CN112215444B - 基于分布曲线的预测方法、装置、设备及存储介质 - Google Patents
基于分布曲线的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112215444B CN112215444B CN202011425186.7A CN202011425186A CN112215444B CN 112215444 B CN112215444 B CN 112215444B CN 202011425186 A CN202011425186 A CN 202011425186A CN 112215444 B CN112215444 B CN 112215444B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- prediction
- service
- holiday
- 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
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
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域，提供一种基于分布曲线的预测方法、装置、设备及存储介质，用于提高业务费用数据的预测准确性。基于分布曲线的预测方法包括：计算第二历史业务订单数据中多个订立日期和各订立日期对应的起始日期之间的多个日期差值；通过预置预测模型、第二历史业务订单数据和多个日期差值，计算分布曲线值；通过预置预测模型、第一历史业务订单数据、第二历史业务订单数据和分布曲线值，对预设预测时段的业务费用数据进行预测，得到多个预测数据集；将多个预测数据集进行合并处理，得到业务费用预测数据。此外，本发明还涉及区块链技术，第一历史业务订单数据和第二历史业务订单数据可存储于区块链中。
Description
技术领域
本发明涉及人工智能的智能决策领域，尤其涉及一种基于分布曲线的预测方法、装置、设备及存储介质。
背景技术
随着业务的普及，对业务的各项数据的统计与预测也显得尤为重要，例如：业务数据的预测。目前的业务数据的预测方式，一般都是通过时间序列预测算法和历史业务数据，对预设时间的业务数据进行预测，从而得到预测业务数据。
但是，上述业务数据的预测方式是直接将所有历史日期的历史业务数据融合在一起后进行预测，而节假日和工作日之间存在一定的先后顺序，每个周期月的节假日与工作日的历史业务数据与上一个周期月的节假日与工作日的历史业务数据并不是一一对应相等的关系，且历史业务数据易受到日期的业务订单数量和业务费用数据之间的影响，忽略了业务订单数量和业务费用数据之间的分布规律，导致了预测业务数据的预测结果的偏差率较高，从而导致了业务数据的预测准确性低。
发明内容
本发明提供一种基于分布曲线的预测方法、装置、设备及存储介质，用于提高业务费用数据的预测准确性。
本发明第一方面提供了一种基于分布曲线的预测方法，包括：
获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，所述第一预设历史时段包含于所述第二预设历史时段，所述第二预设历史时段的结束日期为预设预测时段的起始日期的前一天，所述第一历史业务订单数据包括历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，所述第二历史业务订单数据包括历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
获取所述第二历史业务订单数据中的多个订立日期，以及各订立日期对应的起始日期，并计算所述多个订立日期和各订立日期对应的起始日期之间的差值，得到多个日期差值；
通过预置预测模型和所述第二历史业务订单数据，计算所述多个日期差值分别对应的业务费用数据比例值，通过所述预置预测模型中的指数函数和所述多个日期差值，计算所述业务费用数据比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值；
通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集；
将所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集进行合并处理，得到业务费用预测数据。
可选的，在本发明第一方面的第一种实现方式中，所述通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集，包括：
通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述多个日期差值和所述业务费用数据比例值，对所述预设预测时段的日均业务费用数据进行预测，得到所述预设预测时段的多个日业务费用预估数据集；
根据所述预设预测时段的多个日业务费用预估数据集、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集。
可选的，在本发明第一方面的第二种实现方式中，所述通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述多个日期差值和所述业务费用数据比例值，对所述预设预测时段的日均业务费用数据进行预测，得到所述预设预测时段的多个日业务费用预估数据集，包括：
通过所述预置预测模型、所述第一历史业务订单数据和所述第二历史业务订单数据，对所述预设预测时段的日均业务费用数据依次进行预测和均值计算，得到所述历史周期工作日日均业务费用数据对应的第一日均预测数据、所述历史周期节假日日均业务费用数据对应的第二日均预测数据、所述历史同期工作日日均业务费用数据对应的第三日均预测数据和所述历史同期节假日日均业务费用数据对应的第四日均预测数据；
根据所述第一日均预测数据、所述第二日均预测数据、所述第三日均预测数据、所述第四日均预测数据、所述多个日期差值和所述业务费用数据比例值，分别对所述预设预测时段的日均业务费用数据进行预测，得到所述预设预测时段的多个日业务费用预估数据集。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述预设预测时段的多个日业务费用预估数据集、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集，包括：
获取所述第一历史业务订单数据的历史周期工作日累计业务费用数据和历史周期节假日累计业务费用数据，以及所述第二历史业务订单数据的历史同期工作日累计业务费用数据和历史同期节假日累计业务费用数据；
根据所述历史周期工作日累计业务费用数据、所述历史周期节假日累计业务费用数据、所述多个日业务费用预估数据集、所述周期工作日分布曲线值、所述周期节假日分布曲线值和预测算法，计算所述预设预测时段的业务费用数据，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据和对应的第二预测数据集；
根据所述历史同期工作日累计业务费用数据、所述历史同期节假日累计业务费用数据、所述多个日业务费用预估数据集、所述同期工作日分布曲线值、所述同期节假日分布曲线值和预测算法，计算所述预设预测时段的业务费用数据，得到所述历史同期工作日日均业务费用数据对应的第三预测数据集和所述历史同期节假日日均业务费用数据对应的第四预测数据集。
可选的，在本发明第一方面的第四种实现方式中，所述获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，包括：
获取目标预设时段的初始历史业务订单数据，对所述初始历史业务订单数据进行数据清洗，得到候选历史业务订单数据；
将所述候选历史业务订单数据依次进行时段分类和日期类型分类，得到第一预设历史时段的目标业务订单数据和第二预设历史时段的目标业务订单数据，所述日期类型包括工作日和节假日，所述业务订单数据包括业务订单信息；
计算所述第一预设历史时段的目标业务订单数据的历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，以及所述第二预设历史时段的目标业务订单数据的历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
将所述第一预设历史时段的业务订单信息、历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据确定为第一历史业务订单数据，将所述第二预设历史时段的业务订单信息、历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据确定为第二历史业务订单数据。
可选的，在本发明第一方面的第五种实现方式中，所述将所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集进行合并处理，得到业务费用预测数据，包括：
根据所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集，分别生成第一预测序列、第二预测序列、第三预测序列和第四预测序列；
将所述第一预测序列、所述第二预测序列、所述第三预测序列和所述第四预测序列依次相加，得到合并序列；
计算所述合并序列的算术均值，得到业务费用预测数据。
可选的，在本发明第一方面的第六种实现方式中，所述将所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集进行合并处理，得到业务费用预测数据之后，还包括：
获取所述业务费用预测数据的偏差率，并根据所述偏差率和预置的优化算法，对所述预置预测模型进行优化。
本发明第二方面提供了一种基于分布曲线的预测装置，包括：
获取模块，用于获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，所述第一预设历史时段包含于所述第二预设历史时段，所述第二预设历史时段的结束日期为预设预测时段的起始日期的前一天，所述第一历史业务订单数据包括历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，所述第二历史业务订单数据包括历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
第一计算模块，用于获取所述第二历史业务订单数据中的多个订立日期，以及各订立日期对应的起始日期，并计算所述多个订立日期和各订立日期对应的起始日期之间的差值，得到多个日期差值；
第二计算模块，用于通过预置预测模型和所述第二历史业务订单数据，计算所述多个日期差值分别对应的业务费用数据比例值，通过所述预置预测模型中的指数函数和所述多个日期差值，计算所述业务费用数据比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值；
预测模块，用于通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集；
合并处理模块，用于将所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集进行合并处理，得到业务费用预测数据。
可选的，在本发明第二方面的第一种实现方式中，所述预测模块包括：
第一预测单元，用于通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述多个日期差值和所述业务费用数据比例值，对所述预设预测时段的日均业务费用数据进行预测，得到所述预设预测时段的多个日业务费用预估数据集；
第二预测单元，用于根据所述预设预测时段的多个日业务费用预估数据集、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集。
可选的，在本发明第二方面的第二种实现方式中，所述第一预测单元具体用于：
通过所述预置预测模型、所述第一历史业务订单数据和所述第二历史业务订单数据，对所述预设预测时段的日均业务费用数据依次进行预测和均值计算，得到所述历史周期工作日日均业务费用数据对应的第一日均预测数据、所述历史周期节假日日均业务费用数据对应的第二日均预测数据、所述历史同期工作日日均业务费用数据对应的第三日均预测数据和所述历史同期节假日日均业务费用数据对应的第四日均预测数据；
根据所述第一日均预测数据、所述第二日均预测数据、所述第三日均预测数据、所述第四日均预测数据、所述多个日期差值和所述业务费用数据比例值，分别对所述预设预测时段的日均业务费用数据进行预测，得到所述预设预测时段的多个日业务费用预估数据集。
可选的，在本发明第二方面的第三种实现方式中，所述第二预测单元具体用于：
获取所述第一历史业务订单数据的历史周期工作日累计业务费用数据和历史周期节假日累计业务费用数据，以及所述第二历史业务订单数据的历史同期工作日累计业务费用数据和历史同期节假日累计业务费用数据；
根据所述历史周期工作日累计业务费用数据、所述历史周期节假日累计业务费用数据、所述多个日业务费用预估数据集、所述周期工作日分布曲线值、所述周期节假日分布曲线值和预测算法，计算所述预设预测时段的业务费用数据，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据和对应的第二预测数据集；
根据所述历史同期工作日累计业务费用数据、所述历史同期节假日累计业务费用数据、所述多个日业务费用预估数据集、所述同期工作日分布曲线值、所述同期节假日分布曲线值和预测算法，计算所述预设预测时段的业务费用数据，得到所述历史同期工作日日均业务费用数据对应的第三预测数据集和所述历史同期节假日日均业务费用数据对应的第四预测数据集。
可选的，在本发明第二方面的第四种实现方式中，所述获取模块具体用于：
获取目标预设时段的初始历史业务订单数据，对所述初始历史业务订单数据进行数据清洗，得到候选历史业务订单数据；
将所述候选历史业务订单数据依次进行时段分类和日期类型分类，得到第一预设历史时段的目标业务订单数据和第二预设历史时段的目标业务订单数据，所述日期类型包括工作日和节假日，所述业务订单数据包括业务订单信息；
计算所述第一预设历史时段的目标业务订单数据的历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，以及所述第二预设历史时段的目标业务订单数据的历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
将所述第一预设历史时段的业务订单信息、历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据确定为第一历史业务订单数据，将所述第二预设历史时段的业务订单信息、历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据确定为第二历史业务订单数据。
可选的，在本发明第二方面的第五种实现方式中，所述合并处理模块具体用于：
根据所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集，分别生成第一预测序列、第二预测序列、第三预测序列和第四预测序列；
将所述第一预测序列、所述第二预测序列、所述第三预测序列和所述第四预测序列依次相加，得到合并序列；
计算所述合并序列的算术均值，得到业务费用预测数据。
可选的，在本发明第二方面的第六种实现方式中，所述基于分布曲线的预测装置，还包括：
优化模块，用于获取所述业务费用预测数据的偏差率，并根据所述偏差率和预置的优化算法，对所述预置预测模型进行优化。
本发明第三方面提供了一种基于分布曲线的预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于分布曲线的预测设备执行上述的基于分布曲线的预测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于分布曲线的预测方法。
本发明提供的技术方案中，获取经过数据预处理的第一历史业务订单数据和第二历史业务订单数据；计算第二历史业务订单数据中的多个订立日期和各订立日期对应的起始日期之间的差值，得到多个日期差值；通过预置预测模型和第二历史业务订单数据，计算多个日期差值分别对应的业务费用数据比例值，通过预置预测模型中的指数函数和多个日期差值，计算业务费用数据比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值；通过预置预测模型、第一历史业务订单数据、第二历史业务订单数据、周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值，对预设预测时段的业务费用数据进行预测，得到第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集；将第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集进行合并处理，得到业务费用预测数据。本发明实施例中，通过结合工作日、节假日、两个预设历史时段、多个日期差值、多个分布曲线值和预置预测模型，对预设预测时段的业务费用数据进行预测，得到第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集，并将第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集进行合并得到业务费用预测数据，能够将工作日和节假日的数据影响，以及业务订单数量和业务费用数据之间的分布规律纳入预置预测模型的预测中，避免了历史业务订单数据易受到日期的业务订单数量和业务费用数据之间的影响的问题，提高了预测业务费用数据的偏差率，从而提高了对业务费用数据的预测准确性。
附图说明
图1为本发明实施例中基于分布曲线的预测方法的一个实施例示意图；
图2为本发明实施例中基于分布曲线的预测方法的另一个实施例示意图；
图3为本发明实施例中基于分布曲线的预测装置的一个实施例示意图；
图4为本发明实施例中基于分布曲线的预测装置的另一个实施例示意图；
图5为本发明实施例中基于分布曲线的预测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于分布曲线的预测方法、装置、设备及存储介质，提高了业务费用数据的预测准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于分布曲线的预测方法的一个实施例包括：
101、获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，第一预设历史时段包含于第二预设历史时段，第二预设历史时段的结束日期为预设预测时段的起始日期的前一天，第一历史业务订单数据包括历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，第二历史业务订单数据包括历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据。
可以理解的是，本发明的执行主体可以为基于分布曲线的预测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
例如，第一历史业务订单数据可为第一历史车险保单数据，第二历史业务订单数据可为第二历史车险保单数据，服务器可根据第一历史预设时段，对预置数据库中经过数据预处理的历史车险保单数据进行检索并提取，得到第一历史车险保单数据，根据第二历史预设时段，对预置数据库中经过数据预处理的历史车险保单数据进行检索并提取，得到第二历史车险保单数据，第一历史车险保单数据除了包括历史周期工作日日均金额数据和历史周期节假日日均金额数据之外，还包括车险保单信息，该车险保单信息包括车险保单的订立日期和起保日期，以及车险保单对应的车辆类型，该车辆类型包括新车和旧车，同理可得第二历史车险保单数据。
其中，预设预测时段为第二预设历史时段较大月份中除了第二预设历史时段日期的剩余日期。第一预设历史时段的结束日期与第二预设历史时段的结束日期相同。例如，历史周期工作日日均业务费用数据可为历史周期工作日日均金额数据，历史周期节假日日均业务费用数据可为历史周期节假日日均金额数据，历史同期工作日日均业务费用数据可为历史同期工作日日均金额数据，历史同期节假日日均金额数据可为历史同期节假日日均金额数据，预设预测时段为7.20日-7.31日，第一预设历史时段为7天，为7.13日-7.19日，第二预设历史时段为30天，为6.20日-7.19日，历史周期工作日日均金额数据为7.13日-7.17日的历史日均车险保费数据，历史周期节假日日均金额数据为7.18日-7.19日的历史日均车险保费数据，历史同期工作日日均金额数据为6.22日-6.26日、6.29日-7.3日、7.6日-7.10日和7.13日-7.17日一共20天的历史日均车险保费数据，历史同期节假日日均金额数据为6.20日-6.21日、6.27日-6.28日、7.4日-7.5日、7.11日-7.12日和7.18日-7.19日一共10天的历史日均车险保费数据。
需要说明的是，服务器预先获取第一预设时段训练数据、第二预设时段训练数据、训练分布曲线值和训练日期差值；将第一预设时段训练数据、第二预设时段训练数据、训练分布曲线值和训练日期差值，输入初始预测模型，通过初始预测模型对训练预测时段的业务费用数据进行预测，得到预测结果；根据预置的损失函数和预测结果，对初始预测模型的参数进行迭代调整，得到预置预测模型。
服务器通过第一预设时段训练数据、第二预设时段训练数据、训练分布曲线值和训练日期差值，对初始预测模型进行训练，得到预测结果，通过预测结果和损失函数，对初始预测模型的权重值或结构参数进行迭代调整，直至预置的损失函数收敛，停止调整，得到预置预测模型。
102、获取第二历史业务订单数据中的多个订立日期，以及各订立日期对应的起始日期，并计算多个订立日期和各订立日期对应的起始日期之间的差值，得到多个日期差值。
例如，第二历史业务订单数据可为第二历史车险保单数据，起始日期可为起保日期，第二历史车险保单数据中每个保单都有对应的订立日期和起保日期，以第二历史车险保单数据A、B和C为例，第二历史车险保单数据A中的订立日期和起保日期分别为7.10和7.10，第二历史车险保单数据B中的订立日期和起保日期分别为6.20和6.21，第二历史车险保单数据C中的订立日期和起保日期分别为6.20和6.22，则第二历史车险保单数据A的日期差值为0，第二历史车险保单数据B的日期差值为1，第二历史车险保单数据C的日期差值为2，将第二历史车险保单数据A标记为T+0，将第二历史车险保单数据B标记为T+1，将第二历史车险保单数据C标记为T+2，以此类推，可得其他第二历史车险保单数据的日期差值，并将日期差值以T+日期差值的形式标记在第二历史车险保单数据上，以便于对第二历史车险保单数据的日期差值的读取和计算，其中，日期差值的优选最大值为30，日期差值也可以不限制，即可超过30。
103、通过预置预测模型和第二历史业务订单数据，计算多个日期差值分别对应的业务费用数据比例值，通过预置预测模型中的指数函数和多个日期差值，计算业务费用数据比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值。
例如，第二历史业务订单数据可为第二历史车险保单数据，业务费用数据比例值可为保费收入比例值，服务器调用预置预测模型，该预置预测模型可由比例值算法、分布曲线算法和预测算法构成，比例值算法用于计算保费收入比例值，分布曲线算法用于计算目标曲线值，预测算法用于根据第一历史车险保单数据、第二历史车险保单数据、保费收入比例值和计算多个分布曲线值，对预设预测时段的保费收入数据进行多维度预测和合并，得到最终的预测值，该多维度为第一预设历史时段的工作日和节假日，以及第二预设历史时段的工作日和节假日；
可通过该预置预测模型以保费收入比例值=第二历史车险保单数据中T+日期差值的金额数据/第二历史车险保单数据，计算各日期差值对应的保费收入比例值，例如：保费收入比例值kn=第二历史车险保单数据中T+日期差值的金额数据ST+n/第二历史车险保单数据S为：kn=ST+n/S，n表示日期差值，通过kn=ST+n/S计算得到k0–k30。
通过预置预测模型中的指数函数
以T+日期差值为x轴，以分布曲线值
yj为y轴，j和n均表示日期差值，kn表示保费收入比例值，计算多个日期差值分别对应的保费
收入比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和
同期节假日分布曲线值，其中，周期工作日分布曲线值、周期节假日分布曲线值、同期工作
日分布曲线值和同期节假日分布曲线值各自对应的数量包括多个，即一个日期对应有多个
分布曲线值，例如，以第二历史车险保单数据中6.20日同期工作日分布曲线值y0- y2为例，T
+0日期差值对应的同期工作日分布曲线值为y0=k0，T+1日期差值对应的同期工作日分布曲
线值为y1=k0+k1，T+2日期差值对应的同期工作日分布曲线值为y2=k0+k1+k2。其中，同期工作
日分布曲线值会趋于1。
104、通过预置预测模型、第一历史业务订单数据、第二历史业务订单数据、周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值，对预设预测时段的业务费用数据进行预测，得到历史周期工作日日均业务费用数据对应的第一预测数据集、历史周期节假日日均业务费用数据对应的第二预测数据集、历史同期工作日日均业务费用数据对应的第三预测数据集，以及历史同期节假日日均业务费用数据对应的第四预测数据集。
服务器通过预置预测模型、历史周期工作日日均业务费用数据和周期工作日分布曲线值，对预设预测时段的业务费用数据进行预测，得到第一预测数据集，通过预测模型、历史周期节假日日均业务费用数据和周期节假日分布曲线值，对预设预测时段的业务费用数据进行预测，得到第二预测数据集，通过预测模型、历史同期工作日日均业务费用数据和同期工作日分布曲线值，对预设预测时段的业务费用数据进行预测，得到第三预测数据集，通过预测模型、历史同期节假日日均业务费用数据和同期节假日分布曲线值，对预设预测时段的业务费用数据进行预测，得到第四预测数据集。
105、将第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集进行合并处理，得到业务费用预测数据。
服务器可分别将第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集转换为矩阵，得到第一矩阵、第二矩阵、第三矩阵和第四矩阵，将第一矩阵、第二矩阵、第三矩阵和第四矩阵进行矩阵相加，从而得到业务费用预测矩阵，将业务费用预测矩阵进行向量转换，得到业务费用预测数据。
本发明实施例中，能够将工作日和节假日的数据影响，以及业务订单数量和业务费用数据之间的分布规律纳入预置预测模型的预测中，避免了历史业务订单数据易受到日期的业务订单数量和业务费用数据之间的影响的问题，提高了预测业务费用数据的偏差率，从而提高了对业务费用数据的预测准确性。
请参阅图2，本发明实施例中基于分布曲线的预测方法的另一个实施例包括：
201、获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，第一预设历史时段包含于第二预设历史时段，第二预设历史时段的结束日期为预设预测时段的起始日期的前一天，第一历史业务订单数据包括历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，第二历史业务订单数据包括历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据。
具体地，服务器获取目标预设时段的初始历史业务订单数据，对初始历史业务订单数据进行数据清洗，得到候选历史业务订单数据；将候选历史业务订单数据依次进行时段分类和日期类型分类，得到第一预设历史时段的目标业务订单数据和第二预设历史时段的目标业务订单数据，日期类型包括工作日和节假日，业务订单数据包括业务订单信息；计算第一预设历史时段的目标业务订单数据的历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，以及第二预设历史时段的目标业务订单数据的历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；将第一预设历史时段的业务订单信息、历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据确定为第一历史业务订单数据，将第二预设历史时段的业务订单信息、历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据确定为第二历史业务订单数据。
例如，初始历史业务订单数据可为初始历史车险保单数据，候选历史业务订单数据可为候选历史车险保单数据，目标业务订单数据可为目标车险保单数据，业务订单信息可为车险保单信息，历史周期工作日日均业务费用数据可为历史周期工作日日均金额数据，历史周期节假日日均业务费用数据可为历史周期节假日日均金额数据，历史周期工作日日均业务费用数据可为历史周期工作日日均金额数据，历史周期节假日日均业务费用数据可为历史周期节假日日均金额数据，第一历史业务费用数据可为第一历史车险保单数据，第二历史业务费用数据可为第二历史车险保单数据，服务器对初始历史车险保单数据进行异常值剔除、空值填充、去重和维值更改，以对初始历史车险保单数据进行数据清洗，得到候选历史车险保单数据，按照第一预设历史时段和第二预设历史时段，将候选历史车险保单数据分类为第一预设历史时段的初始车险保单数据和第二预设历史时段的初始车险保单数据，通过预置的标签提取算法，提取第一预设历史时段的初始车险保单数据的标签信息，根据标签信息中的工作日标识和节假日标识，将第一预设历史时段的初始车险保单数据分类为工作日数据和节假日数据，从而得到第一预设历史时段的目标车险保单数据，同理可得第二预设历史时段的目标车险保单数据；
服务器计算第一预设历史时段的目标车险保单数据中工作日数据的日均金额数据，得到历史周期工作日日均金额数据，计算第一预设历史时段的目标车险保单数据中节假日日数据的日均金额数据，得到历史周期节假日日均金额数据，同理可得第二预设历史时段的目标车险保单数据的历史同期工作日日均金额数据和历史同期节假日日均金额数据，将第一预设历史时段的车险保单信息、历史周期工作日日均金额数据和历史周期节假日日均金额数据确定为第一历史车险保单数据，将第二预设历史时段的车险保单信息、历史同期工作日日均金额数据和历史同期节假日日均金额数据确定为第二历史车险保单数据。
202、获取第二历史业务订单数据中的多个订立日期，以及各订立日期对应的起始日期，并计算多个订立日期和各订立日期对应的起始日期之间的差值，得到多个日期差值。
203、通过预置预测模型和第二历史业务订单数据，计算多个日期差值分别对应的业务费用数据比例值，通过预置预测模型中的指数函数和多个日期差值，计算业务费用数据比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值。
步骤202-203的执行过程与上述步骤102-103的执行过程类似，在此不再赘述。
204、通过预置预测模型、第一历史业务订单数据、第二历史业务订单数据、多个日期差值和业务费用数据比例值，对预设预测时段的日均业务费用数据进行预测，得到预设预测时段的多个日业务费用预估数据集。
具体地，服务器通过预置预测模型、第一历史业务订单数据和第二历史业务订单数据，对预设预测时段的日均业务费用数据依次进行预测和均值计算，得到历史周期工作日日均业务费用数据对应的第一日均预测数据、历史周期节假日日均业务费用数据对应的第二日均预测数据、历史同期工作日日均业务费用数据对应的第三日均预测数据和历史同期节假日日均业务费用数据对应的第四日均预测数据；根据第一日均预测数据、第二日均预测数据、第三日均预测数据、第四日均预测数据、多个日期差值和业务费用数据比例值，分别对预设预测时段的日均业务费用数据进行预测，得到预设预测时段的多个日业务费用预估数据集。
其中，多个日业务费用预估数据集包括第一日业务费用预估数据集、第二日业务费用预估数据集、第三日业务费用预估数据集和第四日业务费用预估数据集，第一日业务费用预估数据集、第二日业务费用预估数据集、第三日业务费用预估数据集和第四日业务费用预估数据集分别对应第一日均预测数据、第二日均预测数据、第三日均预测数据和第四日均预测数据。例如，第一历史业务订单数据可为第一历史车险保单数据，预设预测时段为7.20日-7.31日，服务器通过预置的三次指数平滑预测算法和第一历史车险保单数据中的历史周期工作日日均业务费用数据，对7.20日-7.31日分别的日预测数据1-12，计算（日预测数据1+日预测数据2+……+日预测数据12）/12，得到第一日均预测数据，依次类推可得第二日均预测数据、第三日均预测数据和第四日均预测数据，通过日业务费用预估数据=日均预测数据*日期差值*分布曲线比例值，计算得到7.20日中第一日均预测数据对应的T+0对应的日业务费用预估数据0（第一日均预测数据*0*y0）、T+1对应的日业务费用预估数据1（第一日均预测数据*1*y1）、T+2对应的日业务费用预估数据2（第一日均预测数据*2*y2）……T+30对应的日业务费用预估数据30（第一日均预测数据*30*y30），同理可得7.21日-7.31日中各日中第二日均预测数据、第三日均预测数据和第四日均预测数据分别对应的日业务费用预估数据0-日业务费用预估数据30，即预设预测时段的多个日业务费用预估数据集。
205、根据预设预测时段的多个日业务费用预估数据集、周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值，对预设预测时段的业务费用数据进行预测，得到历史周期工作日日均业务费用数据对应的第一预测数据集、历史周期节假日日均业务费用数据对应的第二预测数据集、历史同期工作日日均业务费用数据对应的第三预测数据集，以及历史同期节假日日均业务费用数据对应的第四预测数据集。
具体地，服务器获取第一历史业务订单数据的历史周期工作日累计业务费用数据和历史周期节假日累计业务费用数据，以及第二历史业务订单数据的历史同期工作日累计业务费用数据和历史同期节假日累计业务费用数据；根据历史周期工作日累计业务费用数据、历史周期节假日累计业务费用数据、多个日业务费用预估数据集、周期工作日分布曲线值、周期节假日分布曲线值和预测算法，计算预设预测时段的业务费用数据，得到历史周期工作日日均业务费用数据对应的第一预测数据集、历史周期节假日日均业务费用数据和对应的第二预测数据集；根据历史同期工作日累计业务费用数据、历史同期节假日累计业务费用数据、多个日业务费用预估数据集、同期工作日分布曲线值、同期节假日分布曲线值和预测算法，计算预设预测时段的业务费用数据，得到历史同期工作日日均业务费用数据对应的第三预测数据集和历史同期节假日日均业务费用数据对应的第四预测数据集。
例如，业务费用可为车险保费收入，预设预测时段为7.20日-7.31日，第一预设历史时段为7.13日-7.19日，第二预设历史时段为6.20日-7.19日，历史周期工作日累计业务费用数据为7.13日-7.17日中已签单且在统计月起保的日期所对应的车险保费收入的累计金额数据，历史周期节假日累计业务费用数据为7.18日-7.19日中已签单且在统计月起保的日期所对应的车险保费收入的累计金额数据，历史同期工作日累计业务费用数据为6.22日-6.26日、6.29日-7.3日、7.6日-7.10日和7.13日-7.17日中已签单且在统计月起保的日期所对应的车险保费收入的累计金额数据，历史同期节假日业务费用数据为6.20日-6.21日、6.27日-6.28日、7.4日-7.5日、7.11日-7.12日和7.18日-7.19日中已签单且在8月起保的日期所对应的车险保费收入的累计金额数据，可通过预置的求和函数求得历史周期工作日累计业务费用数据、历史周期节假日累计业务费用数据、历史同期工作日累计业务费用数据和历史同期节假日累计业务费用数据，服务器通过预置预测模型中的预测算法（预测数据=累计业务费用数据+日业务费用预估数据集*分布曲线值），计算得到第一预测数据集中7.13日的第一预测数据0（第一预测数据0=历史周期工作日累计业务费用数据*第一日均预测数据对应的日业务费用预估数据0*T+0对应的周期工作日分布曲线值y0）、第一预测数据1（第一预测数据1=历史周期工作日累计业务费用数据*第一日均预测数据对应的日业务费用预估数据1*第一日均预测数据对应的周期工作日分布曲线值y1）……第一预测数据30（第一预测数据30=周期工作日累计金额数据*第一日均预测数据对应的日业务费用预估数据30*第一日均预测数据对应的周期工作日分布曲线值y30），依次类推，可得第一预测数据集中7.14日-7.17日中每日的第一预测数据0-第一预测数据30，同理可得第二预测数据集、第三预测数据集和第四预测数据集。
206、将第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集进行合并处理，得到业务费用预测数据。
具体地，服务器根据第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集，分别生成第一预测序列、第二预测序列、第三预测序列和第四预测序列；将第一预测序列、第二预测序列、第三预测序列和第四预测序列依次相加，得到合并序列；计算合并序列的算术均值，得到业务费用预测数据。
其中，第一预测序列、第二预测序列、第三预测序列和第四预测序列均为按照日期
差值从小到大的顺序进行排序的预测数据，且该排序的预测数据标记有日期差值。例如，服
务器将第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集，分别生成对
应的第一预测序列、第二预测序列、第三预测序列和第四预测序列，第一预测序列为
、
、……
，第二预测序列为
、
、……
，第三预测序列为
、
、……
，第四预测序列为
、
、……
，将
+
+
+
，
+
+
+
，……，
+
+
+
，得到合并序列，计算合并序列的算术均值，得到目标业务费用预测数据。
具体地，服务器将第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集进行合并处理，得到业务费用预测数据之后，还获取业务费用预测数据的偏差率，并根据偏差率和预置的优化算法，对预置预测模型进行优化。
服务器获取业务费用预测数据对应的业务费用真实数据，根据业务费用预测数据和业务费用真实数据，计算业务费用预测数据的偏差率；根据偏差率和预置的优化算法，对预置预测模型进行优化更新，其中，可对预置预测模型的模型参数或权重值进行优化更新，也对预置预测模型的模型结构、网络层和算法进行优化更新，也可对预置预测模型中对于业务费用预测数据的预测执行过程进行优化更新。预置的优化算法可为梯度下降法、牛顿法、冲量算法Momentum、牛顿动量算法Nesterov Momentum、自适应梯度算法Adagrad和亚当优化算法（adam optimization algorithm，Adam）中的任意一个，或任意多个的叠加。通过对预置预测模型进行优化更新，提高了预置预测模型的预测准确性。
本发明实施例中，能够将工作日和节假日的数据影响，以及业务订单数量和业务费用数据之间的分布规律纳入预置预测模型的预测中，避免了历史业务订单数据易受到日期的业务订单数量和业务费用数据之间的影响的问题，提高了预测业务费用数据的偏差率，从而提高了对业务费用数据的预测准确性。
上面对本发明实施例中基于分布曲线的预测方法进行了描述，下面对本发明实施例中基于分布曲线的预测装置进行描述，请参阅图3，本发明实施例中基于分布曲线的预测装置一个实施例包括：
获取模块301，用于获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，第一预设历史时段包含于第二预设历史时段，第二预设历史时段的结束日期为预设预测时段的起始日期的前一天，第一历史业务订单数据包括历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，第二历史业务订单数据包括历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
第一计算模块302，用于获取第二历史业务订单数据中的多个订立日期，以及各订立日期对应的起始日期，并计算多个订立日期和各订立日期对应的起始日期之间的差值，得到多个日期差值；
第二计算模块303，用于通过预置预测模型和第二历史业务订单数据，计算多个日期差值分别对应的业务费用数据比例值，通过预置预测模型中的指数函数和多个日期差值，计算业务费用数据比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值；
预测模块304，用于通过预置预测模型、第一历史业务订单数据、第二历史业务订单数据、周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值，对预设预测时段的业务费用数据进行预测，得到历史周期工作日日均业务费用数据对应的第一预测数据集、历史周期节假日日均业务费用数据对应的第二预测数据集、历史同期工作日日均业务费用数据对应的第三预测数据集，以及历史同期节假日日均业务费用数据对应的第四预测数据集；
合并处理模块305，用于将第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集进行合并处理，得到业务费用预测数据。
上述基于分布曲线的预测装置中各个模块的功能实现与上述基于分布曲线的预测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，能够将工作日和节假日的数据影响，以及业务订单数量和业务费用数据之间的分布规律纳入预置预测模型的预测中，避免了历史业务订单数据易受到日期的业务订单数量和业务费用数据之间的影响的问题，提高了预测业务费用数据的偏差率，从而提高了对业务费用数据的预测准确性。
请参阅图4，本发明实施例中基于分布曲线的预测装置的另一个实施例包括：
获取模块301，用于获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，第一预设历史时段包含于第二预设历史时段，第二预设历史时段的结束日期为预设预测时段的起始日期的前一天，第一历史业务订单数据包括历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，第二历史业务订单数据包括历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
第一计算模块302，用于获取第二历史业务订单数据中的多个订立日期，以及各订立日期对应的起始日期，并计算多个订立日期和各订立日期对应的起始日期之间的差值，得到多个日期差值；
第二计算模块303，用于通过预置预测模型和第二历史业务订单数据，计算多个日期差值分别对应的业务费用数据比例值，通过预置预测模型中的指数函数和多个日期差值，计算业务费用数据比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值；
预测模块304，用于通过预置预测模型、第一历史业务订单数据、第二历史业务订单数据、周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值，对预设预测时段的业务费用数据进行预测，得到历史周期工作日日均业务费用数据对应的第一预测数据集、历史周期节假日日均业务费用数据对应的第二预测数据集、历史同期工作日日均业务费用数据对应的第三预测数据集，以及历史同期节假日日均业务费用数据对应的第四预测数据集；
其中，预测模块304具体包括：
第一预测单元3041，用于通过预置预测模型、第一历史业务订单数据、第二历史业务订单数据、多个日期差值和业务费用数据比例值，对预设预测时段的日均业务费用数据进行预测，得到预设预测时段的多个日业务费用预估数据集；
第二预测单元3042，用于根据预设预测时段的多个日业务费用预估数据集、周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值，对预设预测时段的业务费用数据进行预测，得到历史周期工作日日均业务费用数据对应的第一预测数据集、历史周期节假日日均业务费用数据对应的第二预测数据集、历史同期工作日日均业务费用数据对应的第三预测数据集，以及历史同期节假日日均业务费用数据对应的第四预测数据集；
合并处理模块305，用于将第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集进行合并处理，得到业务费用预测数据。
可选的，第一预测单元3041还可以具体用于：
通过预置预测模型、第一历史业务订单数据和第二历史业务订单数据，对预设预测时段的日均业务费用数据依次进行预测和均值计算，得到历史周期工作日日均业务费用数据对应的第一日均预测数据、历史周期节假日日均业务费用数据对应的第二日均预测数据、历史同期工作日日均业务费用数据对应的第三日均预测数据和历史同期节假日日均业务费用数据对应的第四日均预测数据；
根据第一日均预测数据、第二日均预测数据、第三日均预测数据、第四日均预测数据、多个日期差值和业务费用数据比例值，分别对预设预测时段的日均业务费用数据进行预测，得到预设预测时段的多个日业务费用预估数据集。
可选的，第二预测单元3042还可以具体用于：
获取第一历史业务订单数据的历史周期工作日累计业务费用数据和历史周期节假日累计业务费用数据，以及第二历史业务订单数据的历史同期工作日累计业务费用数据和历史同期节假日累计业务费用数据；
根据历史周期工作日累计业务费用数据、历史周期节假日累计业务费用数据、多个日业务费用预估数据集、周期工作日分布曲线值、周期节假日分布曲线值和预测算法，计算预设预测时段的业务费用数据，得到历史周期工作日日均业务费用数据对应的第一预测数据集、历史周期节假日日均业务费用数据和对应的第二预测数据集；
根据历史同期工作日累计业务费用数据、历史同期节假日累计业务费用数据、多个日业务费用预估数据集、同期工作日分布曲线值、同期节假日分布曲线值和预测算法，计算预设预测时段的业务费用数据，得到历史同期工作日日均业务费用数据对应的第三预测数据集和历史同期节假日日均业务费用数据对应的第四预测数据集。
可选的，获取模块301还可以具体用于：
获取目标预设时段的初始历史业务订单数据，对初始历史业务订单数据进行数据清洗，得到候选历史业务订单数据；
将候选历史业务订单数据依次进行时段分类和日期类型分类，得到第一预设历史时段的目标业务订单数据和第二预设历史时段的目标业务订单数据，日期类型包括工作日和节假日，业务订单数据包括业务订单信息；
计算第一预设历史时段的目标业务订单数据的历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，以及第二预设历史时段的目标业务订单数据的历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
将第一预设历史时段的业务订单信息、历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据确定为第一历史业务订单数据，将第二预设历史时段的业务订单信息、历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据确定为第二历史业务订单数据。
可选的，合并处理模块305还可以具体用于：
根据第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集，分别生成第一预测序列、第二预测序列、第三预测序列和第四预测序列；
将第一预测序列、第二预测序列、第三预测序列和第四预测序列依次相加，得到合并序列；
计算合并序列的算术均值，得到业务费用预测数据。
可选的，基于分布曲线的预测装置，还包括：
优化模块306，用于获取业务费用预测数据的偏差率，并根据偏差率和预置的优化算法，对预置预测模型进行优化。
上述基于分布曲线的预测装置中各模块和各单元的功能实现与上述基于分布曲线的预测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，能够将工作日和节假日的数据影响，以及业务订单数量和业务费用数据之间的分布规律纳入预置预测模型的预测中，避免了历史业务订单数据易受到日期的业务订单数量和业务费用数据之间的影响的问题，提高了预测业务费用数据的偏差率，从而提高了对业务费用数据的预测准确性。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于分布曲线的预测装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于分布曲线的预测设备进行详细描述。
图5是本发明实施例提供的一种基于分布曲线的预测设备的结构示意图，该基于分布曲线的预测设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于分布曲线的预测设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在基于分布曲线的预测设备500上执行存储介质530中的一系列指令操作。
基于分布曲线的预测设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的基于分布曲线的预测设备结构并不构成对基于分布曲线的预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行基于分布曲线的预测方法的步骤。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory， ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于分布曲线的预测方法，其特征在于，所述基于分布曲线的预测方法包括：
获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，所述第一预设历史时段包含于所述第二预设历史时段，所述第二预设历史时段的结束日期为预设预测时段的起始日期的前一天，所述第一历史业务订单数据包括历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，所述第二历史业务订单数据包括历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
获取所述第二历史业务订单数据中的多个订立日期，以及各订立日期对应的起始日期，并计算所述多个订立日期和各订立日期对应的起始日期之间的差值，得到多个日期差值；
通过预置预测模型和所述第二历史业务订单数据，计算所述多个日期差值分别对应的业务费用数据比例值，通过所述预置预测模型中的指数函数和所述多个日期差值，计算所述业务费用数据比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值；
通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集；
将所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集进行合并处理，得到业务费用预测数据。
2.根据权利要求1所述的基于分布曲线的预测方法，其特征在于，所述通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集，包括：
通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述多个日期差值和所述业务费用数据比例值，对所述预设预测时段的日均业务费用数据进行预测，得到所述预设预测时段的多个日业务费用预估数据集；
根据所述预设预测时段的多个日业务费用预估数据集、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集。
3.根据权利要求2所述的基于分布曲线的预测方法，其特征在于，所述通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述多个日期差值和所述业务费用数据比例值，对所述预设预测时段的日均业务费用数据进行预测，得到所述预设预测时段的多个日业务费用预估数据集，包括：
通过所述预置预测模型、所述第一历史业务订单数据和所述第二历史业务订单数据，对所述预设预测时段的日均业务费用数据依次进行预测和均值计算，得到所述历史周期工作日日均业务费用数据对应的第一日均预测数据、所述历史周期节假日日均业务费用数据对应的第二日均预测数据、所述历史同期工作日日均业务费用数据对应的第三日均预测数据和所述历史同期节假日日均业务费用数据对应的第四日均预测数据；
根据所述第一日均预测数据、所述第二日均预测数据、所述第三日均预测数据、所述第四日均预测数据、所述多个日期差值和所述业务费用数据比例值，分别对所述预设预测时段的日均业务费用数据进行预测，得到所述预设预测时段的多个日业务费用预估数据集。
4.根据权利要求2所述的基于分布曲线的预测方法，其特征在于，所述根据所述预设预测时段的多个日业务费用预估数据集、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集，包括：
获取所述第一历史业务订单数据的历史周期工作日累计业务费用数据和历史周期节假日累计业务费用数据，以及所述第二历史业务订单数据的历史同期工作日累计业务费用数据和历史同期节假日累计业务费用数据；
根据所述历史周期工作日累计业务费用数据、所述历史周期节假日累计业务费用数据、所述多个日业务费用预估数据集、所述周期工作日分布曲线值、所述周期节假日分布曲线值和预测算法，计算所述预设预测时段的业务费用数据，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据和对应的第二预测数据集；
根据所述历史同期工作日累计业务费用数据、所述历史同期节假日累计业务费用数据、所述多个日业务费用预估数据集、所述同期工作日分布曲线值、所述同期节假日分布曲线值和预测算法，计算所述预设预测时段的业务费用数据，得到所述历史同期工作日日均业务费用数据对应的第三预测数据集和所述历史同期节假日日均业务费用数据对应的第四预测数据集。
5.根据权利要求1所述的基于分布曲线的预测方法，其特征在于，所述获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，包括：
获取目标预设时段的初始历史业务订单数据，对所述初始历史业务订单数据进行数据清洗，得到候选历史业务订单数据；
将所述候选历史业务订单数据依次进行时段分类和日期类型分类，得到第一预设历史时段的目标业务订单数据和第二预设历史时段的目标业务订单数据，所述日期类型包括工作日和节假日，所述业务订单数据包括业务订单信息；
计算所述第一预设历史时段的目标业务订单数据的历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，以及所述第二预设历史时段的目标业务订单数据的历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
将所述第一预设历史时段的业务订单信息、历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据确定为第一历史业务订单数据，将所述第二预设历史时段的业务订单信息、历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据确定为第二历史业务订单数据。
6.根据权利要求1所述的基于分布曲线的预测方法，其特征在于，所述将所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集进行合并处理，得到业务费用预测数据，包括：
根据所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集，分别生成第一预测序列、第二预测序列、第三预测序列和第四预测序列；
将所述第一预测序列、所述第二预测序列、所述第三预测序列和所述第四预测序列依次相加，得到合并序列；
计算所述合并序列的算术均值，得到业务费用预测数据。
7.根据权利要求1-6中任一项所述的基于分布曲线的预测方法，其特征在于，所述将所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集进行合并处理，得到业务费用预测数据之后，还包括：
获取所述业务费用预测数据的偏差率，并根据所述偏差率和预置的优化算法，对所述预置预测模型进行优化。
8.一种基于分布曲线的预测装置，其特征在于，所述基于分布曲线的预测装置包括：
获取模块，用于获取经过数据预处理的第一预设历史时段的第一历史业务订单数据，以及第二预设历史时段的第二历史业务订单数据，所述第一预设历史时段包含于所述第二预设历史时段，所述第二预设历史时段的结束日期为预设预测时段的起始日期的前一天，所述第一历史业务订单数据包括历史周期工作日日均业务费用数据和历史周期节假日日均业务费用数据，所述第二历史业务订单数据包括历史同期工作日日均业务费用数据和历史同期节假日日均业务费用数据；
第一计算模块，用于获取所述第二历史业务订单数据中的多个订立日期，以及各订立日期对应的起始日期，并计算所述多个订立日期和各订立日期对应的起始日期之间的差值，得到多个日期差值；
第二计算模块，用于通过预置预测模型和所述第二历史业务订单数据，计算所述多个日期差值分别对应的业务费用数据比例值，通过所述预置预测模型中的指数函数和所述多个日期差值，计算所述业务费用数据比例值的周期工作日分布曲线值、周期节假日分布曲线值、同期工作日分布曲线值和同期节假日分布曲线值；
预测模块，用于通过所述预置预测模型、所述第一历史业务订单数据、所述第二历史业务订单数据、所述周期工作日分布曲线值、所述周期节假日分布曲线值、所述同期工作日分布曲线值和所述同期节假日分布曲线值，对所述预设预测时段的业务费用数据进行预测，得到所述历史周期工作日日均业务费用数据对应的第一预测数据集、所述历史周期节假日日均业务费用数据对应的第二预测数据集、所述历史同期工作日日均业务费用数据对应的第三预测数据集，以及所述历史同期节假日日均业务费用数据对应的第四预测数据集；
合并处理模块，用于将所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集进行合并处理，得到业务费用预测数据。
9.一种基于分布曲线的预测设备，其特征在于，所述基于分布曲线的预测设备包括：存储器、至少一个处理器和一个或一个以上有线或无线网络接口，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于分布曲线的预测设备执行如权利要求1-7中任意一项所述的基于分布曲线的预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述基于分布曲线的预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011425186.7A CN112215444B (zh) | 2020-12-09 | 2020-12-09 | 基于分布曲线的预测方法、装置、设备及存储介质 |
| PCT/CN2021/090828 WO2022121219A1 (zh) | 2020-12-09 | 2021-04-29 | 基于分布曲线的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011425186.7A CN112215444B (zh) | 2020-12-09 | 2020-12-09 | 基于分布曲线的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215444A CN112215444A (zh) | 2021-01-12 |
| CN112215444B true CN112215444B (zh) | 2021-04-02 |
Family
ID=74068162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011425186.7A Active CN112215444B (zh) | 2020-12-09 | 2020-12-09 | 基于分布曲线的预测方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112215444B (zh) |
| WO (1) | WO2022121219A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784008A (zh) * | 2020-06-30 | 2020-10-16 | 北京金山安全软件有限公司 | 产品生命周期预估方法、装置、电子设备及存储介质 |
| CN112215444B (zh) * | 2020-12-09 | 2021-04-02 | 平安科技（深圳）有限公司 | 基于分布曲线的预测方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8583470B1 (en) * | 2010-11-02 | 2013-11-12 | Mindjet Llc | Participant utility extraction for prediction market based on region of difference between probability functions |
| CN110689163A (zh) * | 2019-08-16 | 2020-01-14 | 深圳市跨越新科技有限公司 | 一种节假日期间货量智能预测方法和系统 |
| CN110766232A (zh) * | 2019-10-30 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 动态预测方法及其系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7587330B1 (en) * | 2003-01-31 | 2009-09-08 | Hewlett-Packard Development Company, L.P. | Method and system for constructing prediction interval based on historical forecast errors |
| US8065098B2 (en) * | 2008-12-12 | 2011-11-22 | Schneider Electric USA, Inc. | Progressive humidity filter for load data forecasting |
| CN104156786B (zh) * | 2014-08-18 | 2017-09-26 | 广西电网有限责任公司 | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 |
| CN105306539B (zh) * | 2015-09-22 | 2018-09-11 | 北京金山安全软件有限公司 | 业务信息展现控制方法、装置和互联网业务信息显示平台 |
| CN109726872B (zh) * | 2018-12-29 | 2021-03-02 | 华润电力技术研究院有限公司 | 一种能耗预测方法、装置、存储介质及电子设备 |
| CN110929941A (zh) * | 2019-11-26 | 2020-03-27 | 广东电网有限责任公司 | 基于多负荷模式的短期电力负荷预测方法及系统 |
| CN111045907B (zh) * | 2019-12-12 | 2020-10-09 | 苏州博纳讯动软件有限公司 | 一种基于业务量的系统容量预测方法 |
| CN112215444B (zh) * | 2020-12-09 | 2021-04-02 | 平安科技（深圳）有限公司 | 基于分布曲线的预测方法、装置、设备及存储介质 |
-
2020
- 2020-12-09 CN CN202011425186.7A patent/CN112215444B/zh active Active
-
2021
- 2021-04-29 WO PCT/CN2021/090828 patent/WO2022121219A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8583470B1 (en) * | 2010-11-02 | 2013-11-12 | Mindjet Llc | Participant utility extraction for prediction market based on region of difference between probability functions |
| CN110689163A (zh) * | 2019-08-16 | 2020-01-14 | 深圳市跨越新科技有限公司 | 一种节假日期间货量智能预测方法和系统 |
| CN110766232A (zh) * | 2019-10-30 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 动态预测方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022121219A1 (zh) | 2022-06-16 |
| CN112215444A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gil et al. | Generation capacity expansion planning under hydro uncertainty using stochastic mixed integer programming and scenario reduction | |
| US8374903B2 (en) | Information criterion-based systems and methods for constructing combining weights for multimodel forecasting and prediction | |
| CN112215444B (zh) | 基于分布曲线的预测方法、装置、设备及存储介质 | |
| CN111045907B (zh) | 一种基于业务量的系统容量预测方法 | |
| CN111768030A (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
| CN112333342B (zh) | 智能语音呼叫方法、装置、设备及存储介质 | |
| CN105243449A (zh) | 售电量预测结果修正方法及装置 | |
| Noyan | Risk-averse stochastic modeling and optimization | |
| CN112308514A (zh) | 物流订单自动发单方法、装置、设备及存储介质 | |
| CN111242368A (zh) | 一种基于场景推演的物流配送调度算法 | |
| CN105976170A (zh) | 一种自动生成工作计划的方法及装置 | |
| US10515381B2 (en) | Spending allocation in multi-channel digital marketing | |
| US11900286B2 (en) | Job value model generation method and system | |
| Kanwal et al. | An attribute weight estimation using particle swarm optimization and machine learning approaches for customer churn prediction | |
| CN110858355A (zh) | 项目预算结余预测方法及装置 | |
| CN115345551A (zh) | 货量预测方法、装置、设备及存储介质 | |
| Fathabad et al. | Data-Driven Optimization for E-Scooter System Design | |
| CN106682840A (zh) | 基于日累计发行电量的短期售电量预测方法及系统 | |
| CN113379344A (zh) | 一种基于云计算处理的智能物流处理方法和系统 | |
| CN107203545A (zh) | 一种数据处理方法及装置 | |
| Efendi et al. | Irrigation Maintenance Priority Analysis (Case Study: Irrigation Areas in Salatiga City) | |
| CN112487721B (zh) | 一种工单排产实现方法、设备及介质 | |
| CN116011698B (zh) | 机组组合确定方法、装置、计算机设备和存储介质 | |
| JPH11126102A (ja) | ガス需要量の予測方法 | |
| Kim et al. | Extreme Event Forecasting for Postal Logistics Service |
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 |