CN111310995A - 基于卷积神经网络的业务预测方法以及装置 - Google Patents
基于卷积神经网络的业务预测方法以及装置 Download PDFInfo
- Publication number
- CN111310995A CN111310995A CN202010088928.5A CN202010088928A CN111310995A CN 111310995 A CN111310995 A CN 111310995A CN 202010088928 A CN202010088928 A CN 202010088928A CN 111310995 A CN111310995 A CN 111310995A
- Authority
- CN
- China
- Prior art keywords
- service
- data
- neural network
- convolutional neural
- time
- 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
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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供基于卷积神经网络的业务预测方法以及装置,其中所述基于卷积神经网络的业务预测方法包括:获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据。
Description
技术领域
本说明书涉及神经网络技术领域,特别涉及一种基于卷积神经网络的业务预测方法。本说明书同时涉及一种基于卷积神经网络的业务预测装置,一种计算设备,以及一种计算机可读存储介质。
背景技术
随着互联网技术的发展,更多的业务项目都开启了高效率的业务数据处理模式,然而由于在一些特殊业务项目的场景中,还存在着效率低成本高的情况,例如在投资、交易、证券等场景中,为了能够保证日间的头寸余额和可用头寸余额充足,通常会调拨比较多的超额准备金,用于在目标时间区间所调用,然而多调拨进去的资金往往存在着利率低成本高的问题,并且在进行准备资金的过程中,需要人工观察清算的历史数据,并结合业务现状给予评估值,无法实现结合历史存在的统计规律而给出较为精准的评估值,而且人工评估过程费时费力,故亟需一种高效率、高精准的预测方法以解决上述问题。
发明内容
有鉴于此,本说明书实施例提供了一种基于卷积神经网络的业务预测方法。本说明书同时涉及一种基于卷积神经网络的业务预测装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种基于卷积神经网络的业务预测方法,包括:
获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;
基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;
将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据;
其中,所述卷积神经网络设有卷积层、全连接层和反卷积层,所述业务时序矩阵由所述卷积层进行卷积处理获得单维时序矩阵,并经所述全连接层确定所述单维时序矩阵的时序特征,所述时序特征与所述非时序矩阵的非时序特征进行融合后由所述反卷积层进行反卷积处理。
可选的,所述获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据,包括:
获取所述历史业务数据,并在所述历史业务数据中提取待处理的交易业务数据;
按照预设的聚合规则将所述交易业务数据按照所属的时间粒度进行聚合,获得所述各个时间粒度的业务数据。
可选的,所述卷积神经网络进行业务数据预测的过程,包括:
将所述业务时序矩阵以及所述非时序矩阵输入所述卷积神经网络;
基于所述卷积神经网络提取所述业务时序矩阵的业务时序特征,以及所述非时序矩阵的非业务时序特征;
根据所述卷积神经网络中的卷积层将所述业务时序特征重塑为第一特征,并根据所述全连接层对所述第一特征与所述非时序特征进行特征融合获得融合特征;
将所述融合特征经所述反卷积层的反卷积处理,获得所述目标时间区间内各基础时间粒度的业务预测数据。
可选的,所述卷积神经网络进行业务数据预测的过程,包括:
将所述业务时序矩阵以及所述非时序矩阵输入至所述卷积神经网络;
基于所述卷积神经网络设有的所述卷积层对应的卷积层数以及卷积核对所述业务时序矩阵进行卷积处理,获得所述单维时序矩阵;
根据所述卷积神经网络设有的所述全连接层对所述单维时序矩阵进行特征提取,确定所述时序特征;
提取所述非时序矩阵的所述非时序特征,并将所述时序特征和所述非时序特征进行特征融合获得融合业务特征;
按照所述卷积神经网络设有的所述反卷积层对应的反卷积核参数、所述融合业务特征对应的填充参数、反卷积核步长以及所述融合业务特征对应的特征参数对所述融合业务特征进行反卷积处理;
根据反卷积处理结果确定所述目标时间区间内各基础时间粒度的业务预测数据。
可选的,所述基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,包括:
确定与所述目标时间区间的时间单位对应的索引矩阵;
根据索引矩阵将所述环比时间区间内的业务数据以及所述同比时间区间内的业务数据添加至所述索引矩阵,构建所述业务时序矩阵。
可选的,所述构建与所述业务时序矩阵对应的非时序矩阵,包括:
基于所述目标时间区间对应的环比时间区间以及所述至少一个时间粒度对应的同比时间区间,确定所述业务数据中的静态业务数据;
基于所述静态业务数据构建与所述业务时序矩阵对应的所述非时序矩阵。
可选的,所述将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据步骤执行之后,还包括:
基于预先建立的清算规则对所述业务预测数据进行清算处理,获得所述目标时间区间对应的清算分布,并将所述目标时间区间转换为清算时间区间。
可选的,所述基于预先建立的清算规则对所述业务预测数据进行清算处理,获得所述目标时间区间对应的清算分布,并将所述目标时间区间转换为清算时间区间步骤执行之后,还包括:
在所述历史业务数据对应的业务项目中调用与所述清算分布匹配的准备资金,所述准备资金用于在所述业务项目的所述清算时间区间调拨。
可选的,所述卷积神经网络中的损失函数的计算过程如下所述:
基于所述卷积神经网络中的第一预测值和第一实际值计算基于第一时间级别的第一损失函数;
基于所述卷积神经网络中的第二预测值和第二实际值计算基于第二时间级别的第二损失函数;
确定所述第一时间级别对应的第一损失权重以及所述第二时间级别对应的第二损失权重;
将所述第一损失权重与所述第一损失函数的乘积以及所述第二损失权重与所述第二损失函数的乘积进行求和,获得所述卷积神经网络的损失函数。
可选的,所述卷积神经网络通过如下方式训练:
采集样本业务数据,并确定所述样本业务数据对应的样本业务预测数据;
基于样本时间区间内各基础时间粒度对所述样本业务预测数据添加标签,并将添加标签的样本业务预测数据以及所述样本业务数据作为训练样本;
将所述训练样本输入至基于所述样本业务数据和样本业务预测数据之间的关联关系构建的卷积神经网络进行训练,获得训练完成的所述卷积神经网络。
根据本说明书实施例的第二方面,提供了一种基于卷积神经网络的业务预测装置,包括:
获取数据模块,被配置为获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;
构建矩阵模块,被配置为基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;
业务数据预测模块,被配置为将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据;
其中,所述卷积神经网络设有卷积层、全连接层和反卷积层,所述业务时序矩阵由所述卷积层进行卷积处理获得单维时序矩阵,并经所述全连接层确定所述单维时序矩阵的时序特征,所述时序特征与所述非时序矩阵的非时序特征进行融合后由所述反卷积层进行反卷积处理。
可选的,所述获取数据模块,包括:
获取数据单元,被配置为获取所述历史业务数据,并在所述历史业务数据中提取待处理的交易业务数据;
数据聚合单元,被配置为按照预设的聚合规则将所述交易业务数据按照所属的时间粒度进行聚合,获得所述各个时间粒度的业务数据。
可选的,还包括:
清算处理模块,被配置为基于预先建立的清算规则对所述业务预测数据进行清算处理,获得所述目标时间区间对应的清算分布,并将所述目标时间区间转换为清算时间区间。
可选的,还包括:
调用模块,被配置为在所述历史业务数据对应的业务项目中调用与所述清算分布匹配的准备资金,所述准备资金用于在所述业务项目的所述清算时间区间调拨。
根据本说明书实施例的第三方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;
基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;
将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据。
根据本说明书实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现所述基于卷积神经网络的业务预测方法的步骤。
本说明书一实施提供的基于卷积神经网络的业务预测方法,通过获取历史业务数据并按照所属的时间粒度聚合为各个时间粒度的业务数据,再基于目标时间区间对应的环比时间区间内的业务数据和至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,同时构建与所述业务时序矩阵对应的非时序矩阵,最后将业务时序矩阵以及非时序矩阵输入卷积神经网络对业务数据进行预测,获得目标时间区间内的各基础时间粒度的业务预测数据,实现了结合卷积神经网络对业务数据进行预测的过程,极大的提高了对业务数据进行预测的效率,并且结合卷积神经网络的局部特征抽取优势,可以自动学习目标时间区间中各时间粒度对应的环比关系和同比关系,能够针对业务时序矩阵以及非业务时序矩阵进行拆分处理后再进行很好的融合,进而达到快速提升卷积神经网络预测效果的目的,从而实现快速精准的确定所述业务预测数据。
附图说明
图1是本说明书一实施例提供的一种基于卷积神经网络的业务预测方法的流程图;
图2是本说明书一实施例提供的一种基于卷积神经网络的业务预测方法中的卷积神经网络处理过程的示意图;
图3是本说明书一实施例提供的一种应用于数据量分布预测场景中的基于卷积神经网络的业务预测方法的处理流程图;
图4是本说明书一实施例提供的一种基于卷积神经网络的业务预测装置的结构示意图;
图5是本说明书一实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
卷积神经网络:(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类;包含卷积部分、池化部分和全连接部分。
全卷积神经网络:(Fully Convolutional Networks,FCN)用于图像语义分割的一种框架;包含全卷积部分和反卷积部分。
全连接层:全连接层的每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来;由于其全相连的特性,一般全连接层的参数也是最多的。
时间粒度:有事物单元的时间尺度决定的粒度。
在本说明书中,提供了一种基于卷积神经网络的业务预测方法,本说明书同时涉及一种基于卷积神经网络的业务预测装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一实施例提供的一种基于卷积神经网络的业务预测方法的流程图,具体包括以下步骤:
步骤102:获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据。
实际应用中,在根据历史业务数据预测隔日的分钟级别或者小时级别的交易量的分布的过程中,通常是采用时序模型或者传统机器学习,如集成树、梯度树等进行交易量的分布的预测,无法实现端到端的输出隔日分钟级别或者小时级别的预测所需要的数据,并且时序模型一般只能够使用时序相关特征,而对于非时序相关的特征无法很好的和时序相关特征进行融合,从而导致预测出的结果也将变得不够精准,而传统机器学习需要认真的手工构建同比和环比对应的特征及其融合特征,对于端到端的输出也是无法实现的,从而容易导致对隔日交易量的分布预测结果不够准确,并且效率低下等问题出现;其中端到端的输出具体是指通过预测模型一次性输出预测时间区间内连续的每个时间节点所对应的预测数据。
本说明书提供的基于卷积神经网络的业务预测方法,为了实现可以端到端的预测输出,并且提高卷积神经网络的准确性,通过获取历史业务数据并按照所属的时间粒度聚合为各个时间粒度的业务数据,再基于目标时间区间对应的环比时间区间内的业务数据和至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,同时构建与所述业务时序矩阵对应的非时序矩阵,最后将业务时序矩阵以及非时序矩阵输入卷积神经网络对业务数据进行预测,获得目标时间区间内的各基础时间粒度的业务预测数据,实现了结合卷积神经网络对业务数据进行预测的过程,极大的提高了对业务数据进行预测的效率,并且结合卷积神经网络的局部特征抽取优势,可以自动学习目标时间区间中各时间粒度对应的环比关系和同比关系,能够针对业务时序矩阵以及非业务时序矩阵进行拆分处理后再进行很好的融合,进而达到快速提升卷积神经网络预测效果的目的,从而实现快速精准的确定所述业务预测数据。
其中,所述卷积神经网络设有卷积层、全连接层和反卷积层,所述业务时序矩阵由所述卷积层进行卷积处理获得单维时序矩阵,并经所述全连接层确定所述单维时序矩阵的时序特征,所述时序特征与所述非时序矩阵的非时序特征进行融合后由所述反卷积层进行反卷积处理。
具体实施时,所述卷积神经网络设有所述卷积层、全连接层和反卷积层,可以理解为在全卷积神经网络中增加所述全连接层的方式实现对业务数据进行精准预测的效果,故在本说明书中将添加所述全连接层的全卷积神经网络称之为所述卷积神经网络;
所述卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的,卷积层的卷积运算的目的是提取输入数据的特征,随着每个卷积层进行特征的提取,从而实现从低级特征中迭代提取更复杂的特征;
所述反卷积层的反卷积处理可以理解为是卷积的逆过程,即为根据卷积神经网络中已经存在的特征反推出需要的预测特征,即为卷积神经网络的预测过程,从而实现预测出所需要的业务预测数据。
基于此,所述历史业务数据具体是指与业务项目相关的历史数据,其中,可以包括与业务项目相关的历史交易数据以及历史资金流动数据等,所述时间粒度的业务数据具体是指对应各个时间粒度范围内与业务项目相关的数据,例如在历史时间20**年7月3日8点03分对应的交易数据,即为在该历史时间的分钟时间粒度的业务数据。
进一步的,在根据所述业务数据进行后续的业务预测的过程中,首先需要对所述业务数据进行预处理,以使得能够输入所述卷积神经网络,并且提高所述卷积神经网络的预测准确性,需要对所述历史业务数据按照所属的时间粒度进行聚合,获得所述各个时间粒度的业务数据,本实施例的一个或多个实施方式中,在对所述历史业务数据按照所属的时间粒度进行聚合的过程如下所述:
获取所述历史业务数据,并在所述历史业务数据中提取待处理的交易业务数据;
按照预设的聚合规则将所述交易业务数据按照所属的时间粒度进行聚合,获得所述各个时间粒度的业务数据。
具体的,在获取到所述历史业务数据的基础上,为了能够预测出在目标时间区间内各基础时间粒度对应的业务预测数据,需要对所述历史业务数据进行预处理,在预处理的过程中首选需要根据所述历史业务数据按照所属时间粒度进行聚合,而在聚合过程中首先需要在所述历史业务数据中提取待处理的交易业务数据,再按照聚合规则将所述交易数据按照所属的时间粒度进行集合,最后根据聚合结果获得所述各个时间粒度的业务数据。
实际应用中,所述聚合规则具体是指按照所述历史业务数据所属的业务项目预设的规则对在所述历史业务数据中提取所需要使用的交易数据,再按照聚合规则将交易数据进行统计或者计算,以获得所述业务数据,而所述聚合规则会按照所属的时间粒度进行聚合处理,即每个时间粒度均会对应各自的聚合规则。
例如,在某交易所预测隔日交易量的过程中,需要结合历史交易数据进行预测,而在预测隔日交易量之前,需要在历史交易数据中提取出与交易量相关的数据进行处理,通过在交易数据中提取流入交易数据和流出交易数据并按照所属时间粒度进行聚合,获得用于预测隔日交易量的输入数据,再进行后续的交易量预测即可。
在对所述历史业务数据按照所属的时间粒度进行聚合的过程中,通过提取所述历史业务数据中的交易数据,并按照聚合规则对所述交易数据进行聚合处理,使得在进行业务数据预测之前通过预处理过程提高卷积神经网络的准确度,并且有效的提高了业务处理效率。
步骤104:基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵。
具体的,在上述获取历史业务数据并按照时间粒度进行聚合处理获得业务数据的基础上,进一步的,由于所述在对所述业务数据进行预测过程是需要结合历史业务数据的,故首先确定需要预测的目标时间区间,基于所述目标时间区间确定对应的环比时间区间以及同比时间区间,再确定所述同比时间区间内的业务数据、以及所述环比时间区间内的业务数据,再基于两个时间区间内的业务数据构建出所述业务时序矩阵,同时也构建出与所述业务时序矩阵对应的非时序矩阵。
其中,所述环比时间区间具体是指所述目标时间区间对应的上一个统计业务数据的时间区间;例如,每个月都对业务数据进行统计,目标时间是7月,则对应的环比时间即为6月;或者每周都对业务数据进行统计,目标时间是7月的第三个星期,则对应的环比时间即为7月的第二个星期。所述同比时间区间具体是指与目标时间区间对应的历史同时期的时间区间;例如,目标时间是2019年7月,则对应的同比时间为2018年7月;或者目标时间是2019年7月的第三个星期,则对应的同比时间即为2019年6月的第三个星期。所述业务时序矩阵具体是指由预测过程所需要使用的业务特征构成的矩阵,所述非时序矩阵具体是指在历史时期内不变的业务特征构成的矩阵。
实际应用中,在构建所述业务时序矩阵的过程中可以将所述目标时间区间对应的环比时间区间、同比时间区间的业务数据按照预设的时间粒度进行重塑到小时级别*分钟级别*3的三维矩阵,在构建业务时序矩阵的过程中需要结合在对历史业务数据进行聚合时的时间级别进行构建,故在聚合时的时间粒度是分钟级别,则构建的业务时序矩阵的最小单元也会分钟级别对应的数据所构成;同理所述非时序矩阵也可以按照方法进行构建,本实施例在此不作过多描述。
进一步的,在构建所述业务时序矩阵的过程中,为了能够加快对所述业务数据进行后续的业务预测的处理效率,可以按照预先建立的索引矩阵进行构建所述业务时序矩阵,本实施例的一个或多个实施方式中,构建所述业务时序矩阵的具体过程如下所述:
确定与所述目标时间区间的时间单位对应的索引矩阵;
根据索引矩阵将所述环比时间区间内的业务数据以及所述同比时间区间内的业务数据添加至所述索引矩阵,构建所述业务时序矩阵。
实际应用中,所述索引矩阵是所述历史业务数据的业务项目预先建立的矩阵框架,根据所述业务项目预设的对业务数据进行处理的时间粒度所构建,例如业务数据处理的时间粒度是分钟级别,则构建的索引矩阵即为24小时*60分钟*5的五维矩阵;基于此,首先确定所述目标时间区间的时间单位对应的所述索引矩阵,再将所述同比时间区间内的业务数据以及所述环比时间区间内的业务数据添加至所述索引矩阵,最后根据添加结果构建为所述业务时序矩阵。
例如,确定目标时间区间的时间单位是分钟,则确定的索引矩阵为24小时*60分钟的矩阵是
在确定索引矩阵的情况下,再将与目标时间区间对应的环比时间区间内的业务数据b以及同比时间区间内的业务数据c添加至索引矩阵,构建出的业务时序矩阵为:
通过在构建所述业务时序矩阵的过程中,结合所述目标时间区间的时间单位确定索引矩阵,再将所述同比时间区间内的业务数据以及所述环比时间区间内的业务数据添加至索引矩阵构建出所述业务时序矩阵,实现了提高构建所述业务时序矩阵的效率,加快对所述业务数据进行预测的效率。
更进一步的,构建所述非时序矩阵的过程,为了能够在对所述业务数据进行预测的过程中,可以考虑到多方面因素对所述业务数据的预测结果产生的影响,在构建所述业务时序矩阵的同时还可以构建非时序矩阵,用于后续输入所述卷积神经网络,本实施例的一个或多个实施方式中,具体实现方式如下所述:
基于所述目标时间区间对应的环比时间区间以及所述至少一个时间粒度对应的同比时间区间,确定所述业务数据中的静态业务数据;
基于所述静态业务数据构建与所述业务时序矩阵对应的所述非时序矩阵。
实际应用中,所述静态业务数据具体是指在所述业务数据中随着时间的变化而特征不会发生变化的数据,在确定所述静态业务数据的情况下,基于所述静态业务数据构建与所述业务时序矩阵对应的非时序矩阵即可,其中与所述业务时序矩阵对应的非时序矩阵具体是指与所述业务时序矩阵除矩阵中的元素不同之外,其他维度的矩阵信息均一致的矩阵,具体是指构建出的所述非时序矩阵按照所述业务时序矩阵的标准进行构建,例如业务时序矩阵是由业务数据构建的24小时*60分钟*3的三维矩阵,则对应的非时序矩阵是由静态业务数据构建的24小时*60分钟*3的三维矩阵。
通过构建与所述业务时序矩阵对应的非时序矩阵,实现了可以在进行业务数据预测的过程中,结合更多维度的数据提高业务预测数据的准确性,同时将所述非时序矩阵的构建与所述业务时序矩阵的构建标准相同,避免再对非时序矩阵进行进一步的标准化处理,有效的提高了业务数据处理的效率。
步骤106:将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据。
具体的,在上述根据所述环比时间区间内的业务数据以及所述同比时间区间内的业务数据构建所述业务时序矩阵以及所述非时序矩阵的基础上,进一步的,此时将通过所述卷积神经网络对所述业务数据进行预测,所述卷积神经网络输出的即为所述目标时间区间内各基础时间粒度的业务预测数据;其中,所述业务预测数据即为通过对所述业务数据进行预测出的预测结果。
实际应用中,为了能够提高对所述业务数据预测的准确度的提高,并且可以有效的结合全局特征和局部特征,通过在全卷积神经网络中添加全连接层实现该效果,将添加全连接层的所述全卷积神经网络称之为本说明书中提到的所述卷积神经网络。
具体实施时,在对所述卷积神经网络进行训练的过程中,需要通过大量的样本数据对所述卷积神经网络进行训练,进而提高所述卷积神经网络的准确性,本实施例的一个或多个实施方式中,所述卷积神经网络通过如下方式进行训练:
采集样本业务数据,并确定所述样本业务数据对应的样本业务预测数据;
基于样本时间区间内各基础时间粒度对所述样本业务预测数据添加标签,并将添加标签的样本业务预测数据以及所述样本业务数据作为训练样本;
将所述训练样本输入至基于所述样本业务数据和样本业务预测数据之间的关联关系构建的卷积神经网络进行训练,获得训练完成的所述卷积神经网络。
实际应用中,在对所述卷积神经网络进行训练的过程中,首先需要采集样本业务数据,同时确定样本业务数据对应的样本业务预测数据,所述样本业务数据与所述样本业务预测数据所对应,再基于样本时间区间内各基础时间粒度对所述样本业务预测数据进行添加标签,所述标签具体是指为每个基础时间粒度对应的样本预测数据添加标签,最后将训练样本输入至基于所述样本业务数据和样本业务预测数据之间的关联关系构建的卷积神经网络进行训练,即可获得训练完成的所述卷积神经网络。
通过设计卷积神经网络的输入和输出,充分的利用了卷积神经网络的局部卷积的特征,自动的学习了同比时间区间和环比时间区间内业务数据的特征的权重关系,并且直接端到端的输出目标时间区间内的业务预测数据,提高了后续对业务预测数据的处理过程以及处理效率。
而在对所述卷积神经网络进行训练的过程中,同时还可以对损失函数进行自定义,从而可以更近一步的提高对所述业务数据进行预测的准确率,本实施例的一个或多个实施方式中,损失函数的具体计算过程如下所述:
基于所述卷积神经网络中的第一预测值和第一实际值计算基于第一时间级别的第一损失函数;
基于所述卷积神经网络中的第二预测值和第二实际值计算基于第二时间级别的第二损失函数;
确定所述第一时间级别对应的第一损失权重以及所述第二时间级别对应的第二损失权重;
将所述第一损失权重与所述第一损失函数的乘积以及所述第二损失权重与所述第二损失函数的乘积进行求和,获得所述卷积神经网络的损失函数。
实际应用中,所述损失函数的计算过程可以通过公式(1)、公式(2)和公式(3)所表达,所述公式(1)、公式(2)和公式(3)具体如下所述:
Ltotal=w1Lpixel+w2Lhour_dist (3);
其中,Lpixel表示第一损失函数;Lhour_dist表示第二损失函数;N表示时序矩阵对应的矩阵列项,可以是24*60表示分钟级别;ti表示在第一损失函数中应用的第一预测值;pi表示在第一损失函数中应用的第一实际值;th表示在第二损失函数中应用的第二预测值;pn表示在第二损失函数中应用的第二实际值;w1表示第一损失权重,w2表示第二损失权重。
基于此,通过将所述第一损失权重与所述第一损失函数的乘积以及所述第二损失权重与所述第二损失函数的乘积进行求和,获得所述卷积神经网络的损失函数,所述损失函数的值越小表示所述卷积神经网络的预测结果越准确,所述损失函数的值越大表示所述卷积神经网络的预测结果越不准确。
通过对损失函数的自定义,实现了可以对分钟级别的业务数据进行损失函数的计算,能够更加精准的对所述业务数据进行预测,有效的提高了所述卷积神经网络的输出精准度。
进一步的,在通过所述卷积神经网络对所述业务时序矩阵以及所述非时序矩阵进行业务预测的过程中,由于在全卷积神经网络中添加全连接层,而导致此时的所述卷积神经网络处理过程区别于所述全卷积神经网络,以实现达到预测精准度提高的效果,本实施例的一个或多个实施方式中,具体实现方式如下所述:
将所述业务时序矩阵以及所述非时序矩阵输入所述卷积神经网络;
基于所述卷积神经网络提取所述业务时序矩阵的业务时序特征,以及所述非时序矩阵的非业务时序特征;
根据所述卷积神经网络中的卷积层将所述业务时序特征重塑为第一特征,并根据所述全连接层对所述第一特征与所述非时序特征进行特征融合获得融合特征;
将所述融合特征经所述反卷积层的反卷积处理,获得所述目标时间区间内各基础时间粒度的业务预测数据。
具体的,首先将所述业务时序矩阵以及所述非时序矩阵输入至所述卷积神经网络,此时所述卷积神经网络将提取所述业务时序矩阵以及所述非时序矩阵对应特征,获得所述业务时序矩阵对应的业务时序特征,以及所述非时序矩阵的非时序特征,再根据所述卷积神经网络中的卷积层对所述业务时序特征进行卷积处理,即将所述业务时序特征重塑为所述第一特征,此时再根据所述全连接层将所述第一特征与所述非时序特征进行特征融合获得融合特征;
基于此,此时获得的融合特征是由所述全连接层中的Feature map(特征图)层实现,表明在所述卷积神经网络中已经对输入完成了初步处理,在经过所述卷积神经网络中设有的反卷积层对所述融合特征进行反卷积处理,即为所述卷积神经网络对业务数据进行预测的过程,根据反卷积处理结果再经过输出处理即可获得所述目标时间区间内各基础时间粒度的业务预测数据。
实际应用中,全连接层(fully connected layers,FC)在卷积神经网络中起到分类器的作用,全连接层将学到分布式特征表示的映射到样本标记空间的作用,全连接层将设置在卷积神经网络中的最后几层,全连接层可以理解为将经过卷积处理的时序特征重新通过权重矩阵组成完整的“图”,在此过程中应用到卷积神经网络中的全部的局部特征,故称之为全连接层;例如x1,x2和x3为全连接层输入的时序特征,经过计算过程有:
a1=w11*x1+w12*x2+w13*x3+b1;
a2=w21*x1+w22*x2+w23*x3+b2;
a3=w31*x1+w32*x2+w33*x3+b3;
其中,w11、w12、w13、w21、w22、w23、w31、w32和w33均为权重系数,a1、a2和a3为全连接层的输出组合特征,b1、b2和b3为偏置参数。
参见图2所示,时序特征为H*M*C的矩阵,非时序特征为W,首先通过对时序特征进行重塑(Reshape),即卷积处理过程过得单维时序特征,再经过全连接层进行全连接(DenseLayer)处理,获得融合特征,通过反卷积层对融合特征进行反卷积处理获得即为每天中分钟级别的交易量,即为Hours(24)*Minutes(60)*1的矩阵。
全卷积神经网络中的卷积层会对业务时序矩阵进行一直卷积处理,而在卷积完成处理之后将会获得单维时序矩阵,此时在通过所述全连接层确定单维时序矩阵的时序特征与非时序特征进行融合有反卷积处理即可获得与所述业务时序矩阵和非时序矩阵对应的业务预测数据,由于所述全卷积神经网络的基础特征,会将输出结果按照所述输入矩阵进行相同格式的处理,从而实现端到端的输出,达到了卷积神经网络的输出结果方便后续业务数据处理。
更进一步的,本实施例的一个或多个实施方式中,所述卷积神经网络中的卷积层、全连接层和反卷积层的具体处理过程如下所述:
将所述业务时序矩阵以及所述非时序矩阵输入至所述卷积神经网络;
基于所述卷积神经网络设有的所述卷积层对应的卷积层数以及卷积核对所述业务时序矩阵进行卷积处理,获得所述单维时序矩阵;
根据所述卷积神经网络设有的所述全连接层对所述单维时序矩阵进行特征提取,确定所述时序特征;
提取所述非时序矩阵的所述非时序特征,并将所述时序特征和所述非时序特征进行特征融合获得融合业务特征;
按照所述卷积神经网络设有的所述反卷积层对应的反卷积核参数、所述融合业务特征对应的填充参数、反卷积核步长以及所述融合业务特征对应的特征参数对所述融合业务特征进行反卷积处理;
根据反卷积处理结果确定所述目标时间区间内各基础时间粒度的业务预测数据。
具体的,首先将所述业务时序矩阵以及所述非时序矩阵输入至所述卷积神经网络,在经由所述卷积层进行卷积处理,具体是按照所述卷积层数以及所述卷积和对所述业务时序矩阵进行卷积处理,此时将获得所述单维时序矩阵,在根据所述卷积神经网络设有的所述全连接层对所述单维时序矩阵进行特征提取,确定所述时序特征,同时提取所述非时序矩阵的所述非时序特征,将所述时序特征和所述非时序特征进行特征融合获得融合业务特征;再按照所述反卷积层对应的反卷积核参数、所述融合业务特征对应的填充参数、反卷积核步长以及所述融合业务特征对应的特征参数对所述融合业务特征进行反卷积处理;根据反卷积处理结果即可确定所述目标时间区间内各基础时间粒度的业务预测数据。
例如,4*4的图片标识为进行卷积的图片,而卷积层的卷积核为3*3,通过对4*4的图片进行卷积获得2*2的图片,在卷积处理的过程中输入图片尺寸是4*4,卷积核的步长是1,卷积核的大小是3*3,输出的图片是2*2,该处理的输出和输入即为卷积处理过程;
相应的,在将2*2图片反卷积处理过程即为业务预过程,需要确定填充参数为8、反卷积核步长是1,卷积核为3*3,经过反卷积处理获得4*4的图片,此时该4*4的图片是预测出的图片,与上述卷积处理过程中应用的4*4的图片存在区别。
通过在全卷积神经网络中设有全连接层,实现了可以通过全连接层的特性提高所述业务预测的结果,并且由于所述全连接能够打乱全卷积神经网络空间上的局部性(即全卷积神经网络可以对局部特征进行整合为全局特征),从而可以有效的使得所述卷积神经网络的预测准确性得以提升。
除此之外,所述卷积神经网络进行部署时可以采用Tensorflow的Adam优化器进行实现,可以做到针对分钟级别的业务预测数据量的分布,更方便后续清算处理。
具体实施时,在获得所述卷积神经网络输出的业务预测数据的基础上,进一步的,为了避免出现卷积神经网络受到设定清算规则的影响而导致输出结果不准确的情况,可以在获得业务预测数据的基础上,在进一步的按照清算规则进行清算处理,本实施例的一个或多个实施方式中,具体实现方式如下所述:
基于预先建立的清算规则对所述业务预测数据进行清算处理,获得所述目标时间区间对应的清算分布,并将所述目标时间区间转换为清算时间区间;
在所述历史业务数据对应的业务项目中调用与所述清算分布匹配的准备资金,所述准备资金用于在所述业务项目的所述清算时间区间调拨。
实际应用中,所述清算规则具体是指按照业务预测数据进行资金等方面的清算处理,此时通过清算规则对所述业务预测数据进行清算处理获得所述目标时间区间对应的清算分布,所述清算分布具体是指业务预测数据的分布情况,此时还需要将所述目标时间区间转换为清算时间区间,以确定清算分布的清算时间。
进一步的,在确定所述清算时间区间对应的清算分布的基础上,将需要对所述清算时间区间作出部署,即为可以提前作出准备,以避免到达所述清算时间出现准备不充分的情况,此时可以按照所述清算分布准备所述业务项目所需要使用的准备金,所述准备资金用于在所述业务项目的所述清算时间区间调拨。
例如,在2019年7月3日对2019年7月4日的交易量进行预测,通过卷积神经网络确定预测出2019年7月4日的业务预测数据是A,在根据清算规则对业务预测数据A进行清算处理,确定在2019年7月4日的清算分布需要2亿元准备金,此时可以在当前时间2019年7月3日准备出2亿资金以应对2019年7月4日的交易状况。
综上,不通过卷积神经网络直接预测清算分布,实现了避免清算规则对所述卷积神经网络的输出结果的影响,并且通过清算规则对所述准备金进行准备,实现了可以针对业务项目作出充足的准备,而避免浪费资源的情况发生。
本说明书提供的基于卷积神经网络的业务预测方法,通过获取历史业务数据并按照所属的时间粒度聚合为各个时间粒度的业务数据,再基于目标时间区间对应的环比时间区间内的业务数据和至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,同时构建与所述业务时序矩阵对应的非时序矩阵,最后将业务时序矩阵以及非时序矩阵输入卷积神经网络对业务数据进行预测,获得目标时间区间内的各基础时间粒度的业务预测数据,实现了结合卷积神经网络对业务数据进行预测的过程,极大的提高了对业务数据进行预测的效率,并且结合卷积神经网络的局部特征抽取优势,可以自动学习目标时间区间中各时间粒度对应的环比关系和同比关系,能够针对业务时序矩阵以及非业务时序矩阵进行拆分处理后再进行很好的融合,进而达到快速提升卷积神经网络预测效果的目的,从而实现快速精准的确定所述业务预测数据。
下述结合附图3,以本说明书提供的基于卷积神经网络的业务预测方法在数据量分布预测场景中的应用为例,对所述基于卷积神经网络的业务预测方法进行进一步说明。其中,图3示出了本说明书一实施例提供的一种应用于数据量分布预测场景中的基于卷积神经网络的业务预测方法的处理流程图,具体包括以下步骤:
步骤302:获取业务项目的历史业务数据,并提取历史业务数据中的交易数据。
具体的,在2019年7月15日某交易所需要对2019年7月16日的交易数据量进行预测,此时为了提供预测准确率以及预测效率,选择卷积神经网络进行交易数据量的预测。
步骤304:按照聚合规则将交易业务数据按照所属的分钟级进行聚合获得各个分钟级的交易业务数据。
步骤306:确定目标时间区间对应的索引矩阵。
具体的,目标时间区间为2019年7月16日。
步骤308:将环比时间区间内的交易业务数据以及同比时间区间内的交易业务数据添加至索引矩阵,构建时序矩阵。
具体的,环比时间区间具体是指2019年7月9日,同比时间区间具体是指2018年7月16日。
步骤310:基于环比时间区间以及同比时间区间确定静态交易业务数据。
步骤312:根据静态交易业务数据构建与时序矩阵对应的非时序矩阵。
步骤314:将非时序矩阵和时序矩阵输入至卷积神经网络进行业务预测,输出目标时间区间内分钟级的预测数据。
步骤316:基于清算规则对预测数据进行清算处理获得清算时间区间对应的清算分布。
具体的,在确定2019年7月16日的预测数据的情况下,根据清算规则对预测数据进行清算处理,此时将获得目标时间区间对应的分钟级的预测数据,再将目标时间区间转换为清算时间区间即可,即为清算时间区间对应的分钟级清算分布。
步骤318:根据清算分布调用准备数据量以用于在清算时间区间进行调用。
本说明书提供的基于卷积神经网络的业务预测装置,实现了结合卷积神经网络对业务数据进行预测的过程,极大的提高了对业务数据进行预测的效率,并且结合卷积神经网络的局部特征抽取优势,可以自动学习目标时间区间中各时间粒度对应的环比关系和同比关系,能够针对业务时序矩阵以及非业务时序矩阵进行拆分处理后再进行很好的融合,进而达到快速提升卷积神经网络预测效果的目的,从而实现快速精准的确定所述业务预测数据,并且通过清算规则对所述准备资源进行准备,实现了可以针对业务项目作出充足的准备,而避免浪费资源的情况发生。
与上述方法实施例相对应,本说明书还提供了基于卷积神经网络的业务预测装置实施例,图4示出了本说明书一实施例提供的一种基于卷积神经网络的业务预测装置的结构示意图。如图4所示,该装置包括:
获取数据模块402,被配置为获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;
构建矩阵模块404,被配置为基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;
业务数据预测模块406,被配置为将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据;
其中,所述卷积神经网络设有卷积层、全连接层和反卷积层,所述业务时序矩阵由所述卷积层进行卷积处理获得单维时序矩阵,并经所述全连接层确定所述单维时序矩阵的时序特征,所述时序特征与所述非时序矩阵的非时序特征进行融合后由所述反卷积层进行反卷积处理。
一个可选的实施例中,所述获取数据模块402,包括:
获取数据单元,被配置为获取所述历史业务数据,并在所述历史业务数据中提取待处理的交易业务数据;
数据聚合单元,被配置为按照预设的聚合规则将所述交易业务数据按照所属的时间粒度进行聚合,获得所述各个时间粒度的业务数据。
一个可选的实施例中,所述卷积神经网络进行业务数据预测的过程,包括:
将所述业务时序矩阵以及所述非时序矩阵输入所述卷积神经网络;
基于所述卷积神经网络提取所述业务时序矩阵的业务时序特征,以及所述非时序矩阵的非业务时序特征;
根据所述卷积神经网络中的卷积层将所述业务时序特征重塑为第一特征,并根据所述全连接层对所述第一特征与所述非时序特征进行特征融合获得融合特征;
将所述融合特征经所述反卷积层的反卷积处理,获得所述目标时间区间内各基础时间粒度的业务预测数据。
一个可选的实施例中,所述卷积神经网络进行业务数据预测的过程,包括:
将所述业务时序矩阵以及所述非时序矩阵输入至所述卷积神经网络;
基于所述卷积神经网络设有的所述卷积层对应的卷积层数以及卷积核对所述业务时序矩阵进行卷积处理,获得所述单维时序矩阵;
根据所述卷积神经网络设有的所述全连接层对所述单维时序矩阵进行特征提取,确定所述时序特征;
提取所述非时序矩阵的所述非时序特征,并将所述时序特征和所述非时序特征进行特征融合获得融合业务特征;
按照所述卷积神经网络设有的所述反卷积层对应的反卷积核参数、所述融合业务特征对应的填充参数、反卷积核步长以及所述融合业务特征对应的特征参数对所述融合业务特征进行反卷积处理;
根据反卷积处理结果确定所述目标时间区间内各基础时间粒度的业务预测数据。
一个可选的实施例中,所述构建矩阵模块404,包括:
确定索引矩阵单元,被配置为确定与所述目标时间区间的时间单位对应的索引矩阵;
构建业务时序矩阵单元,被配置为根据索引矩阵将所述环比时间区间内的业务数据以及所述同比时间区间内的业务数据添加至所述索引矩阵,构建所述业务时序矩阵。
一个可选的实施例中,所述构建矩阵模块404,包括:
确定单元,被配置为基于所述目标时间区间对应的环比时间区间以及所述至少一个时间粒度对应的同比时间区间,确定所述业务数据中的静态业务数据;
构建非时序矩阵单元,被配置为基于所述静态业务数据构建与所述业务时序矩阵对应的所述非时序矩阵。
一个可选的实施例中,所述基于卷积神经网络的业务预测装置,还包括:
清算处理模块,被配置为基于预先建立的清算规则对所述业务预测数据进行清算处理,获得所述目标时间区间对应的清算分布,并将所述目标时间区间转换为清算时间区间。
一个可选的实施例中,所述基于卷积神经网络的业务预测装置,还包括:
调用模块,被配置为在所述历史业务数据对应的业务项目中调用与所述清算分布匹配的准备资金,所述准备资金用于在所述业务项目的所述清算时间区间调拨。
一个可选的实施例中,所述卷积神经网络中的损失函数的计算过程如下所述:
基于所述卷积神经网络中的第一预测值和第一实际值计算基于第一时间级别的第一损失函数;
基于所述卷积神经网络中的第二预测值和第二实际值计算基于第二时间级别的第二损失函数;
确定所述第一时间级别对应的第一损失权重以及所述第二时间级别对应的第二损失权重;
将所述第一损失权重与所述第一损失函数的乘积以及所述第二损失权重与所述第二损失函数的乘积进行求和,获得所述卷积神经网络的损失函数。
一个可选的实施例中,所述卷积神经网络通过如下方式训练:
采集样本业务数据,并确定所述样本业务数据对应的样本业务预测数据;
基于样本时间区间内各基础时间粒度对所述样本业务预测数据添加标签,并将添加标签的样本业务预测数据以及所述样本业务数据作为训练样本;
将所述训练样本输入至基于所述样本业务数据和样本业务预测数据之间的关联关系构建的卷积神经网络进行训练,获得训练完成的所述卷积神经网络。
本说明书提供的基于卷积神经网络的业务预测装置,通过获取历史业务数据并按照所属的时间粒度聚合为各个时间粒度的业务数据,再基于目标时间区间对应的环比时间区间内的业务数据和至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,同时构建与所述业务时序矩阵对应的非时序矩阵,最后将业务时序矩阵以及非时序矩阵输入卷积神经网络对业务数据进行预测,获得目标时间区间内的各基础时间粒度的业务预测数据,实现了结合卷积神经网络对业务数据进行预测的过程,极大的提高了对业务数据进行预测的效率,并且结合卷积神经网络的局部特征抽取优势,可以自动学习目标时间区间中各时间粒度对应的环比关系和同比关系,能够针对业务时序矩阵以及非业务时序矩阵进行拆分处理后再进行很好的融合,进而达到快速提升卷积神经网络预测效果的目的,从而实现快速精准的确定所述业务预测数据。
上述为本实施例的一种基于卷积神经网络的业务预测装置的示意性方案。需要说明的是,该基于卷积神经网络的业务预测装置的技术方案与上述的基于卷积神经网络的业务预测方法的技术方案属于同一构思,基于卷积神经网络的业务预测装置的技术方案未详细描述的细节内容,均可以参见上述基于卷积神经网络的业务预测方法的技术方案的描述。
图5示出了根据本说明书一实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接,数据库550用于保存数据。
计算设备500还包括接入设备540,接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图5所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备500可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
其中,处理器520用于执行如下计算机可执行指令:
获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;
基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;
将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的基于卷积神经网络的业务预测方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述基于卷积神经网络的业务预测方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;
基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;
将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的基于卷积神经网络的业务预测方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述基于卷积神经网络的业务预测方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书并不受所描述的动作顺序的限制,因为依据本说明书,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (16)
1.一种基于卷积神经网络的业务预测方法,包括:
获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;
基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;
将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据;
其中,所述卷积神经网络设有卷积层、全连接层和反卷积层,所述业务时序矩阵由所述卷积层进行卷积处理获得单维时序矩阵,并经所述全连接层确定所述单维时序矩阵的时序特征,所述时序特征与所述非时序矩阵的非时序特征进行融合后由所述反卷积层进行反卷积处理。
2.根据权利要求1所述基于卷积神经网络的业务预测方法,所述获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据,包括:
获取所述历史业务数据,并在所述历史业务数据中提取待处理的交易业务数据;
按照预设的聚合规则将所述交易业务数据按照所属的时间粒度进行聚合,获得所述各个时间粒度的业务数据。
3.根据权利要求1所述基于卷积神经网络的业务预测方法,所述卷积神经网络进行业务数据预测的过程,包括:
将所述业务时序矩阵以及所述非时序矩阵输入所述卷积神经网络;
基于所述卷积神经网络提取所述业务时序矩阵的业务时序特征,以及所述非时序矩阵的非业务时序特征;
根据所述卷积神经网络中的卷积层将所述业务时序特征重塑为第一特征,并根据所述全连接层对所述第一特征与所述非时序特征进行特征融合获得融合特征;
将所述融合特征经所述反卷积层的反卷积处理,获得所述目标时间区间内各基础时间粒度的业务预测数据。
4.根据权利要求1所述基于卷积神经网络的业务预测方法,所述卷积神经网络进行业务数据预测的过程,包括:
将所述业务时序矩阵以及所述非时序矩阵输入至所述卷积神经网络;
基于所述卷积神经网络设有的所述卷积层对应的卷积层数以及卷积核对所述业务时序矩阵进行卷积处理,获得所述单维时序矩阵;
根据所述卷积神经网络设有的所述全连接层对所述单维时序矩阵进行特征提取,确定所述时序特征;
提取所述非时序矩阵的所述非时序特征,并将所述时序特征和所述非时序特征进行特征融合获得融合业务特征;
按照所述卷积神经网络设有的所述反卷积层对应的反卷积核参数、所述融合业务特征对应的填充参数、反卷积核步长以及所述融合业务特征对应的特征参数对所述融合业务特征进行反卷积处理;
根据反卷积处理结果确定所述目标时间区间内各基础时间粒度的业务预测数据。
5.根据权利要求1所述基于卷积神经网络的业务预测方法,所述基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,包括:
确定与所述目标时间区间的时间单位对应的索引矩阵;
根据索引矩阵将所述环比时间区间内的业务数据以及所述同比时间区间内的业务数据添加至所述索引矩阵,构建所述业务时序矩阵。
6.根据权利要求1所述基于卷积神经网络的业务预测方法,所述构建与所述业务时序矩阵对应的非时序矩阵,包括:
基于所述目标时间区间对应的环比时间区间以及所述至少一个时间粒度对应的同比时间区间,确定所述业务数据中的静态业务数据;
基于所述静态业务数据构建与所述业务时序矩阵对应的所述非时序矩阵。
7.根据权利要求1所述基于卷积神经网络的业务预测方法,所述将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据步骤执行之后,还包括:
基于预先建立的清算规则对所述业务预测数据进行清算处理,获得所述目标时间区间对应的清算分布,并将所述目标时间区间转换为清算时间区间。
8.根据权利要求7所述基于卷积神经网络的业务预测方法,所述基于预先建立的清算规则对所述业务预测数据进行清算处理,获得所述目标时间区间对应的清算分布,并将所述目标时间区间转换为清算时间区间步骤执行之后,还包括:
在所述历史业务数据对应的业务项目中调用与所述清算分布匹配的准备资金,所述准备资金用于在所述业务项目的所述清算时间区间调拨。
9.根据权利要求1所述基于卷积神经网络的业务预测方法,所述卷积神经网络中的损失函数的计算过程如下所述:
基于所述卷积神经网络中的第一预测值和第一实际值计算基于第一时间级别的第一损失函数;
基于所述卷积神经网络中的第二预测值和第二实际值计算基于第二时间级别的第二损失函数;
确定所述第一时间级别对应的第一损失权重以及所述第二时间级别对应的第二损失权重;
将所述第一损失权重与所述第一损失函数的乘积以及所述第二损失权重与所述第二损失函数的乘积进行求和,获得所述卷积神经网络的损失函数。
10.根据权利要求1所述基于卷积神经网络的业务预测方法,所述卷积神经网络通过如下方式训练:
采集样本业务数据,并确定所述样本业务数据对应的样本业务预测数据;
基于样本时间区间内各基础时间粒度对所述样本业务预测数据添加标签,并将添加标签的样本业务预测数据以及所述样本业务数据作为训练样本;
将所述训练样本输入至基于所述样本业务数据和样本业务预测数据之间的关联关系构建的卷积神经网络进行训练,获得训练完成的所述卷积神经网络。
11.一种基于卷积神经网络的业务预测装置,包括:
获取数据模块,被配置为获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;
构建矩阵模块,被配置为基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;
业务数据预测模块,被配置为将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据;
其中,所述卷积神经网络设有卷积层、全连接层和反卷积层,所述业务时序矩阵由所述卷积层进行卷积处理获得单维时序矩阵,并经所述全连接层确定所述单维时序矩阵的时序特征,所述时序特征与所述非时序矩阵的非时序特征进行融合后由所述反卷积层进行反卷积处理。
12.根据权利要求11所述基于卷积神经网络的业务预测装置,所述获取数据模块,包括:
获取数据单元,被配置为获取所述历史业务数据,并在所述历史业务数据中提取待处理的交易业务数据;
数据聚合单元,被配置为按照预设的聚合规则将所述交易业务数据按照所属的时间粒度进行聚合,获得所述各个时间粒度的业务数据。
13.根据权利要求11所述基于卷积神经网络的业务预测装置,还包括:
清算处理模块,被配置为基于预先建立的清算规则对所述业务预测数据进行清算处理,获得所述目标时间区间对应的清算分布,并将所述目标时间区间转换为清算时间区间。
14.根据权利要求13所述基于卷积神经网络的业务预测装置,还包括:
调用模块,被配置为在所述历史业务数据对应的业务项目中调用与所述清算分布匹配的准备资金,所述准备资金用于在所述业务项目的所述清算时间区间调拨。
15.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取历史业务数据并按照所属的时间粒度进行聚合,获得各个时间粒度的业务数据;
基于目标时间区间对应的环比时间区间内的业务数据、至少一个时间粒度对应的同比时间区间内的业务数据构建业务时序矩阵,以及构建与所述业务时序矩阵对应的非时序矩阵;
将所述业务时序矩阵以及所述非时序矩阵输入卷积神经网络进行业务数据预测,输出所述目标时间区间内各基础时间粒度的业务预测数据。
16.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求1至10任意一项所述基于卷积神经网络的业务预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010088928.5A CN111310995A (zh) | 2020-02-12 | 2020-02-12 | 基于卷积神经网络的业务预测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010088928.5A CN111310995A (zh) | 2020-02-12 | 2020-02-12 | 基于卷积神经网络的业务预测方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310995A true CN111310995A (zh) | 2020-06-19 |
Family
ID=71159947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010088928.5A Pending CN111310995A (zh) | 2020-02-12 | 2020-02-12 | 基于卷积神经网络的业务预测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310995A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506723A (zh) * | 2020-07-01 | 2020-08-07 | 平安国际智慧城市科技股份有限公司 | 问答响应方法、装置、设备及存储介质 |
CN113326879A (zh) * | 2021-05-31 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 一种业务数据的监测方法及装置 |
CN115293055A (zh) * | 2022-10-08 | 2022-11-04 | 江苏徐工工程机械研究院有限公司 | 矿区车辆的油耗预测模型的训练方法、装置及电子设备 |
-
2020
- 2020-02-12 CN CN202010088928.5A patent/CN111310995A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506723A (zh) * | 2020-07-01 | 2020-08-07 | 平安国际智慧城市科技股份有限公司 | 问答响应方法、装置、设备及存储介质 |
CN113326879A (zh) * | 2021-05-31 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 一种业务数据的监测方法及装置 |
CN115293055A (zh) * | 2022-10-08 | 2022-11-04 | 江苏徐工工程机械研究院有限公司 | 矿区车辆的油耗预测模型的训练方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Okawa et al. | Deep mixture point processes: Spatio-temporal event prediction with rich contextual information | |
CN111832570A (zh) | 一种图像语义分割模型训练方法及系统 | |
CN111310995A (zh) | 基于卷积神经网络的业务预测方法以及装置 | |
CN111612489B (zh) | 订单量的预测方法、装置及电子设备 | |
CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
CN114067119B (zh) | 全景分割模型的训练方法、全景分割方法及装置 | |
CN111582538A (zh) | 一种基于图神经网络的社群价值预测方法及系统 | |
CN112463968B (zh) | 文本分类方法、装置和电子设备 | |
CN110457677A (zh) | 实体关系识别方法及装置、存储介质、计算机设备 | |
CN110163250A (zh) | 基于分布式调度的图像脱敏处理系统、方法以及装置 | |
CN114170484B (zh) | 图片属性预测方法、装置、电子设备和存储介质 | |
CN112215408A (zh) | 轨道交通客流量预测方法及装置 | |
CN113822458A (zh) | 预测方法、训练方法、装置、电子设备和可读存储介质 | |
CN111222631A (zh) | 业务预测方法以及装置 | |
Sun et al. | Two-stage deep regression enhanced depth estimation from a single RGB image | |
CN115146844A (zh) | 一种基于多任务学习的多模式交通短时客流协同预测方法 | |
CN112668675B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN114066405A (zh) | 数据处理方法及装置 | |
CN113469399A (zh) | 业务预测方法及装置 | |
CN116910341A (zh) | 标签预测方法、装置及电子设备 | |
CN115797557A (zh) | 基于图注意力网络的自监督3d场景流估计方法 | |
Ge et al. | Traffic speed prediction with missing data based on TGCN | |
CN115545168A (zh) | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 | |
CN112990041B (zh) | 一种基于改进型U-net的遥感影像建筑物提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |