CN112288163A - 目标对象的目标因子预测方法及相关设备 - Google Patents
目标对象的目标因子预测方法及相关设备 Download PDFInfo
- Publication number
- CN112288163A CN112288163A CN202011182348.9A CN202011182348A CN112288163A CN 112288163 A CN112288163 A CN 112288163A CN 202011182348 A CN202011182348 A CN 202011182348A CN 112288163 A CN112288163 A CN 112288163A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- factor
- prediction
- function
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于大数据技术领域,涉及目标对象的目标因子预测方法及相关设备,所述方法包括:获取目标对象的历史数据进行特征提取,得到多个特征因子以根据其筛选出目标因子;将目标因子的历史数据整理成时间与数值的映射形式得到时间序列数据,其中时间序列数据包含非连续时间序列数据;根据时间序列数据生成数据曲线拟合得到目标函数;基于目标函数生成拟合曲线并与预设曲线进行比较,若满足预设条件,则根据目标函数对预设时间段内的目标因子进行预测,否则调整目标函数的参数值,直到比较结果满足预设条件。本申请还涉及区块链技术,历史数据中的私密信息可存储于区块链中。本申请预测客观性强,准确性高,数据预测不受数据类型限制,更加灵活。
Description
技术领域
本申请涉及大数据技术领域,尤其涉及目标对象的目标因子预测方法、装置、计算机设备及存储介质。
背景技术
随着数据的增长,存在一些场景需要依据历史数据对未来一段时间内一些指标的数据进行预测,现有的数据预测主要有两类,第一类是基于经验预测,由数据产生方基于经验对未来指标做出预测,缺点是指标对于超出经验外的影响因子不敏感,主观性过强,且难以针对不同的数据产生方给出符合不同情况的预测;第二类是基于历史指标数据进行建模预测,如ARIMA模型(差分整合移动平均自回归模型),对于趋势性强的场景预测性较好,缺点是历史指标数据随着时间变化可能波动较大,预测准确性不高,且采用ARIMA模型预测要求历史数据为连续时间序列数据,局限性较大。
发明内容
本申请实施例的目的在于提出一种目标对象的目标因子预测方法、装置、计算机设备及存储介质,以解决现有技术中在进行数据预测中存在预测准确性不高、局限性较大的问题。
为了解决上述技术问题,本申请实施例提供一种目标对象的目标因子预测方法,采用了如下所述的技术方案:
一种目标对象的目标因子预测方法,包括下述步骤:
获取与所述目标对象相关联的历史数据进行特征提取,得到多个用于表征所述目标对象的特征因子,筛选出与所述目标对象的关联度大于预设阈值的特征因子作为所述目标因子;
读取所述目标因子的历史数据,并将其整理成若干时间与数值的映射形式,得到所述目标因子的时间序列数据,其中所述时间序列数据包含非连续时间序列数据;
根据所述时间序列数据生成数据曲线,并基于所述数据曲线拟合得到目标函数,将基于所述目标函数生成的拟合曲线与预设曲线进行比较,若比较结果满足预设条件,则根据所述目标函数对预设时间段内的所述目标因子的数值进行预测,否则调整所述目标函数的参数值,直到所述比较结果满足所述预设条件。
为了解决上述技术问题,本申请实施例还提供一种目标对象的目标因子预测装置,采用了如下所述的技术方案:
一种目标对象的目标因子预测装置,包括:
目标因子获取模块,用于获取与所述目标对象相关联的历史数据进行特征提取,得到多个用于表征所述目标对象的特征因子,筛选出与所述目标对象的关联度大于预设阈值的特征因子作为所述目标因子;
数据处理模块,用于读取所述目标因子的历史数据,并将其整理成若干时间与数值的映射形式,得到所述目标因子的时间序列数据,其中所述时间序列数据包含非连续时间序列数据;
数据预测模块,用于根据所述时间序列数据生成数据曲线,并基于所述数据曲线拟合得到目标函数,将基于所述目标函数生成的拟合曲线与预设曲线进行比较,若比较结果满足预设条件,则根据所述目标函数对预设时间段内的所述目标因子的数值进行预测,否则调整所述目标函数的参数值,直到所述比较结果满足所述预设条件。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的目标对象的目标因子预测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
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计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的目标对象的目标因子预测方法的步骤。
与现有技术相比,本申请实施例提供的目标对象的目标因子预测方法、装置、计算机设备及存储介质主要有以下有益效果:
通过目标因子的非连续时间序列数据生成数据曲线,根据生成的数据曲线进行拟合,得到目标函数,并进一步根据目标函数生成拟合曲线,在目标函数的拟合曲线满足要求时通过目标函数进行目标因子的数值预测,可以实现基于非连续时间序列数据的预测,且便于图形化展示,相比于经验预测客观性强,准确性高,相比于ARIMA建模需要有连续的时间数据,本方法时间序列数据预测不受数据类型限制,更加灵活。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,下面描述中的附图对应于本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请目标对象的目标因子预测方法的一个实施例的流程图;
图3是根据本申请目标对象的目标因子预测装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的目标对象的目标因子预测方法一般由服务器执行,相应地,目标对象的目标因子预测装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的目标对象的目标因子预测方法的一个实施例的流程图。所述的目标对象的目标因子预测方法包括以下步骤:
S201,获取与所述目标对象相关联的历史数据进行特征提取,得到多个用于表征所述目标对象的特征因子,筛选出与所述目标对象的关联度大于预设阈值的特征因子作为所述目标因子;
S202,读取所述目标因子的历史数据,并将其整理成若干时间与数值的映射形式,得到所述目标因子的时间序列数据其中所述时间序列数据包含非连续时间序列数据;
S203,根据所述时间序列数据生成数据曲线,并基于所述数据曲线拟合得到目标函数,将基于所述目标函数生成的拟合曲线与预设曲线进行比较,若比较结果满足预设条件,则根据所述目标函数对预设时间段内的所述目标因子的数值进行预测,得到所述目标因子的预测值,否则调整所述目标函数的参数值,直到所述比较结果满足所述预设条件。
下面对上述步骤进行展开说明。
对于步骤S201,在本实施例中,在确定目标对象的目标因子的过程中,主要通过从与目标对象相关的历史数据中提取若干评价因子,从若干评价因子中确定对目标对象影响较大的至少一个评价因子,得到至少一个目标因子,当存在两个及以上目标因子时,可针对每个目标因子分别执行步骤S202和步骤S203,最后综合各目标因子的预测值对目标对象进行评价。在本方案中,目标对象可以是具体产品或者营业单位,以营业单位为例,用于评价营业单位的目标因子具体可以是营业单位的关键的业绩指标,如销售额、销售人力规模等,即销售额、销售人力规模等为待预测的具体目标因子,预测未来的业绩指标可以帮助营业单位制定更合理的KPI或者提前采取措施来影响未来业绩。
对于步骤S202,从数据库中读取目标因子的历史数据,将目标因子的历史数据整理成时间-数值的格式,即得到目标因子的时间序列数据,以营业单位为例,销售额作为目标因子,则销售额的历史数据整理成时间-数值的格式如下:
时间营业额
2020年1月1000万
2020年2月2000万
由此得到时间序列数据,本案的时间序列数据不限于连续时间序列数据,可包括非连续时间序列数据。
对于步骤S203,在本实施例中,所述基于所述数据曲线拟合得到目标函数包括:基于所述数据曲线拟合得到多个子目标函数,根据所述多个子目标函数生成所述目标函数;其中各所述子目标函数用于分别预测所述目标因子的一个预测子项,以基于各所述预测子项的预测值求得所述目标因子的预测值。具体的,所述目标函数包含的子目标函数分别为增长目标函数、周期目标函数、假日目标函数和偏差目标函数,其中所述增长目标函数用于预测所述目标因子的非周期性变化项,所述周期目标函数用于预测所述目标因子的周期性变化项,所述假日目标函数用于预测目标因子因未来确定性事件造成的变化项,所述偏差目标函数则用于预测所述目标因子的随机波动项,即增长目标函数用于拟合目标因子的非周期性变化,周期目标函数用于拟合目标因子的周期性变化,比如按照年,季度,月等,假日目标函数用于拟合目标因子因未来确定性事件造成的变化,如假期,节日等,偏差目标函数则用于拟合目标因子的无法预测的随机波动。
下面以具体函数形式对上述目标函数和子目标函数进行解释说明,将根据目标因子的历史数据生成的时间序列数据记为x(t),x(t)用于绘制历史数据曲线,以拟合时间序列数据的数据曲线得到目标函数,在本实施例中,拟合的目标函数为:
y(t)=g(t)+s(t)+h(t)+n(t)
其中,g(t)表示增长目标函数,s(t)表示周期目标函数,h(t)表示假日目标函数,n(t)表示偏差目标函数。
在具体实施例中,所述增长目标函数g(t)可为如下的逻辑函数:
其中C为常数,表示这个增长目标函数的增长项可以达到的最大值,k为增长率,b为偏移量,显然,随着时间t的增加,g(t)逐渐逼近常数C,增长率k越大则增长速度越快。在一些方案中,增长率k可以随时间变化而变化。
进一步的,在具体实施例中,周期目标函数s(t)可为傅里叶级数,具体如下:
其中,级数N为拟合参数,在通过傅里叶级数来拟合季节性变化时,级数N越大,模型越复杂且容易过拟合,因此需要得到合适的级数N。在本实施例中,可通过预留出目标因子的部分历史数据作为测试集,通过自动迭代级数N使测试集的预测准确率最高,由此得到合适的级数N。
进一步的,在具体实施例中,对于假日目标函数h(t),以节假日变量为例,将历史和未来相同节假日设置为同一个虚拟变量,用历史节假日对目标因子的影响预测未来相同节假日的h(t),一般每个节假日的h(t)为一个高斯函数。如春节,以营业单位的销售额作为目标因子为例,根据销售额的历史数据,拟合的假日目标函数h(t)为春节对销售额的影响是一个均值为A(比如20%)的高斯分布函数,那么春节对应的h(t)即是一个均值为A的高斯分布函数。
进一步的,在具体实施例中,对于偏差目标函数n(t)可为高斯函数,本方案中的预测偏差相应为高斯噪声。
上述实施例将所述目标函数拆解为几项子目标函数,综合预测目标因子,在应用在营业单位的业绩指标的预测时,考虑了季节性,行业趋势性以及节假日等因素对于业绩指标的影响,预测更精准。
在本实施例中,在基于所述数据曲线拟合得到目标函数的过程中,所述方法还包括:在生成初始目标函数后,将所述时间序列数据代入各所述子目标函数,生成各子目标函数的参数,再基于得到的参数进行条件以得到所述目标函数。具体的,基于以上公式对x(t)进行拟合时,可以通过调节各子目标函数的一些参数,比如s(t)中的傅里叶级数N来优化拟合结果,以提高后续对目标因子进行预测的精度。具体的,可将时间序列数据代入到以上公式中,即可根据时间序列数据生成各子目标函数的参数,如g(t)中的增长率k,再基于得到的参数进行调整。
在本实施例中,所述基于各所述预测子项的预测值求得所述目标因子的预测值包括:根据各所述子目标函数对所述目标因子预测的影响大小对各所述子目标函数配置权重,再根据各所述子目标函数对对应的所述预测子项进行预测,将各所述预测子项的预测结果基于所述权重进行加权求和得到所述目标因子的预测值。
在本实施例中,预设的曲线为符合目标对象的客观走势形成的标准曲线,如果拟合曲线局部或整体与预设的曲线的偏差超出预设阈值,则判定拟合曲线与预设的曲线的比较结果不满足预设条件,则需要对目标函数的参数值进行调整。
在上述目标函数包含的子目标函数分别为增长目标函数、周期目标函数、假日目标函数和偏差目标函数的前提下,在目标函数的参数值进行调整包括调整各子目标函数的参数值以及各子目标函数的权重值。
进一步地,在本实施例中,所述根据所述目标函数对预设时间段内的所述目标因子的数值进行预测包括:对预设时间段内的所述目标因子的预测值及其所属的预测区间分别进行预测;其中,在对所述预测区间进行预测时,根据各所述子目标函数对相应的所述预测子项的预测值的上限和下限进行预测,再根据各预测子项的预测值的上限和下限得到所述目标因子的预测值所属的预测区间。具体的,根据目标函数进行预测时,预测结果在给出目标因子的具体预测值的同时,还可以给出目标因子的预测范围,即输出预测值的上限和下限,具体先求得各子目标函数的预测值上限和下限,例如上述的假日目标函数h(t)和偏差目标函数n(t)为高斯分布,高斯分布函数X服从一个数学期望为μ、方差为σ2,记为N(μ,σ2),可得到预测子项的预测值为μ,下限为μ-σ,上限为μ+σ,再根据各子目标函数的上限和下限得到目标因子的预测值的上限和下限。
进一步地,在所述比较结果满足预设条件之后,所述方法还包括:确定所述目标因子的预测时间频率,根据所述预测时间频率对所述目标因子进行预测;在得到多个预测值后,按照所述预测时间频率对各所述预测时间区间的实际值进行统计,将多个预测值与对应的实际值进行比较,若二者的差值超出预设阈值,则对所述目标函数的参数进行调整,根据调整后的所述目标函数对实际未发生的预测时间区间内所述目标因子的预测值进行更新,否则将所述实际值作为新的历史数据更新上述时间序列数据,基于新的时间序列数据更新所述目标函数,基于更新的所述目标函数对于实际未发生的预测时间区间内所述目标因子的预测结果进行更新。具体的,在确定目标因子的预测时间频率时,可以按照月度或年度的时间频率进行预测,在应用时可以根据需求选择预测时间频率。
本申请提供的目标对象的目标因子预测方法,通过目标因子的非连续时间序列数据生成数据曲线,根据生成的数据曲线进行拟合,得到目标函数,并进一步根据目标函数生成拟合曲线,在目标函数的拟合曲线满足要求时通过目标函数进行目标因子的数值预测,可以实现基于非连续时间序列数据的预测,且便于图形化展示,相比于经验预测客观性强,准确性高,相比于ARIMA建模需要有连续的时间数据,本方法时间序列数据预测不受数据类型限制,更加灵活。在应用于商业分析领域的非连续时间序列时,可以给出业绩指标的发展趋势,业务上可解释性更强,便于营业单位对业绩指标进行针对性的改进。
需要强调的是,为进一步保证信息的私密和安全性,所述历史数据中的私密信息可以存储于一区块链的节点中。本申请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。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种目标对象的目标因子预测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的目标对象的目标因子预测装置包括:目标因子获取模块301、数据处理模块302以及数据预测模块303。其中,所述目标因子获取模块301用于获取与所述目标对象相关联的历史数据进行特征提取,得到多个用于表征所述目标对象的特征因子,筛选出与所述目标对象的关联度大于预设阈值的特征因子作为所述目标因子;所述数据处理模块301用于读取所述目标因子的历史数据,并将其整理成若干时间与数值的映射形式,得到所述目标因子的时间序列数据,其中所述时间序列数据包含非连续时间序列数据;所述数据预测模块303用于根据所述时间序列数据生成数据曲线,并基于所述数据曲线拟合得到目标函数,将基于所述目标函数生成的拟合曲线与预设曲线进行比较,若比较结果满足预设条件,则根据所述目标函数对预设时间段内的所述目标因子的数值进行预测,否则调整所述目标函数的参数值,直到所述比较结果满足所述预设条件。在完成预测后将得到所述目标因子的预测值。
在本实施例中,所述目标因子获取模块301针对的目标对象可以是具体产品或者营业单位,以营业单位为例,用于评价营业单位的目标因子具体可以是营业单位的关键的业绩指标,如销售额、销售人力规模等,即销售额、销售人力规模等为待预测的具体目标因子,预测未来的业绩指标可以帮助营业单位制定更合理的KPI或者提前采取措施来影响未来业绩。
在本实施例中,所述数据预测模块303基于所述数据曲线拟合得到目标函数时具体用于:基于所述数据曲线拟合得到多个子目标函数,根据所述多个子目标函数生成所述目标函数;其中各所述子目标函数用于分别预测所述目标因子的一个预测子项,以基于各所述预测子项的预测值求得所述目标因子的预测值。具体的,所述目标函数包含的子目标函数分别为增长目标函数、周期目标函数、假日目标函数和偏差目标函数,其中所述增长目标函数用于预测所述目标因子的非周期性变化项,所述周期目标函数用于预测所述目标因子的周期性变化项,所述假日目标函数用于预测目标因子因未来确定性事件造成的变化项,所述偏差目标函数则用于预测所述目标因子的随机波动项。具体可参考上述方法实施例,在此不作展开。
在本实施例中,预设的曲线为符合目标对象的客观走势形成的标准曲线,如果拟合曲线局部或整体与预设的曲线的偏差超出预设阈值,则判定拟合曲线与预设的曲线的比较结果不满足预设条件,则需要对目标函数的参数值进行调整。所述数据预测模块303在基于各所述预测子项的预测值求得所述目标因子的预测值时,具体用于:根据各所述子目标函数对所述目标因子预测的影响大小对各所述子目标函数配置权重,再根据各所述子目标函数对对应的所述预测子项进行预测,将各所述预测子项的预测结果基于所述权重进行加权求和得到所述目标因子的预测值。
进一步地,在本实施例中,所述数据预测模块303在根据所述目标函数对预设时间段内的所述目标因子的数值进行预测时,具体用于对预设时间段内的所述目标因子的预测值及其所属的预测区间分别进行预测;其中,在对所述预测区间进行预测时,根据各所述子目标函数对相应的所述预测子项的预测值的上限和下限进行预测,再根据各预测子项的预测值的上限和下限得到所述目标因子的预测值所属的预测区间。具体可参考上述方法实施例,在此不作展开。
进一步地,在本实施例中,所述数据预测模块303在基于所述数据曲线拟合得到目标函数的过程中,具体还用于在生成初始目标函数后,将所述时间序列数据代入各所述子目标函数,生成各子目标函数的参数,再基于得到的参数进行条件以得到所述目标函数。具体可参考上述方法实施例,在此不作展开。
进一步地,在所述比较结果满足预设条件之后,所述数据预测模块303还用于:确定所述目标因子的预测时间频率,根据所述预测时间频率对所述目标因子进行预测;在得到多个预测值后,按照所述预测时间频率对各所述预测时间区间的实际值进行统计,将多个预测值与对应的实际值进行比较,若二者的差值超出预设阈值,则使所述拟合模块302对所述目标函数的参数进行调整,再根据调整后的所述目标函数对实际未发生的预测时间区间内所述目标因子的预测值进行更新,否则使所述数据处理模块302将所述实际值作为新的历史数据更新上述时间序列数据,再基于新的时间序列数据更新所述目标函数,并基于更新的所述目标函数对于实际未发生的预测时间区间内所述目标因子的预测结果进行更新。具体的,在确定目标因子的预测时间频率时,可以按照月度或年度的时间频率进行预测,在应用时可以根据需求选择预测时间频率。
本申请提供的目标对象的目标因子预测装置,通过目标因子的非连续时间序列数据生成数据曲线,根据生成的数据曲线进行拟合,得到目标函数,并进一步根据目标函数生成拟合曲线,在目标函数的拟合曲线满足要求时通过目标函数进行目标因子的数值预测,可以实现基于非连续时间序列数据的预测,且便于图形化展示,相比于经验预测客观性强,准确性高,相比于ARIMA建模需要有连续的时间数据,本方法时间序列数据预测不受数据类型限制,更加灵活。在应用于商业分析领域的非连续时间序列时,可以给出业绩指标的发展趋势,业务上可解释性更强,便于营业单位对业绩指标进行针对性的改进。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43,所述存储器41中存储有计算机可读指令,所述处理器42执行所述计算机可读指令时实现上述方法实施例中所述的目标对象的目标因子预测方法的步骤,并具有与上述目标对象的目标因子预测方法相对应的有益效果,在此不作展开。
需要指出的是,图中仅示出了具有存储器41、处理器42、网络接口43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
在本实施例中,所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如对应于上述目标对象的目标因子预测方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行对应于所述目标对象的目标因子预测方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的目标对象的目标因子预测方法的步骤,并具有与上述目标对象的目标因子预测方法相对应的有益效果,在此不作展开。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种目标对象的目标因子预测方法,其特征在于,包括下述步骤:
获取与所述目标对象相关联的历史数据进行特征提取,得到多个用于表征所述目标对象的特征因子,筛选出与所述目标对象的关联度大于预设阈值的特征因子作为所述目标因子;
读取所述目标因子的历史数据,并将其整理成若干时间与数值的映射形式,得到所述目标因子的时间序列数据,其中所述时间序列数据包含非连续时间序列数据;
根据所述时间序列数据生成数据曲线,并基于所述数据曲线拟合得到目标函数,将基于所述目标函数生成的拟合曲线与预设曲线进行比较,若比较结果满足预设条件,则根据所述目标函数对预设时间段内的所述目标因子的数值进行预测,否则调整所述目标函数的参数值,直到所述比较结果满足所述预设条件。
2.根据权利要求1所述的目标对象的目标因子预测方法,其特征在于,所述基于所述数据曲线拟合得到目标函数包括:
基于所述数据曲线拟合得到多个子目标函数,根据所述多个子目标函数生成所述目标函数;其中各所述子目标函数用于分别预测所述目标因子的一个预测子项,以基于各所述预测子项的预测值求得所述目标因子的预测值。
3.根据权利要求2所述的目标对象的目标因子预测方法,其特征在于,所述基于各所述预测子项的预测值求得所述目标因子的预测值包括:
根据各所述子目标函数对所述目标因子预测的影响大小对各所述子目标函数配置权重,再根据各所述子目标函数对对应的所述预测子项进行预测,将各所述预测子项的预测结果基于所述权重进行加权求和得到所述目标因子的预测值。
4.根据权利要求2所述的目标对象的目标因子预测方法,其特征在于,在基于所述数据曲线拟合得到目标函数的过程中,所述方法还包括:
在生成初始目标函数后,将所述时间序列数据代入各所述子目标函数,生成各子目标函数的参数,再基于得到的参数进行条件以得到所述目标函数。
5.根据权利要求2至4任一项所述的目标对象的目标因子预测方法,其特征在于,所述目标函数包含的子目标函数分别为增长目标函数、周期目标函数、假日目标函数和偏差目标函数,其中所述增长目标函数用于预测所述目标因子的非周期性变化项,所述周期目标函数用于预测所述目标因子的周期性变化项,所述假日目标函数用于预测目标因子因未来确定性事件造成的变化项,所述偏差目标函数则用于预测所述目标因子的随机波动项。
6.根据权利要求2至4任一项所述的目标对象的目标因子预测方法,其特征在于,所述根据所述目标函数对预设时间段内的所述目标因子的数值进行预测包括:对预设时间段内的所述目标因子的预测值及其所属的预测区间分别进行预测;其中,在对所述预测区间进行预测时,根据各所述子目标函数对相应的所述预测子项的预测值的上限和下限进行预测,再根据各预测子项的预测值的上限和下限得到所述目标因子的预测值所属的预测区间。
7.根据权利要求1至4任一项所述的目标对象的目标因子预测方法,其特征在于,在所述比较结果满足预设条件之后,所述方法还包括:
确定所述目标因子的预测时间频率,根据所述预测时间频率对所述目标因子进行预测;
在得到多个预测值后,按照所述预测时间频率对各所述预测时间区间的实际值进行统计,将多个预测值与对应的实际值进行比较,若二者的差值超出预设阈值,则对所述目标函数的参数进行调整,根据调整后的所述目标函数对实际未发生的预测时间区间内所述目标因子的预测值进行更新,否则将所述实际值作为新的历史数据更新上述时间序列数据,基于新的时间序列数据更新所述目标函数,基于更新的所述目标函数对于实际未发生的预测时间区间内所述目标因子的预测结果进行更新。
8.一种目标对象的目标因子预测装置,其特征在于,包括:
目标因子获取模块,用于获取与所述目标对象相关联的历史数据进行特征提取,得到多个用于表征所述目标对象的特征因子,筛选出与所述目标对象的关联度大于预设阈值的特征因子作为所述目标因子;
数据处理模块,用于读取所述目标因子的历史数据,并将其整理成若干时间与数值的映射形式,得到所述目标因子的时间序列数据,其中所述时间序列数据包含非连续时间序列数据;
数据预测模块,用于根据所述时间序列数据生成数据曲线,并基于所述数据曲线拟合得到目标函数,将基于所述目标函数生成的拟合曲线与预设曲线进行比较,若比较结果满足预设条件,则根据所述目标函数对预设时间段内的所述目标因子的数值进行预测,否则调整所述目标函数的参数值,直到所述比较结果满足所述预设条件。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的目标对象的目标因子预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的目标对象的目标因子预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182348.9A CN112288163A (zh) | 2020-10-29 | 2020-10-29 | 目标对象的目标因子预测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182348.9A CN112288163A (zh) | 2020-10-29 | 2020-10-29 | 目标对象的目标因子预测方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288163A true CN112288163A (zh) | 2021-01-29 |
Family
ID=74353237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011182348.9A Pending CN112288163A (zh) | 2020-10-29 | 2020-10-29 | 目标对象的目标因子预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288163A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205225A (zh) * | 2021-05-27 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 一种碳排放达峰的关键因子识别方法、系统及数据平台 |
CN113329037A (zh) * | 2021-08-02 | 2021-08-31 | 平安科技(深圳)有限公司 | 基于高维模式的异常访问数据预警方法及相关设备 |
CN113570124A (zh) * | 2021-07-15 | 2021-10-29 | 上海淇玥信息技术有限公司 | 一种对象赋值方法、装置和电子设备 |
CN113782187A (zh) * | 2021-09-10 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 指标数据处理方法、相关设备及介质 |
CN114565231A (zh) * | 2022-02-07 | 2022-05-31 | 三一汽车制造有限公司 | 作业方量确定方法、装置、设备、存储介质及作业机械 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112900A1 (en) * | 2013-10-23 | 2015-04-23 | Honda Motor Co., Ltd. | Time-series data prediction device, time-series data prediction method, and program |
CN106469332A (zh) * | 2015-08-19 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
CN108492138A (zh) * | 2018-03-19 | 2018-09-04 | 平安科技(深圳)有限公司 | 产品购买预测方法、服务器及存储介质 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
CN110826774A (zh) * | 2019-10-18 | 2020-02-21 | 广州供电局有限公司 | 母线负荷预测方法、装置、计算机设备及存储介质 |
CN111401603A (zh) * | 2020-01-22 | 2020-07-10 | 国网江苏省电力有限公司南京供电分公司 | 一种多类型能源需求预测方法 |
CN111754024A (zh) * | 2020-05-22 | 2020-10-09 | 国电南瑞科技股份有限公司 | 一种基于回归分析的电力行业时间序列预测方法和装置 |
-
2020
- 2020-10-29 CN CN202011182348.9A patent/CN112288163A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112900A1 (en) * | 2013-10-23 | 2015-04-23 | Honda Motor Co., Ltd. | Time-series data prediction device, time-series data prediction method, and program |
CN106469332A (zh) * | 2015-08-19 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
CN108492138A (zh) * | 2018-03-19 | 2018-09-04 | 平安科技(深圳)有限公司 | 产品购买预测方法、服务器及存储介质 |
CN110826774A (zh) * | 2019-10-18 | 2020-02-21 | 广州供电局有限公司 | 母线负荷预测方法、装置、计算机设备及存储介质 |
CN111401603A (zh) * | 2020-01-22 | 2020-07-10 | 国网江苏省电力有限公司南京供电分公司 | 一种多类型能源需求预测方法 |
CN111754024A (zh) * | 2020-05-22 | 2020-10-09 | 国电南瑞科技股份有限公司 | 一种基于回归分析的电力行业时间序列预测方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205225A (zh) * | 2021-05-27 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 一种碳排放达峰的关键因子识别方法、系统及数据平台 |
CN113570124A (zh) * | 2021-07-15 | 2021-10-29 | 上海淇玥信息技术有限公司 | 一种对象赋值方法、装置和电子设备 |
CN113329037A (zh) * | 2021-08-02 | 2021-08-31 | 平安科技(深圳)有限公司 | 基于高维模式的异常访问数据预警方法及相关设备 |
CN113329037B (zh) * | 2021-08-02 | 2021-11-16 | 平安科技(深圳)有限公司 | 基于高维模式的异常访问数据预警方法及相关设备 |
CN113782187A (zh) * | 2021-09-10 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 指标数据处理方法、相关设备及介质 |
CN113782187B (zh) * | 2021-09-10 | 2023-06-27 | 深圳平安智慧医健科技有限公司 | 指标数据处理方法、相关设备及介质 |
CN114565231A (zh) * | 2022-02-07 | 2022-05-31 | 三一汽车制造有限公司 | 作业方量确定方法、装置、设备、存储介质及作业机械 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN112365202B (zh) | 一种多目标对象的评价因子筛选方法及其相关设备 | |
CN112101172A (zh) | 基于权重嫁接的模型融合的人脸识别方法及相关设备 | |
CN113326991B (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
CN112085378B (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
CN112990583B (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN112308173B (zh) | 基于多评价因子融合的多目标对象评价方法及其相关设备 | |
CN108960520A (zh) | 一种电力负荷预测方法、系统、计算机设备、介质 | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
CN112035549A (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN111641517A (zh) | 同质网络的社群划分方法、装置、计算机设备和存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN115545753A (zh) | 一种基于贝叶斯算法的合作伙伴预测方法及相关设备 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114090407A (zh) | 基于线性回归模型的接口性能预警方法及其相关设备 | |
CN110619564A (zh) | 一种反欺诈特征生成方法和装置 | |
CN114528443A (zh) | 基于知识图谱的信息挖掘方法及其相关设备 | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN113329037B (zh) | 基于高维模式的异常访问数据预警方法及相关设备 | |
CN113112007B (zh) | 神经网络中序列长度选择方法、装置、设备及存储介质 | |
CN113902032A (zh) | 业务数据的处理方法、装置、计算机设备及存储介质 |
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: 20210129 |