost模型。
可选的，所述将训练后的机器学习模型进行融合，得到现金流量预测模型，包括：
将训练后的至少一个机器学习模型组成多级框架；
在所述多级框中，上一级模型的输出结果作为下一级模型的输入信息。
本发明实施例公开了一种现金流量预测方法，包括：
获取待检测的数据；所述待检测的数据包括至少一个维度的数据；每个维度的数据为影响现金流量的因素；
对所述待检测的数据进行预处理；
基于所述待检测的数据构建多元时间序列；
将所述多元时间序列输入现金流量预测模型中，得到现金流量预测结果；所述现金流量预测模型是通过上述权利要求1-6所述的方法得到的。
本发明实施例公开了一种现金流量模型的构建装置，包括：
第一获取单元，用于获取至少一个维度的原始样本数据；每个维度的原始数据为影响现金流量的因素；
第一预处理单元，用于对所述原始样本进行预处理；
构建单元，用于基于所述原始样本构建多元时间序列，得到训练样本；
训练单元，用于基于所述训练样本对至少一个预设的机器学习模型进行训练；
融合单元，用于将训练后的机器学习模型进行融合，得到现金流量预测模型。
可选的，所述构建单元，包括：
分组子单元，用于按照预设的时间周期，将所述训练样本进行分组；
划分子单元，用于在每组数据中截取不同的时间窗口，并基于每个时间窗口的特征，将时间窗口划分为历史窗口和未来窗口。
本发明实施例公开了一种现金流量预测装置，包括：
获取待检测的数据；所述待检测的数据包括至少一个维度的数据；每个维度的数据为影响现金流量的因素；
对所述待检测的数据进行预处理；
基于所述待检测的数据构建多元时间序列；
将所述多元时间序列输入到现金流量预测模型中，得到现金流量预测结果；所述现金流量预测模型是通过上述权利要求1-6所述的方法得到的。
本发明实施例公开了一种现金流量预测模型的构建方法以及现金流量预测方法，包括：获取至少一个维度的原始样本数据，每个维度的原始样本数据为影响现金流量的因素；对原始样本进行预处理，基于该原始样本构建多元时间序列，得到训练样本；基于训练样本对至少一个预设的机器学习模型进行训练，并将训练后的机器学习模型进行融合，得到现金流量预测模型。由此不仅实现了对现金流量的自动预测，并且采用至少一个维度的数据，将数据构建了多元时间序列，提高了样本的复杂性，这样，基于该样本训练得到的现金流量预测模型的准确度更高。除此之外，将多个训练好的模型进行融合，结合了各个模型的优势，进一步提升现金流量预测模型预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种现金流量预测模型的构建方法的流程示意图；
图2示出了本发明实施例提供的一种现金流量预测方法的流程示意图；
图3示出了本发明实施例提供的一种现金流量模型的构建装置的结构示意图；
图4示出了本发明实施例提供了一种现金流量预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
通过上述介绍可知，现有技术中，通常采用人工预测的方法对现金流量进行预测，但是这种方式的准确率低而且效率也低，为了解决上述问题，申请人发现，可以通过训练机器学习模型的方法，采用训练好的机器学习模型，可以实现现金流量的自动化预测。
但是，当前，通过采用单一的影响因素对机器学习模型进行训练，例如，采用时间或者采用网点现金流的因素对机器学习模型进行训练。但是，申请人发现，影响现金流量的因素可能包含很多，这些因素会同时对现金流量产生影响，由此为了提高预测的准确度，本实施例中，采用多个维度的影响因素同时对机器学习模型进行训练。
除此之外，现有技术中，通常是针对单一网点建立单一的预测模型，即对每个网点都建立预测模型，在这种情况下，会存在模型的利用率不高的问题，同时会导致冗余开发的问题。
由此，申请人发现，不同的网点具体不同的特征，由此可以通过网点的特征数据对预测模型进行训练，这样，无需为每个网点均训练一个机器学习模型，提高了模型的利用率。
参考图1，示出了本发明实施例提供的一种现金流量预测模型的构建方法的流程示意图，在本实施例中，该方法包括：
S101：获取至少一个维度的原始样本数据；每个维度的原始样本数据为影响现金流量的因素；
现有技术中，通常采用单一的某一种因素对模型进行训练，但是影响现金流量的因素包括多种，并且，这些因素会同时影响现金流量的预测，为了提高现金流量预测的准确性，本实施例中，将多个维度的影像因素同时用于对模型进行训练。
举例说明：影响现金流量的因素例如可以包括：天气特征数据、网点现金流水数据、节假日数据等。
除此之外，为了实现一个模型可以对多个网点进行预测，本实施例中，影响现金流量的因素增加了网点特征数据，即训练样本中包括网点特征数据，该网点特征数据用于表征不同网点的特征。
S102：对所述原始样本进行预处理；
本实施例中，对原始样本进行预处理的方式包括多种，本实施例中，不进行限定，包括：
对原始样本数据进行清洗和规整：
例如包括：对历史数据中缺失的数据，根据数据类别做删除或者置零的操作；
对包含时间信息的数据，结合节假日信息，提取年、月、日、季度、季节、节假日等时间相关特征；
对于描述性的数据，比如类别或者级别之类的做数值化和离散化处理，以确保所有使用的数据都是数值型的离散数据。
除此之外，对训练样本进行预处理的操作还包括：
基于预设的标签对所述原始样本数据进行合并；
去除原始样本数据中相关性达到预设程度的特征。
本实施例中，预设的标签可以为预先设置的，可以为原始样本数据中具有相同属性的特征数据，例如为网点编号或者日期。
举例说明：可以将原始样本数据根据网点编号或者日期进行合并。
对于去除原始样本数据中相关性达到预设程度的特征可以为，去除相关性较高的特征，进一步的可以采用预设的特征选择算法去除相关性较高的特征。
S103：基于所述原始样本构建多元时间序列，得到训练样本；
本实施例中，与机器学习其他构建训练集和测试集数据的方法不同，多元时间序列预测不是简单的将历史数据作为训练数据，新的数据作为测试数据，而是通过构建时间滑窗，人为的构造“未来”目标值，提供给算法进行学习。
优选的，构建多元时间序列的方法包括：
按照预设的时间周期，将所述训练样本进行分组；
在每组数据中截取不同的时间窗口，并基于每个时间窗口的特征，将时间窗口划分为历史窗口和未来窗口；
获取历史窗口的历史特征和未来窗口的未来特征。
其中，未来窗口相对于历史窗口具有时间的延续性。
举例说明：以处理一周以内的各网点现金流量时序数据为例：
首先在20181119～20181125这七天的历史数据中通过截取不同的时间窗口来构造三组数据，20181119～20181122的数据，20181120～20181123的数据，20181121～20181124的数据。
然后人为地给每组数据划分历史窗口和未来窗口，比如，对于20181119～20181122这组数据，本实施例把20181119、20181120、20181121这三天的数据作为历史窗口，20181122这一天的数据作为未来窗口，以此类推；
再次，将历史窗口数据的全部特征作为历史特征，将未来窗口数据里除开需要预测的特征外的其他特征作为未来特征，历史特征和未来特征加起来作为训练特征集，未来窗口数据里需要预测的特征作为待预测的目标值；
最后将得到的三组训练特征集和三组预测目标值(Target)分别合并，作为训练特征总集和目标总集。
本实施例中，为了更好的描述时间序列的局部特征，还可以在构建时间滑窗的基础上设置统计特征，例如时间滑窗内的流量均值。
S104：基于所述训练样本对至少一个预设的机器学习模型进行训练；
本实施例中，预设的机器学习模型可以为任何一种，本实施例中不进行限定，例如可以包括：xgboost模型；
除此之外，还可以包括随机森林模型等。
S105：将训练后的机器学习模型进行融合，得到现金流量预测模型；
本实施例中，每一种单一模型都具有一定的优势，同时也会存在缺点，为了提升预测的准确度，可以结合不同模型之间的优势，同时降低单一模型的缺点，由此，可以将训练好的多个机器学习模型进行融合，得到预测效果更佳的模型。
本实施例中，融合的方法包括很多，本实施例中不进行限定，优选的，可以通过如下的方法进行融合：
将训练后的至少一个机器学习模型组合多级框架；
在所述多级框架中，上一级模型的输出作为下一级模型的输入信息。
本实施例中，获取至少一个维度的原始样本数据，每个维度的原始样本数据为影响现金流量的因素；对原始样本进行预处理，基于该原始样本构建多元时间序列，得到训练样本；基于训练样本对至少一个预设的机器学习模型进行训练，并将训练后的机器学习模型进行融合，得到现金流量预测模型。由此不仅实现了对现金流量的自动预测，并且采用至少一个维度的数据，并将数据构建了多元时间序列，提高了样本的复杂性，进而提高了模型预测的准确度。除此之外，将多个训练好的模型进行融合，结合了各个模型的优势，进一步提升现金流量预测模型预测的准确性。
参考图2，示出了本发明实施例提供的一种现金流量预测方法的流程示意图，在本实施例中，该方法包括：
S201：获取待检测的数据；所述待检测的数据包括至少一个维度的数据；每个维度的数据为影响现金流量的因素；
S202：对所述待检测的数据进行预处理；
S203：基于所述待检测的数据构建多元时间序列；
优选的，构建多元时间序列的方法包括：
按照预设的时间周期，将待检测的数据进行分组；
在每组数据中截取不同的时间窗口，并基于每个时间窗口的特征，将时间窗口划分为历史窗口和未来窗口；
获取历史窗口的历史特征和未来窗口的未来特征。
其中，未来窗口相对于历史窗口具有时间的延续性。
S204：将预处理后的数据输入到机器学习模型中，得到现金流量预测结果。
其中，该机器学习模型是通过上述S101-S105的方法训练得到的。
本实施例中，通过上述训练好的机器学习模型对现金流量进行预测，实现了对现金流量的自动化预测，并且，该预测模型采用至少一个维度的数据，并将数据构建了多元时间序列，提高了样本的复杂性，这就提高该模型预测的准确度。除此之外，该模型融合了多个不同的模型结合了各个模型的优势，进一步提升现金流量预测模型预测的准确性。
参考图3，示出了本发明实施例提供的一种现金流量模型的构建装置的结构示意图，在本实施例中，该装置包括：
第一获取单元301，用于获取至少一个维度的原始样本数据；每个维度的原始数据为影响现金流量的因素；
第一预处理单元302，用于对所述原始样本进行预处理；
构建单元303，用于基于所述原始样本构建多元时间序列，得到训练样本；
训练单元304，用于基于所述训练样本对至少一个预设的机器学习模型进行训练；
融合单元305，用于将训练后的机器学习模型进行融合，得到现金流量预测模型。
可选的，所述训练样本中包括网点特征数据；所述网点特征数据用于表征不同网点的特征。
可选的，所述预处理单元，包括：
合并子单元，用于基于预设的标签对所述原始样本数据进行合并；
去除子单元，用于去除原始样本数据中相关性发到预设程度的特征。
可选的，所述构建单元，包括：
分组子单元，用于按照预设的时间周期，将所述训练样本进行分组；
划分子单元，用于在每组数据中截取不同的时间窗口，并基于每个时间窗口的特征，将时间窗口划分为历史窗口和未来窗口。
可选的，所述预设的机器学习模型包括：
xgboost模型。
通过本实施的装置对现金流量模型进行训练，获取至少一个维度的原始样本数据，每个维度的原始样本数据为影响现金流量的因素；对原始样本进行预处理，基于该原始样本构建多元时间序列，得到训练样本；基于训练样本对至少一个预设的机器学习模型进行训练，并将训练后的机器学习模型进行融合，得到现金流量预测模型。由此得到的现金流量模型进行训练，不仅实现了对现金流量的自动预测，并且采用至少一个维度的数据，并将数据构建了多元时间序列，提高了样本的复杂性，进而提高了模型预测的准确度。除此之外，将多个训练好的模型进行融合，结合了各个模型的优势，进一步提升现金流量预测模型预测的准确性。
参考图4，示出了本发明实施例提供了一种现金流量预测装置的结构示意图，在本实施例中，该装置包括：
第二获取单元401，用于获取待检测的数据；所述待检测的数据包括至少一个维度的数据；每个维度的数据为影响现金流量的因素；
第二预处理单元402，用于对所述待检测的数据进行预处理；
第二构建单元403，用于基于所述待检测的数据构建多元时间序列；
预测单元403，用于将所述多元时间序列输入到现金流量预测模型中，得到现金流量预测结果；
所述现金流量预测模型是通过上述S101-S105的方法训练得到的。
本实施例中，通过上述训练好的机器学习模型对现金流量进行预测，实现了对现金流量的自动化预测，并且，该预测模型采用至少一个维度的数据，并将数据构建了多元时间序列，提高了样本的复杂性，这就提高该模型预测的准确度。除此之外，该模型融合了多个不同的模型结合了各个模型的优势，进一步提升现金流量预测模型预测的准确性。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种现金流量预测模型的构建方法，其特征在于，包括：
获取至少一个维度的原始样本数据；每个维度的原始数据为影响现金流量的因素；
对所述原始样本进行预处理；
按照预设的时间周期，将进行所述预处理后的所述原始样本进行分组；
在每组数据中截取不同的时间窗口，并基于每个所述时间窗口的特征，将所述时间窗口划分为历史窗口和未来窗口，所述未来窗口相对于所述历史窗口具有时间的延续性；
将历史特征、未来特征和待预测目标值合并，得到训练样本，所述历史特征为所述历史窗口数据的全部特征，所述未来特征为所述未来窗口数据里除需要预测的特征之外的其他特征，所述待预测目标值为所述未来窗口数据里需要预测的特征；
基于所述训练样本对至少一个预设的机器学习模型进行训练；
将训练后的至少一个机器学习模型组成多级框架，得到现金流量预测模型；在所述多级框架中，上一级模型的输出结果作为下一级模型的输入信息。
2.根据权利要求1所述的方法，其特征在于，所述训练样本中包括网点特征数据；所述网点特征数据用于表征不同网点的特征。
3.根据权利要求1所述的方法，其特征在于，对所述训练样本进行预处理包括：
基于预设的标签对所述原始样本数据进行合并；
去除原始样本数据中相关性达到预设程度的特征。
4.根据权利要求1所述的方法，其特征在于，所述预设的机器学习模型包括：
xgboost模型。
5.一种现金流量预测方法，其特征在于，包括：
获取待检测的数据；所述待检测的数据包括至少一个维度的数据；每个维度的数据为影响现金流量的因素；
对所述待检测的数据进行预处理；
按照预设的时间周期，将进行所述预处理后的所述待检测的数据进行分组；
在每组数据中截取不同的时间窗口，并基于每个所述时间窗口的特征，将所述时间窗口划分为历史窗口和未来窗口，所述未来窗口相对于所述历史窗口具有时间的延续性；
将历史特征、未来特征和待预测目标值合并，得到检测样本，所述历史特征为所述历史窗口数据的全部特征，所述未来特征为所述未来窗口数据里除需要预测的特征之外的其他特征，所述待预测目标值为所述未来窗口数据里需要预测的特征；
将所述检测样本输入现金流量预测模型中，得到现金流量预测结果；所述现金流量预测模型是通过上述权利要求1-4所述的方法得到的。
6.一种现金流量模型的构建装置，其特征在于，包括：
第一获取单元，用于获取至少一个维度的原始样本数据；每个维度的原始数据为影响现金流量的因素；
第一预处理单元，用于对所述原始样本进行预处理；
第一构建单元，用于按照预设的时间周期，将进行所述预处理后的所述原始样本进行分组；在每组数据中截取不同的时间窗口，并基于每个所述时间窗口的特征，将所述时间窗口划分为历史窗口和未来窗口，所述未来窗口相对于所述历史窗口具有时间的延续性；将历史特征、未来特征和待预测目标值合并，得到训练样本，所述历史特征为所述历史窗口数据的全部特征，所述未来特征为所述未来窗口数据里除需要预测的特征之外的其他特征，所述待预测目标值为所述未来窗口数据里需要预测的特征；
训练单元，用于基于所述训练样本对至少一个预设的机器学习模型进行训练；
融合单元，用于将训练后的至少一个机器学习模型组成多级框架，得到现金流量预测模型；在所述多级框架中，上一级模型的输出结果作为下一级模型的输入信息。
7.一种现金流量预测装置，其特征在于，包括：
第二获取单元，用于获取待检测的数据；所述待检测的数据包括至少一个维度的数据；每个维度的数据为影响现金流量的因素；
第二预处理单元，用于对所述待检测的数据进行预处理；
第二构建单元，用于按照预设的时间周期，将进行所述预处理后的所述待检测的数据进行分组；在每组数据中截取不同的时间窗口，并基于每个所述时间窗口的特征，将所述时间窗口划分为历史窗口和未来窗口，所述未来窗口相对于所述历史窗口具有时间的延续性；将历史特征、未来特征和待预测目标值合并，得到检测样本，所述历史特征为所述历史窗口数据的全部特征，所述未来特征为所述未来窗口数据里除需要预测的特征之外的其他特征，所述待预测目标值为所述未来窗口数据里需要预测的特征；
预测单元，用于将所述检测样本输入到现金流量预测模型中，得到现金流量预测结果；所述现金流量预测模型是通过上述权利要求1-4所述的方法得到的。
CN202010100072.9A 2020-02-18 2020-02-18 现金流预测模型的构建方法及现金流预测方法及装置 Active CN111260156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010100072.9A CN111260156B (zh) 2020-02-18 2020-02-18 现金流预测模型的构建方法及现金流预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010100072.9A CN111260156B (zh) 2020-02-18 2020-02-18 现金流预测模型的构建方法及现金流预测方法及装置

Publications (2)

Publication Number Publication Date
CN111260156A CN111260156A (zh) 2020-06-09
CN111260156B true CN111260156B (zh) 2023-07-28

Family

ID=70951085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010100072.9A Active CN111260156B (zh) 2020-02-18 2020-02-18 现金流预测模型的构建方法及现金流预测方法及装置

Country Status (1)

Country Link
CN (1) CN111260156B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754031A (zh) * 2020-06-11 2020-10-09 苏州量盾信息科技有限公司 一种基于机器学习技术的犯罪嫌疑人预测方法
CN111738506A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 现金中心现金库存用量预测方法和装置、电子设备及介质
CN112347703A (zh) * 2020-12-03 2021-02-09 潍柴动力股份有限公司 物料用量预测模型的训练方法、物料用量预测方法及装置
CN112817832B (zh) * 2021-01-19 2022-09-30 网易（杭州）网络有限公司 游戏服务器的健康状态获取方法、装置、设备及存储介质
CN113298420A (zh) * 2021-06-16 2021-08-24 中国农业银行股份有限公司 基于任务数据的现金流任务处理方法、装置和设备
CN113362179B (zh) * 2021-06-30 2024-01-30 中国农业银行股份有限公司 交易数据的预测方法、装置、设备、存储介质及程序产品
CN114154696A (zh) * 2021-11-19 2022-03-08 中国建设银行股份有限公司 资金流预测方法、系统、计算机设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8657187B1 (en) * 2008-01-10 2014-02-25 Jpmorgan Chase Bank, N.A. Systems and methods for distribution of cash
CN104424598A (zh) * 2013-09-06 2015-03-18 株式会社日立制作所 现金需求量预测装置与方法
CN106997497A (zh) * 2017-06-13 2017-08-01 中南大学 一种基于时间序列和节假日信息的银行备付金预测方法
CN109978230A (zh) * 2019-02-15 2019-07-05 杭州博钊科技有限公司 一种基于深度卷积神经网络的电力销售金额智能预测方法
WO2019214143A1 (zh) * 2018-05-10 2019-11-14 平安科技（深圳）有限公司 服务器、金融时序数据的处理方法及存储介质
CN110659825A (zh) * 2019-09-23 2020-01-07 中国银行股份有限公司 银行网点多学习器的现钞需求量预测方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090210327A1 (en) * 2008-02-20 2009-08-20 Wizsoft Inc. System and method for cash flow prediction
CN110245782A (zh) * 2019-05-20 2019-09-17 中国银行股份有限公司 预测模型训练方法、装置和设备
CN110400021B (zh) * 2019-07-31 2022-03-25 中国工商银行股份有限公司 银行网点现金用量预测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8657187B1 (en) * 2008-01-10 2014-02-25 Jpmorgan Chase Bank, N.A. Systems and methods for distribution of cash
CN104424598A (zh) * 2013-09-06 2015-03-18 株式会社日立制作所 现金需求量预测装置与方法
CN106997497A (zh) * 2017-06-13 2017-08-01 中南大学 一种基于时间序列和节假日信息的银行备付金预测方法
WO2019214143A1 (zh) * 2018-05-10 2019-11-14 平安科技（深圳）有限公司 服务器、金融时序数据的处理方法及存储介质
CN109978230A (zh) * 2019-02-15 2019-07-05 杭州博钊科技有限公司 一种基于深度卷积神经网络的电力销售金额智能预测方法
CN110659825A (zh) * 2019-09-23 2020-01-07 中国银行股份有限公司 银行网点多学习器的现钞需求量预测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Enhanced Recurrent Neural Network for Combining Static and Dynamic Features for Credit Card Default Prediction;J.K. Ting等;《 ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;全文 *
基于加权最小二乘支持向量机的金融时间序列预测;葛黎辉;周宏;;商场现代化(第12期);全文 *

Also Published As

Publication number Publication date
CN111260156A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111260156B (zh) 现金流预测模型的构建方法及现金流预测方法及装置
CN106127363B (zh) 一种用户信用评估方法和装置
Wang et al. Deep learning for real time crime forecasting
CN109587713A (zh) 一种基于arima模型的网络指标预测方法、装置及存储介质
CN104123592B (zh) 银行后台tps交易事件趋势预测方法及系统
CN109978230B (zh) 一种基于深度卷积神经网络的电力销售金额智能预测方法
CN107608862A (zh) 监控告警方法、监控告警装置及计算机可读存储介质
CN110910659A (zh) 一种交通流量预测方法、装置、设备以及存储介质
CN109544197A (zh) 一种用户流失预测方法和装置
CN112910690A (zh) 基于神经网络模型的网络流量预测方法、装置及设备
CN106296399A (zh) 业务规则公式化的数据处理方法和系统
CN112101692B (zh) 移动互联网质差用户的识别方法及装置
CN110955828A (zh) 一种基于深度神经网络的多因素嵌入个性化套餐推荐方法
CN112330047A (zh) 一种基于用户行为特征的信用卡还款概率预测方法
CN109063983B (zh) 一种基于社交媒体数据的自然灾害损失实时评估方法
CN111127104A (zh) 一种商品销量预测方法及系统
CN112734570A (zh) 信用违约预测方法、装置及电子设备
CN112785089A (zh) 坐席业务配置方法、装置、电子设备及存储介质
CN115630943A (zh) 智能排班方法及装置
CN111626497A (zh) 人流量预测方法、装置、设备和存储介质
CN110674100A (zh) 一种基于全渠道运营数据的用户需求预测方法及架构
CN108536787A (zh) 内容识别方法及装置
CN114493686A (zh) 一种运营内容生成推送方法及装置
KR20220079476A (ko) 전력소모예측시스템 및 방법
KR102359902B1 (ko) 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체

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
GR01 Patent grant
GR01 Patent grant