CN111680107A - 一种基于人工智能和区块链的金融预测系统 - Google Patents

一种基于人工智能和区块链的金融预测系统 Download PDF

Info

Publication number
CN111680107A
CN111680107A CN202010800798.3A CN202010800798A CN111680107A CN 111680107 A CN111680107 A CN 111680107A CN 202010800798 A CN202010800798 A CN 202010800798A CN 111680107 A CN111680107 A CN 111680107A
Authority
CN
China
Prior art keywords
financial
data
sequence
representing
financial data
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.)
Granted
Application number
CN202010800798.3A
Other languages
English (en)
Other versions
CN111680107B (zh
Inventor
刘星
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.)
Shanghai Jingdong Technology Co., Ltd
Original Assignee
Nanchang Woody Medical Technology 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 Nanchang Woody Medical Technology Co ltd filed Critical Nanchang Woody Medical Technology Co ltd
Priority to CN202010800798.3A priority Critical patent/CN111680107B/zh
Publication of CN111680107A publication Critical patent/CN111680107A/zh
Application granted granted Critical
Publication of CN111680107B publication Critical patent/CN111680107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种基于人工智能和区块链的金融预测系统，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测。本发明的有益效果为：实现了对金融时间序列走势的有效预测，对于政府、投资机构和投资者均有着重要的意义。

Description

一种基于人工智能和区块链的金融预测系统
技术领域
本发明创造涉及金融领域，具体涉及一种基于人工智能和区块链的金融预测系统。
背景技术
时间序列是各行各业的数据按照不同的时间间隔依次、连续产生的，它们通常包含着丰富且复杂的信息。由于人们需要从时间序列中获取有价值的信息， 因此时间序列分析技术应运而生。时间序列分析领域的关键一环是预测，时间序列预测是根据数据的历史规律以及变化趋势，对未来数据的发展状况做出合理的推测。金融时间序列是金融领域中最重要的数据，对这类数据进行分析、预测在金融投资决策与风险管理中具有重要的意义。
发明内容
针对上述问题，本发明旨在提供一种基于人工智能和区块链的金融预测系统。
本发明创造的目的通过以下技术方案实现：
一种基于人工智能和区块链的金融预测系统，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测。所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测，采用粒子群算法对金融预测模块采用的BP神经网络的初始权值和阈值进行优化。
优选地，所述数据预处理模块用于去除金融时间序列中的噪声数据，设待处理的金融时间序列为
Figure 332094DEST_PATH_IMAGE001
，对金融时间序列
Figure 644126DEST_PATH_IMAGE001
中的金融数据进行依次处理，设
Figure 442449DEST_PATH_IMAGE002
表示金融时间序列
Figure 814525DEST_PATH_IMAGE001
中当前待处理的金融数据，且
Figure 698298DEST_PATH_IMAGE002
表示金融时间序列
Figure 814022DEST_PATH_IMAGE001
中的第
Figure 466851DEST_PATH_IMAGE003
个金融数据，给定数据阈值
Figure 9828DEST_PATH_IMAGE004
，根据给定的数据阈值
Figure 112389DEST_PATH_IMAGE004
确定金融数据
Figure 969486DEST_PATH_IMAGE002
对应的参考数据序列
Figure 726090DEST_PATH_IMAGE005
，设根据给定的数据阈值
Figure 190700DEST_PATH_IMAGE004
确定的参考数据序列
Figure 298333DEST_PATH_IMAGE006
，其中，
Figure 506592DEST_PATH_IMAGE007
、
Figure 117702DEST_PATH_IMAGE008
和
Figure 205744DEST_PATH_IMAGE009
分别表示金融时间序列
Figure 214720DEST_PATH_IMAGE001
中的第
Figure 413620DEST_PATH_IMAGE010
、
Figure 629969DEST_PATH_IMAGE011
和第
Figure 764279DEST_PATH_IMAGE012
个金融数据，
Figure 518608DEST_PATH_IMAGE013
表示参数数据序列
Figure 317937DEST_PATH_IMAGE005
中的金融数据量；
设
Figure 654371DEST_PATH_IMAGE014
表示参考数据序列
Figure 146532DEST_PATH_IMAGE005
中的金融数据，且
Figure 932698DEST_PATH_IMAGE014
为金融时间序列
Figure 535718DEST_PATH_IMAGE001
中的第
Figure 992238DEST_PATH_IMAGE015
个金融数据，
Figure 327405DEST_PATH_IMAGE016
表示参考数据序列
Figure 118643DEST_PATH_IMAGE005
中的金融数据，且
Figure 10507DEST_PATH_IMAGE016
表示金融时间序列
Figure 570801DEST_PATH_IMAGE001
中的第
Figure 889918DEST_PATH_IMAGE017
个金融数据，其中，
Figure 168453DEST_PATH_IMAGE018
，则参考数据序列
Figure 50958DEST_PATH_IMAGE005
中的金融数据
Figure 219421DEST_PATH_IMAGE014
和金融数据
Figure 224286DEST_PATH_IMAGE016
满足：
Figure 475270DEST_PATH_IMAGE019
Figure 958204DEST_PATH_IMAGE020
；
设
Figure 243823DEST_PATH_IMAGE021
表示参考数据序列
Figure 154010DEST_PATH_IMAGE005
中金融数据的均值，
Figure 892290DEST_PATH_IMAGE022
表示金融数据
Figure 178915DEST_PATH_IMAGE002
的第一参考数据子序列，且
Figure 316111DEST_PATH_IMAGE023
，其中，
Figure 662778DEST_PATH_IMAGE024
表示金融时间序列
Figure 888355DEST_PATH_IMAGE001
中的第
Figure 650774DEST_PATH_IMAGE025
个金融数据，
Figure 894674DEST_PATH_IMAGE026
表示金融时间序列
Figure 162975DEST_PATH_IMAGE001
中的第
Figure 125115DEST_PATH_IMAGE027
个金融数据，
Figure 504275DEST_PATH_IMAGE028
的值采用下列方式确定；
（1）当金融数据
Figure 602681DEST_PATH_IMAGE002
满足
Figure 56532DEST_PATH_IMAGE029
时，采用下列方式确定
Figure 505968DEST_PATH_IMAGE028
的值：
Figure 423239DEST_PATH_IMAGE030
其中，
Figure 641731DEST_PATH_IMAGE031
表示当金融数据
Figure 251835DEST_PATH_IMAGE002
大于等于
Figure 860671DEST_PATH_IMAGE021
时对应的序列检测函数，
Figure 96480DEST_PATH_IMAGE032
表示金融时间序列
Figure 920211DEST_PATH_IMAGE001
中的第
Figure 950484DEST_PATH_IMAGE033
个金融数据，
Figure 856736DEST_PATH_IMAGE034
表示金融数据
Figure 178127DEST_PATH_IMAGE035
对应的第一比较函数，当
Figure 371211DEST_PATH_IMAGE036
时，则
Figure 323117DEST_PATH_IMAGE037
，当
Figure 968862DEST_PATH_IMAGE038
时，则
Figure 31627DEST_PATH_IMAGE039
；
选取使得序列检测函数
Figure 16901DEST_PATH_IMAGE040
的最大
Figure 388976DEST_PATH_IMAGE041
的值记为
Figure 275679DEST_PATH_IMAGE028
；
（2）当金融数据
Figure 391403DEST_PATH_IMAGE002
满足
Figure 231183DEST_PATH_IMAGE042
时，采用下列方式确定
Figure 524892DEST_PATH_IMAGE028
的值：
Figure 879650DEST_PATH_IMAGE043
其中，
Figure 736748DEST_PATH_IMAGE044
表示当金融数据
Figure 244084DEST_PATH_IMAGE002
小于
Figure 957962DEST_PATH_IMAGE021
时对应的序列检测函数，
Figure 816327DEST_PATH_IMAGE045
表示金融数据
Figure 211537DEST_PATH_IMAGE046
对应的第二比较函数，当
Figure 822647DEST_PATH_IMAGE047
时，则
Figure 720808DEST_PATH_IMAGE048
，当
Figure 987841DEST_PATH_IMAGE049
时，则
Figure 983479DEST_PATH_IMAGE050
；
选取使得序列检测函数
Figure 465407DEST_PATH_IMAGE051
的最大
Figure 786667DEST_PATH_IMAGE041
的值记为
Figure 275417DEST_PATH_IMAGE028
；
设
Figure 91058DEST_PATH_IMAGE052
表示金融数据
Figure 676760DEST_PATH_IMAGE002
的第二参考数据子序列，且
Figure 841025DEST_PATH_IMAGE053
Figure 895700DEST_PATH_IMAGE054
,其中，
Figure 498719DEST_PATH_IMAGE055
表示金融时间序列
Figure 680871DEST_PATH_IMAGE001
中的第
Figure 281617DEST_PATH_IMAGE056
个金融数据，
Figure 807276DEST_PATH_IMAGE057
表示金融时间序列
Figure 964719DEST_PATH_IMAGE001
中的第
Figure 462696DEST_PATH_IMAGE058
个金融数据，
Figure 31081DEST_PATH_IMAGE059
Figure 60348DEST_PATH_IMAGE060
表示金融时间序列
Figure 942853DEST_PATH_IMAGE001
中的第
Figure 357654DEST_PATH_IMAGE061
个金融数据；定义金融数据
Figure 847673DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 347924DEST_PATH_IMAGE022
和第二参考数据子序列
Figure 844240DEST_PATH_IMAGE052
中的第一检测系数为
Figure 51230DEST_PATH_IMAGE062
，且
Figure 226997DEST_PATH_IMAGE062
的表达式为：
Figure 965277DEST_PATH_IMAGE063
Figure 251902DEST_PATH_IMAGE064
Figure 578978DEST_PATH_IMAGE065
Figure 676378DEST_PATH_IMAGE066
Figure 885642DEST_PATH_IMAGE067
式中，
Figure 913641DEST_PATH_IMAGE068
表示金融数据
Figure 908273DEST_PATH_IMAGE069
在第一参考数据子序列
Figure 425842DEST_PATH_IMAGE022
中的标准差，
Figure 141644DEST_PATH_IMAGE070
表示金融数据
Figure 707755DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 806161DEST_PATH_IMAGE022
中的标准差，
Figure 245363DEST_PATH_IMAGE071
表示金融数据
Figure 366903DEST_PATH_IMAGE072
在第二参考数据子序列
Figure 799021DEST_PATH_IMAGE052
中的标准差，
Figure 768246DEST_PATH_IMAGE073
表示金融数据
Figure 627617DEST_PATH_IMAGE074
Figure 236453DEST_PATH_IMAGE075
在第二参考数据子序列
Figure 957416DEST_PATH_IMAGE052
中的标准差，
Figure 30414DEST_PATH_IMAGE076
表示向上取整；
定义金融数据
Figure 998370DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 904621DEST_PATH_IMAGE022
和第二参考数据子序列
Figure 678542DEST_PATH_IMAGE052
中的第二检测系数为
Figure 809309DEST_PATH_IMAGE077
，且
Figure 761216DEST_PATH_IMAGE077
的表达式为：
Figure 141382DEST_PATH_IMAGE078
式中，
Figure 656677DEST_PATH_IMAGE079
表示第一参考数据子序列
Figure 455000DEST_PATH_IMAGE022
中金融数据的均值，
Figure 827075DEST_PATH_IMAGE080
表示第二参考数据子序列
Figure 445269DEST_PATH_IMAGE052
中金融数据的均值；
定义金融数据
Figure 498676DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 400773DEST_PATH_IMAGE022
和第二参考数据子序列
Figure 709131DEST_PATH_IMAGE052
中的异常检测函数为
Figure 267151DEST_PATH_IMAGE081
，且
Figure 920986DEST_PATH_IMAGE081
的表达式为：
Figure 693901DEST_PATH_IMAGE082
当异常检测函数
Figure 345462DEST_PATH_IMAGE081
的值满足：
Figure 187517DEST_PATH_IMAGE083
时，判定金融数据
Figure 395775DEST_PATH_IMAGE002
为正常金融数据，且金融数据
Figure 272464DEST_PATH_IMAGE002
的值保持不变；当异常检测函数
Figure 94927DEST_PATH_IMAGE081
的值满足：
Figure 175009DEST_PATH_IMAGE084
时，判定金融数据
Figure 246346DEST_PATH_IMAGE002
为异常数据，且令
Figure 977542DEST_PATH_IMAGE085
，其中，
Figure 783955DEST_PATH_IMAGE086
表示金融时间序列
Figure 600601DEST_PATH_IMAGE001
中的第
Figure 603192DEST_PATH_IMAGE087
个金融数据。
本发明创造的有益效果：
本发明对获取的金融时间序列中的金融数据进行去噪处理，避免了噪声数据对金融预测的精度产生影响，在对金融时间序列中的金融数据进行去噪处理时，对金融时间序列中的金融数据依次进行检测，判断所述金融数据是否为噪声数据，在对所述金融数据进行检测时，给定数据阈值用于确定待检测金融数据的参考数据序列，所述参考数据序列中的任两个金融数据之间的欧式距离都小于等于所述数据阈值，从而保证了参数数据序列中的金融数据的相似性，根据待检测金融数据和参考数据序列中金融数据均值的关系在所述参考数据序列中选取部分金融数据和待检测金融数据组成待检测金融数据的第一参考数据子序列，从而保证了所述第一参考数据子序列走势的统一性，选取第一参考数据子序列中间的部分金融数据组成待检测金融数据的第二参考子序列，当待检测金融数据为正常数据时，确定的第一参考数据子序列和第二参考数据子序列将有着相似的走势，定义所述金融数据在第一参考数据子序列和第二参考数据子序列中的第一检测系数和第二检测系数，所述第一检测系数通过将所述第一参考数据子序列的初始金融数据的标准差和第二参考数据子序列的初始金融数据的标准差、第一参考数据子序列的结尾金融数据的标准差（即待检测金融数据的标准差）和第二参考数据子序列的结尾金融数据的标准差进行比较，判断待检测金融数据的第一参考数据子序列和第二参考数据子序列走势的相似性，所述第二检测系数通过将第一参考数据子序列中金融数据的均值和第二参考数据子序列中金融数据的均值进行比较，从而判断第一参考数据子序列和第二参考数据子序列走势的相似性，定义待检测金融数据对应的异常检测函数，所述异常检测函数通过将第一检测系数和第二检测系数进行比较，从而判断待检测金融数据是否为噪声数据，考虑到当第二参考数据子序列的首尾数据距离第一参考数据子序列的首尾金融数据距离越远，第一参考数据子序列和第二参考数据子序列之间的相似性减小的情况，本优选实施例在待检测金融数据的异常检测函数中引入了正弦形式的修正系数对第一检测系数进行修正，使得待检测金融数据的异常检测函数能够更加的灵活，从而有效的提高了噪声数据的检测精度。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于人工智能和区块链的金融预测系统，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测。
优先地，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测，采用粒子群算法对金融预测模块采用的BP神经网络的初始权值和阈值进行优化。
优选地，所述数据预处理模块用于去除金融时间序列中的噪声数据，设待处理的金融时间序列为
Figure 939627DEST_PATH_IMAGE001
，对金融时间序列
Figure 166209DEST_PATH_IMAGE001
中的金融数据进行依次处理，设
Figure 407834DEST_PATH_IMAGE002
表示金融时间序列
Figure 761586DEST_PATH_IMAGE001
中当前待处理的金融数据，且
Figure 201795DEST_PATH_IMAGE002
表示金融时间序列
Figure 618519DEST_PATH_IMAGE001
中的第
Figure 81862DEST_PATH_IMAGE003
个金融数据，给定数据阈值
Figure 488572DEST_PATH_IMAGE088
，其中，
Figure 534020DEST_PATH_IMAGE088
可以设置为
Figure 305667DEST_PATH_IMAGE089
，根据给定的数据阈值
Figure 318622DEST_PATH_IMAGE088
确定金融数据
Figure 14177DEST_PATH_IMAGE002
对应的参考数据序列
Figure 366661DEST_PATH_IMAGE005
，设根据给定的数据阈值
Figure 371526DEST_PATH_IMAGE088
确定的参考数据序列
Figure 622510DEST_PATH_IMAGE090
Figure 308706DEST_PATH_IMAGE091
，其中，
Figure 578013DEST_PATH_IMAGE092
、
Figure 501583DEST_PATH_IMAGE093
和
Figure 489130DEST_PATH_IMAGE094
分别表示金融时间序列
Figure 713438DEST_PATH_IMAGE001
中的第
Figure 853563DEST_PATH_IMAGE095
、
Figure 934652DEST_PATH_IMAGE096
和第
Figure 347179DEST_PATH_IMAGE097
个金融数据，
Figure 188227DEST_PATH_IMAGE098
表示参数数据序列
Figure 432126DEST_PATH_IMAGE005
中的金融数据量；
设
Figure 700428DEST_PATH_IMAGE014
表示参考数据序列
Figure 334672DEST_PATH_IMAGE005
中的金融数据，且
Figure 963099DEST_PATH_IMAGE014
为金融时间序列
Figure 69028DEST_PATH_IMAGE001
中的第
Figure 695181DEST_PATH_IMAGE015
个金融数据，
Figure 879038DEST_PATH_IMAGE016
表示参考数据序列
Figure 61888DEST_PATH_IMAGE005
中的金融数据，且
Figure 218063DEST_PATH_IMAGE016
表示金融时间序列
Figure 77435DEST_PATH_IMAGE001
中的第
Figure 499320DEST_PATH_IMAGE017
个金融数据，其中，
Figure 469550DEST_PATH_IMAGE099
，则参考数据序列
Figure 480231DEST_PATH_IMAGE005
中的金融数据
Figure 261237DEST_PATH_IMAGE014
和金融数据
Figure 419686DEST_PATH_IMAGE016
满足：
Figure 131290DEST_PATH_IMAGE100
Figure 806597DEST_PATH_IMAGE101
；
设
Figure 7771DEST_PATH_IMAGE021
表示参考数据序列
Figure 404249DEST_PATH_IMAGE005
中金融数据的均值，设
Figure 919544DEST_PATH_IMAGE022
表示金融数据
Figure 701555DEST_PATH_IMAGE002
的第一参考数据子序列，且
Figure 824363DEST_PATH_IMAGE102
，其中，
Figure 895087DEST_PATH_IMAGE103
表示金融时间序列
Figure 10811DEST_PATH_IMAGE001
中的第
Figure 663640DEST_PATH_IMAGE104
个金融数据，
Figure 206617DEST_PATH_IMAGE105
表示金融时间序列
Figure 580616DEST_PATH_IMAGE001
中的第
Figure 172134DEST_PATH_IMAGE106
个金融数据，
Figure 928738DEST_PATH_IMAGE028
的值采用下列方式确定；
（1）当金融数据
Figure 658928DEST_PATH_IMAGE002
满足
Figure 438665DEST_PATH_IMAGE107
时，采用下列方式确定
Figure 896191DEST_PATH_IMAGE028
的值：
Figure 523612DEST_PATH_IMAGE108
其中，
Figure 408392DEST_PATH_IMAGE109
表示当金融数据
Figure 675425DEST_PATH_IMAGE002
大于等于
Figure 687375DEST_PATH_IMAGE021
时对应的序列检测函数，
Figure 418570DEST_PATH_IMAGE110
表示金融时间序列
Figure 411934DEST_PATH_IMAGE001
中的第
Figure 976383DEST_PATH_IMAGE111
个金融数据，
Figure 775712DEST_PATH_IMAGE112
表示金融数据
Figure 112146DEST_PATH_IMAGE110
对应的第一比较函数，当
Figure 541991DEST_PATH_IMAGE113
时，则
Figure 845933DEST_PATH_IMAGE114
，当
Figure 934106DEST_PATH_IMAGE115
时，则
Figure 577577DEST_PATH_IMAGE116
；
选取使得序列检测函数
Figure 975060DEST_PATH_IMAGE117
的最大
Figure 517031DEST_PATH_IMAGE118
的值记为
Figure 595845DEST_PATH_IMAGE028
；
（2）当金融数据
Figure 156140DEST_PATH_IMAGE002
满足
Figure 567984DEST_PATH_IMAGE042
时，采用下列方式确定
Figure 580940DEST_PATH_IMAGE028
的值：
Figure 463445DEST_PATH_IMAGE119
其中，
Figure 628978DEST_PATH_IMAGE120
表示当金融数据
Figure 633844DEST_PATH_IMAGE002
小于
Figure 71778DEST_PATH_IMAGE021
时对应的序列检测函数，
Figure 305444DEST_PATH_IMAGE121
表示金融数据
Figure 840331DEST_PATH_IMAGE122
对应的第二比较函数，当
Figure 766830DEST_PATH_IMAGE123
时，则
Figure 692061DEST_PATH_IMAGE124
，当
Figure 978685DEST_PATH_IMAGE125
时，则
Figure 850302DEST_PATH_IMAGE126
；
选取使得序列检测函数
Figure 196970DEST_PATH_IMAGE127
的最大
Figure 609496DEST_PATH_IMAGE118
的值记为
Figure 450545DEST_PATH_IMAGE028
；
设
Figure 694444DEST_PATH_IMAGE052
表示金融数据
Figure 884117DEST_PATH_IMAGE002
的第二参考数据子序列，且
Figure 596989DEST_PATH_IMAGE128
Figure 225417DEST_PATH_IMAGE129
，其中，
Figure 527085DEST_PATH_IMAGE130
表示金融时间序列
Figure 700709DEST_PATH_IMAGE001
中的第
Figure 150144DEST_PATH_IMAGE131
个金融数据，
Figure 335925DEST_PATH_IMAGE132
表示金融时间序列
Figure 226520DEST_PATH_IMAGE001
中的第
Figure 85892DEST_PATH_IMAGE133
个金融数据，
Figure 507777DEST_PATH_IMAGE134
Figure 681270DEST_PATH_IMAGE135
表示金融时间序列
Figure 754268DEST_PATH_IMAGE001
中的第
Figure 535273DEST_PATH_IMAGE136
个金融数据；定义金融数据
Figure 693722DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 405326DEST_PATH_IMAGE022
和第二参考数据子序列
Figure 83563DEST_PATH_IMAGE052
中的第一检测系数为
Figure 284737DEST_PATH_IMAGE062
，且
Figure 868166DEST_PATH_IMAGE062
的表达式为：
Figure 928001DEST_PATH_IMAGE137
Figure 975591DEST_PATH_IMAGE138
Figure 98399DEST_PATH_IMAGE139
Figure 169123DEST_PATH_IMAGE140
Figure 284847DEST_PATH_IMAGE141
式中，
Figure 937676DEST_PATH_IMAGE142
表示金融数据
Figure 418336DEST_PATH_IMAGE143
在第一参考数据子序列
Figure 773094DEST_PATH_IMAGE022
中的标准差，
Figure 443241DEST_PATH_IMAGE144
表示金融数据
Figure 199845DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 851406DEST_PATH_IMAGE022
中的标准差，
Figure 700982DEST_PATH_IMAGE145
表示金融数据
Figure 158509DEST_PATH_IMAGE146
在第二参考数据子序列
Figure 520351DEST_PATH_IMAGE052
中的标准差，
Figure 608393DEST_PATH_IMAGE147
表示金融数据
Figure 937743DEST_PATH_IMAGE148
Figure 949692DEST_PATH_IMAGE149
在第二参考数据子序列
Figure 352992DEST_PATH_IMAGE052
中的标准差，
Figure 674252DEST_PATH_IMAGE150
表示向上取整；
定义金融数据
Figure 241630DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 978642DEST_PATH_IMAGE022
和第二参考数据子序列
Figure 564344DEST_PATH_IMAGE052
中的第二检测系数为
Figure 804308DEST_PATH_IMAGE077
，且
Figure 842671DEST_PATH_IMAGE077
的表达式为：
Figure 383374DEST_PATH_IMAGE151
式中，
Figure 839894DEST_PATH_IMAGE152
表示第一参考数据子序列
Figure 237378DEST_PATH_IMAGE022
中金融数据的均值，
Figure 779349DEST_PATH_IMAGE080
表示第二参考数据子序列
Figure 858163DEST_PATH_IMAGE052
中金融数据的均值；
定义金融数据
Figure 418457DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 737574DEST_PATH_IMAGE022
和第二参考数据子序列
Figure 953792DEST_PATH_IMAGE052
中的异常检测函数为
Figure 898614DEST_PATH_IMAGE081
，且
Figure 67077DEST_PATH_IMAGE081
的表达式为：
Figure 9626DEST_PATH_IMAGE153
当异常检测函数
Figure 509877DEST_PATH_IMAGE081
的值满足：
Figure 743543DEST_PATH_IMAGE154
时，判定金融数据
Figure 278430DEST_PATH_IMAGE002
为正常金融数据，且金融数据
Figure 126300DEST_PATH_IMAGE002
的值保持不变；当异常检测函数
Figure 864580DEST_PATH_IMAGE081
的值满足：
Figure 151205DEST_PATH_IMAGE155
时，判定金融数据
Figure 291331DEST_PATH_IMAGE002
为异常数据，且令
Figure 575681DEST_PATH_IMAGE156
，其中，
Figure 50525DEST_PATH_IMAGE157
表示金融时间序列
Figure 623064DEST_PATH_IMAGE001
中的第
Figure 866964DEST_PATH_IMAGE158
个金融数据。
本优选实施例用于去除所述金融时间序列中的噪声数据，对金融时间序列中的金融数据依次进行检测，判断所述金融数据是否为噪声数据，在对所述金融数据进行检测时，给定数据阈值用于确定待检测金融数据的参考数据序列，所述参考数据序列中的任两个金融数据之间的欧式距离都小于等于所述数据阈值，从而保证了参数数据序列中的金融数据的相似性，根据待检测金融数据和参考数据序列中金融数据均值的关系在所述参考数据序列中选取部分金融数据和待检测金融数据组成待检测金融数据的第一参考数据子序列，从而保证了所述第一参考数据子序列走势的统一性，选取第一参考数据子序列中间的部分金融数据组成待检测金融数据的第二参考子序列，当待检测金融数据为正常数据时，确定的第一参考数据子序列和第二参考数据子序列将有着相似的走势，根据该特性，定义所述金融数据在第一参考数据子序列和第二参考数据子序列中的第一检测系数和第二检测系数，所述第一检测系数通过将所述第一参考数据子序列的初始金融数据的标准差和第二参考数据子序列的初始金融数据的标准差、第一参考数据子序列的结尾金融数据的标准差（即待检测金融数据的标准差）和第二参考数据子序列的结尾金融数据的标准差进行比较，判断待检测金融数据的第一参考数据子序列和第二参考数据子序列走势的相似性，所述第二检测系数通过将第一参考数据子序列中金融数据的均值和第二参考数据子序列中金融数据的均值进行比较，从而判断第一参考数据子序列和第二参考数据子序列走势的相似性，定义待检测金融数据对应的异常检测函数，所述异常检测函数通过第一检测系数和第二检测系数比较所述第一参考数据子序列和第二参数数据子序列之间走势的相似性，从而判断待检测金融数据是否为噪声数据，考虑到当第二参考数据子序列的首尾数据距离第一参考数据子序列的首尾金融数据距离越远，第一参考数据子序列和第二参考数据子序列之间走势的相似性减小的情况，本优选实施例在待检测金融数据的异常检测函数中引入了正弦形式的修正系数对第一检测系数进行修正，使得待检测金融数据的异常检测函数能够更加的灵活，从而有效的提高了噪声数据的检测精度。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (3)

1.一种基于人工智能和区块链的金融预测系统，其特征在于：包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测；所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测，采用粒子群算法对金融预测模块采用的BP神经网络的初始权值和阈值进行优化。
2.根据权利要求1所述的基于人工智能和区块链的金融预测系统，其特征在于：所述数据预处理模块用于去除金融时间序列中的噪声数据，设待处理的金融时间序列为
Figure 410875DEST_PATH_IMAGE001
，对金融时间序列
Figure 617866DEST_PATH_IMAGE001
中的金融数据进行依次处理，设
Figure 544364DEST_PATH_IMAGE002
表示金融时间序列
Figure 531912DEST_PATH_IMAGE001
中当前待处理的金融数据，且
Figure 569269DEST_PATH_IMAGE002
表示金融时间序列
Figure 896345DEST_PATH_IMAGE001
中的第
Figure 243013DEST_PATH_IMAGE003
个金融数据，给定数据阈值
Figure 205940DEST_PATH_IMAGE004
，其中，
Figure 233938DEST_PATH_IMAGE004
可以设置为
Figure 477838DEST_PATH_IMAGE005
，根据给定的数据阈值
Figure 746139DEST_PATH_IMAGE004
确定金融数据
Figure 708279DEST_PATH_IMAGE002
对应的参考数据序列
Figure 274390DEST_PATH_IMAGE006
，设根据给定的数据阈值
Figure 123528DEST_PATH_IMAGE004
确定的参考数据序列
Figure 811998DEST_PATH_IMAGE007
，
Figure 933538DEST_PATH_IMAGE008
Figure 116389DEST_PATH_IMAGE009
，其中，
Figure 334881DEST_PATH_IMAGE010
、
Figure 942055DEST_PATH_IMAGE011
和
Figure 550891DEST_PATH_IMAGE012
分别表示金融时间序列
Figure 521121DEST_PATH_IMAGE001
中的第
Figure 344852DEST_PATH_IMAGE013
、
Figure 312808DEST_PATH_IMAGE014
和第
Figure 471257DEST_PATH_IMAGE015
个金融数据，
Figure 995910DEST_PATH_IMAGE016
表示参数数据序列
Figure 126677DEST_PATH_IMAGE006
中的金融数据量；
设
Figure 327851DEST_PATH_IMAGE017
表示参考数据序列
Figure 458749DEST_PATH_IMAGE006
中的金融数据，且
Figure 36361DEST_PATH_IMAGE017
为金融时间序列
Figure 21635DEST_PATH_IMAGE001
中的第
Figure 159091DEST_PATH_IMAGE018
个金融数据，
Figure 26553DEST_PATH_IMAGE019
表示参考数据序列
Figure 79960DEST_PATH_IMAGE006
中的金融数据，且
Figure 732789DEST_PATH_IMAGE019
表示金融时间序列
Figure 275766DEST_PATH_IMAGE001
中的第
Figure 833786DEST_PATH_IMAGE020
个金融数据，其中，
Figure 238354DEST_PATH_IMAGE021
，则参考数据序列
Figure 260536DEST_PATH_IMAGE006
中的金融数据
Figure 912098DEST_PATH_IMAGE017
和金融数据
Figure 504884DEST_PATH_IMAGE019
满足：
Figure 900093DEST_PATH_IMAGE022
Figure 776782DEST_PATH_IMAGE023
；
设
Figure 409365DEST_PATH_IMAGE024
表示参考数据序列
Figure 676398DEST_PATH_IMAGE006
中金融数据的均值，
Figure 937615DEST_PATH_IMAGE025
表示金融数据
Figure 419543DEST_PATH_IMAGE002
的第一参考数据子序列，且
Figure 412907DEST_PATH_IMAGE026
，
Figure 229553DEST_PATH_IMAGE027
，其中，
Figure 45193DEST_PATH_IMAGE028
表示金融时间序列
Figure 568579DEST_PATH_IMAGE001
中的第
Figure 795161DEST_PATH_IMAGE029
个金融数据，
Figure 849835DEST_PATH_IMAGE030
表示金融时间序列
Figure 390538DEST_PATH_IMAGE001
中的第
Figure 830747DEST_PATH_IMAGE031
个金融数据，
Figure 247471DEST_PATH_IMAGE032
的值采用下列方式确定；
（1） 当金融数据
Figure 710814DEST_PATH_IMAGE002
满足
Figure 117524DEST_PATH_IMAGE033
时，采用下列方式确定
Figure 162972DEST_PATH_IMAGE032
的值：
Figure 934619DEST_PATH_IMAGE034
其中，
Figure 947574DEST_PATH_IMAGE035
表示当金融数据
Figure 643129DEST_PATH_IMAGE002
大于等于
Figure 995613DEST_PATH_IMAGE024
时对应的序列检测函数，
Figure 478DEST_PATH_IMAGE036
表示金融时间序列
Figure 251462DEST_PATH_IMAGE001
中的第
Figure 937658DEST_PATH_IMAGE037
个金融数据，
Figure 206965DEST_PATH_IMAGE038
表示金融数据
Figure 130535DEST_PATH_IMAGE039
对应的第一比较函数，当
Figure 55765DEST_PATH_IMAGE040
时，则
Figure 342390DEST_PATH_IMAGE041
，当
Figure 482516DEST_PATH_IMAGE042
时，
Figure 501287DEST_PATH_IMAGE043
；
选取使得序列检测函数
Figure 976131DEST_PATH_IMAGE044
的最大
Figure 817179DEST_PATH_IMAGE045
的值记为
Figure 998762DEST_PATH_IMAGE032
；
（2）当金融数据
Figure 516331DEST_PATH_IMAGE002
满足
Figure 963624DEST_PATH_IMAGE046
时，采用下列方式确定
Figure 529734DEST_PATH_IMAGE032
的值：
Figure 893719DEST_PATH_IMAGE047
其中，
Figure 324133DEST_PATH_IMAGE048
表示当金融数据
Figure 445673DEST_PATH_IMAGE002
小于
Figure 877791DEST_PATH_IMAGE024
时对应的序列检测函数，
Figure 847015DEST_PATH_IMAGE049
表示金融数据
Figure 644070DEST_PATH_IMAGE050
对应的第二比较函数，当
Figure 315223DEST_PATH_IMAGE051
时，则
Figure 36185DEST_PATH_IMAGE052
，当
Figure 109183DEST_PATH_IMAGE053
时，则
Figure 77139DEST_PATH_IMAGE054
；
选取使得序列检测函数
Figure 986321DEST_PATH_IMAGE055
的最大
Figure 760242DEST_PATH_IMAGE045
的值记为
Figure 625430DEST_PATH_IMAGE032
。
3.根据权利要求2所述的基于人工智能和区块链的金融预测系统，其特征在于：
设
Figure 574407DEST_PATH_IMAGE056
表示金融数据
Figure 220151DEST_PATH_IMAGE002
的第二参考数据子序列，且
Figure 735446DEST_PATH_IMAGE057
Figure 268190DEST_PATH_IMAGE058
，其中，
Figure 640266DEST_PATH_IMAGE059
表示金融时间序列
Figure 710990DEST_PATH_IMAGE001
中的第
Figure 577446DEST_PATH_IMAGE060
个金融数据，
Figure 479543DEST_PATH_IMAGE061
表示金融时间序列
Figure 960203DEST_PATH_IMAGE001
中的第
Figure 331272DEST_PATH_IMAGE062
个金融数据，
Figure 985107DEST_PATH_IMAGE063
Figure 679394DEST_PATH_IMAGE064
表示金融时间序列
Figure 412513DEST_PATH_IMAGE001
中的第
Figure 254567DEST_PATH_IMAGE065
个金融数据；定义金融数据
Figure 649777DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 277198DEST_PATH_IMAGE025
和第二参考数据子序列
Figure 161978DEST_PATH_IMAGE056
中的第一检测系数为
Figure 429011DEST_PATH_IMAGE066
，且
Figure 440960DEST_PATH_IMAGE066
的表达式为：
Figure 172156DEST_PATH_IMAGE067
Figure 978569DEST_PATH_IMAGE068
Figure 732899DEST_PATH_IMAGE069
Figure 532227DEST_PATH_IMAGE070
Figure 865732DEST_PATH_IMAGE071
式中，
Figure 295576DEST_PATH_IMAGE072
表示金融数据
Figure 599519DEST_PATH_IMAGE073
在第一参考数据子序列
Figure 687692DEST_PATH_IMAGE025
中的标准差，
Figure 331163DEST_PATH_IMAGE074
表示金融数据
Figure 728646DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 270617DEST_PATH_IMAGE025
中的标准差，
Figure 349431DEST_PATH_IMAGE075
表示金融数据
Figure 909726DEST_PATH_IMAGE076
在第二参考数据子序列
Figure 494422DEST_PATH_IMAGE056
中的标准差，
Figure 445060DEST_PATH_IMAGE077
表示金融数据
Figure 389883DEST_PATH_IMAGE078
Figure 570064DEST_PATH_IMAGE079
第二参考数据子序列
Figure 512612DEST_PATH_IMAGE056
中的标准差，
Figure 12864DEST_PATH_IMAGE080
表示向上取整；
定义金融数据
Figure 246530DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 719100DEST_PATH_IMAGE025
和第二参考数据子序列
Figure 894866DEST_PATH_IMAGE056
中的第二检测系数为
Figure 633146DEST_PATH_IMAGE081
，且
Figure 857454DEST_PATH_IMAGE081
的表达式为：
Figure 981268DEST_PATH_IMAGE082
式中，
Figure 78668DEST_PATH_IMAGE083
表示第一参考数据子序列
Figure 491195DEST_PATH_IMAGE025
中金融数据的均值，
Figure 581511DEST_PATH_IMAGE084
表示第二参考数据子序列
Figure 573213DEST_PATH_IMAGE056
中金融数据的均值；
定义金融数据
Figure 762886DEST_PATH_IMAGE002
在第一参考数据子序列
Figure 725026DEST_PATH_IMAGE025
和第二参考数据子序列
Figure 291136DEST_PATH_IMAGE056
中的异常检测函数为
Figure 405854DEST_PATH_IMAGE085
，且
Figure 828745DEST_PATH_IMAGE085
的表达式为：
Figure 215864DEST_PATH_IMAGE086
当异常检测函数
Figure 398715DEST_PATH_IMAGE085
的值满足：
Figure 351627DEST_PATH_IMAGE087
时，判定金融数据
Figure 148682DEST_PATH_IMAGE002
为正常金融数据，且金融数据
Figure 570567DEST_PATH_IMAGE002
的值保持不变；当异常检测函数
Figure 806376DEST_PATH_IMAGE085
的值满足：
Figure 817058DEST_PATH_IMAGE088
时，判定金融数据
Figure 600993DEST_PATH_IMAGE002
为异常数据，且令
Figure 759442DEST_PATH_IMAGE089
，其中，
Figure 471046DEST_PATH_IMAGE090
表示金融时间序列
Figure 149283DEST_PATH_IMAGE001
中的第
Figure 350457DEST_PATH_IMAGE091
个金融数据。
CN202010800798.3A 2020-08-11 2020-08-11 一种基于人工智能和区块链的金融预测系统 Active CN111680107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010800798.3A CN111680107B (zh) 2020-08-11 2020-08-11 一种基于人工智能和区块链的金融预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010800798.3A CN111680107B (zh) 2020-08-11 2020-08-11 一种基于人工智能和区块链的金融预测系统

Publications (2)

Publication Number Publication Date
CN111680107A true CN111680107A (zh) 2020-09-18
CN111680107B CN111680107B (zh) 2020-12-08

Family

ID=72458232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010800798.3A Active CN111680107B (zh) 2020-08-11 2020-08-11 一种基于人工智能和区块链的金融预测系统

Country Status (1)

Country Link
CN (1) CN111680107B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930844A (zh) * 2020-08-11 2020-11-13 罗忠明 基于区块链和人工智能的金融预测系统
CN113065710A (zh) * 2021-04-09 2021-07-02 深圳市小金象科技有限公司 一种基于人工智能和区块链的金融预测系统
CN117314424A (zh) * 2023-09-18 2023-12-29 纬创软件(武汉)有限公司 面向金融大数据的区块链交易系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600070A (zh) * 2016-12-20 2017-04-26 郭建峰 基于ipso‑bp神经网络的短期股价预测算法
CN108305158A (zh) * 2017-12-27 2018-07-20 阿里巴巴集团控股有限公司 一种训练风控模型和风控的方法、装置及设备
WO2019018533A1 (en) * 2017-07-18 2019-01-24 Neubay Inc NEURO-BAYESIAN ARCHITECTURE FOR THE IMPLEMENTATION OF GENERAL ARTIFICIAL INTELLIGENCE
CN109493043A (zh) * 2018-10-30 2019-03-19 广州品唯软件有限公司 交易记录区块化方法、装置、电子设备及存储介质
CN109598387A (zh) * 2018-12-14 2019-04-09 华东师范大学 基于双向跨模态注意力网络模型的股价预测方法及系统
CN109919374A (zh) * 2019-03-01 2019-06-21 杭州电子科技大学 基于apso-bp神经网络的股票价格预测方法
CN111209591A (zh) * 2019-12-31 2020-05-29 浙江工业大学 一种按时间排序的存储结构与快速查询的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600070A (zh) * 2016-12-20 2017-04-26 郭建峰 基于ipso‑bp神经网络的短期股价预测算法
WO2019018533A1 (en) * 2017-07-18 2019-01-24 Neubay Inc NEURO-BAYESIAN ARCHITECTURE FOR THE IMPLEMENTATION OF GENERAL ARTIFICIAL INTELLIGENCE
CN108305158A (zh) * 2017-12-27 2018-07-20 阿里巴巴集团控股有限公司 一种训练风控模型和风控的方法、装置及设备
CN109493043A (zh) * 2018-10-30 2019-03-19 广州品唯软件有限公司 交易记录区块化方法、装置、电子设备及存储介质
CN109598387A (zh) * 2018-12-14 2019-04-09 华东师范大学 基于双向跨模态注意力网络模型的股价预测方法及系统
CN109919374A (zh) * 2019-03-01 2019-06-21 杭州电子科技大学 基于apso-bp神经网络的股票价格预测方法
CN111209591A (zh) * 2019-12-31 2020-05-29 浙江工业大学 一种按时间排序的存储结构与快速查询的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苗旭东等: "基于小波和PSO-BP 神经网络的金融时序预测", 《信息技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930844A (zh) * 2020-08-11 2020-11-13 罗忠明 基于区块链和人工智能的金融预测系统
CN113065710A (zh) * 2021-04-09 2021-07-02 深圳市小金象科技有限公司 一种基于人工智能和区块链的金融预测系统
CN117314424A (zh) * 2023-09-18 2023-12-29 纬创软件(武汉)有限公司 面向金融大数据的区块链交易系统及方法
CN117314424B (zh) * 2023-09-18 2024-03-29 纬创软件(武汉)有限公司 面向金融大数据的区块链交易系统及方法

Also Published As

Publication number Publication date
CN111680107B (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN111680107A (zh) 一种基于人工智能和区块链的金融预测系统
US11138514B2 (en) Review machine learning system
CN111930844B (zh) 基于区块链和人工智能的金融预测系统
Zhu et al. Dimensionality reduction in complex medical data: Improved self-adaptive niche genetic algorithm
WO2021169361A1 (zh) 时间序列数据的检测方法、装置、计算机设备及存储介质
CN114880478A (zh) 基于主题信息增强的弱监督方面类别检测方法
CN114580934A (zh) 基于无监督异常检测的食品检测数据风险的早预警方法
Li et al. Deep neural forest for out-of-distribution detection of skin lesion images
CN107862375A (zh) 一种两阶段的设备故障诊断方法
CN113343123A (zh) 一种生成对抗多关系图网络的训练方法和检测方法
CN112418522A (zh) 一种基于三支集成预测模型的工业加热炉钢温预测方法
US11966826B2 (en) Bias reduction in machine learning model training and inference
Sun et al. Undersampling method based on minority class density for imbalanced data
CN111107082A (zh) 一种基于深度信念网络的免疫入侵检测方法
Pushkar et al. A comparative study on change-point detection methods in time series data
CN116340936A (zh) 融合强化学习和特征选择优化的ics入侵检测系统及方法
Akash et al. Predicting Thyroid Dysfunction Using Machine Learning Techniques
CN114066239A (zh) 一种用户用电量异常检测方法及装置
CN116956089A (zh) 电器设备温度异常检测模型训练方法以及检测方法
CN115620802B (zh) 一种基因数据的处理方法及系统
CN111507578A (zh) 风险评估方法及相关装置、设备
Wang et al. C. elegans search behavior analysis using Multivariate Dynamic Time Warping
Xu et al. Advanced LLE method for dimension reduction using nonlinear manufacturing data
Whitehouse et al. Tree sequences as a general-purpose tool for population genetic inference
CN115579000B (zh) 一种用于语音识别芯片的智能修正方法及系统

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
CB03 Change of inventor or designer information

Inventor after: Bian Yao

Inventor after: Cai Qinglong

Inventor after: Zhou Zhongliang

Inventor after: Liu Xing

Inventor before: Liu Xing

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20201119

Address after: 177, block B, building 6, No. 1088, Taihe Road, Baoshan District, Shanghai, 200940

Applicant after: Shanghai Jingdong Technology Co., Ltd

Address before: Room 611-11, Ziyang pearl phase I office building, 2999 Ziyang Avenue, Nanchang hi tech Industrial Development Zone, Nanchang City, Jiangxi Province 330000

Applicant before: Nanchang woody Medical Technology Co.,Ltd.

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