CN112508283A - 一种时间序列模型的构建方法、装置 - Google Patents

一种时间序列模型的构建方法、装置 Download PDF

Info

Publication number
CN112508283A
CN112508283A CN202011450969.0A CN202011450969A CN112508283A CN 112508283 A CN112508283 A CN 112508283A CN 202011450969 A CN202011450969 A CN 202011450969A CN 112508283 A CN112508283 A CN 112508283A
Authority
CN
China
Prior art keywords
model
sequence
data
bidding
data sequence
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
Application number
CN202011450969.0A
Other languages
English (en)
Inventor
佟忠正
赵永发
林俊
王泽涌
洪雨天
郑杰生
黄杰韬
王喆
吴赟
臧笑宇
陈非
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.)
Guangdong Electric Power Information Technology Co Ltd
Original Assignee
Guangdong Electric Power Information 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 Guangdong Electric Power Information Technology Co Ltd filed Critical Guangdong Electric Power Information Technology Co Ltd
Priority to CN202011450969.0A priority Critical patent/CN112508283A/zh
Publication of CN112508283A publication Critical patent/CN112508283A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (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)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种模型构建方法，具体公开了一种时间序列模型的构建方法，所述的一种时间序列模型的构建方法，应用于企业招投标的电子设备，用于企业对当前招投标所需的评标专家人数进行预测，包括：步骤S1：获取历年招投标评标专家人数的数据，整合为历史数据序列；步骤S2：对所述历史数据序列进行多次模型拟合，得到最终模型；步骤S3：根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列。本发明具有能够通过构建时间序列模型来预测企业在未来招投标所需要评标专家人数的优点。

Description

一种时间序列模型的构建方法、装置
技术领域
本发明涉及一种模型构建方法，具体涉及了一种时间序列模型的构建方法。
背景技术
时间序列模型作为一种短期预测模型，是可以广泛应用于经济、医学、气象、地理、水文、地质等各个领域。但是由于该模型的算法复杂，在建模时对数据序列有着极为严格的校验过程和复杂变换过程，而在实际生活中很少有平稳数据序列，所以该模型在实际研究中很少应用。目前并没有一款能够很好地在企业招投标的过程中预测未来所需要评标专家人数的软件。
发明内容
针对现有技术存在企业不能预测在未来招投标所需要评标专家的人数，本发明的目的在于提供时间序列模型的构建方法，具有能够通过构建时间序列模型来预测企业在未来招投标所需要评标专家人数的优点。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种时间序列模型的构建方法，其特征在于，应用于企业招投标的电子设备，用于企业对当前招投标所需的评标专家人数进行预测，包括：
步骤S1：获取历年招投标评标专家人数的数据，整合为历史数据序列；
步骤S2：对所述历史数据序列进行多次模型拟合，得到最终模型；
步骤S3：根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列。
优选地，所述整合为历史数据序列包括：
对获取到的历年招投标评标专家人数的数据整合为第一序列；
当所述第一序列不为平稳序列时，对所述第一序列进行至少一步差分，直至所述第一序列变成平稳序列；
当所述第一序列为平稳序列时，则进行步骤S2。
优选地，对所述历史数据序列进行多次模型拟合，得到最终模型群包括：
对所述历史数据序列建立多个模型，构成模型群；
对所述模型群内每一个模型进行残差计算，获取每一个模型的残差值；
对所述残差值进行判断，如果残差的大部分自相关系数在
Figure 896465DEST_PATH_IMAGE001
和
Figure 266136DEST_PATH_IMAGE002
之 间，则保留该模型否则剔除，其中n为观测点的数量；
对剔除后的模型群进行筛选，得到残值的大部分自相关系数最接近0的模型，将该模型作为最终模型。
优选地，根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列包括：
通过步骤S2得到的最终模型，输出所述评标专家人数预测数据序列；
通过Sidak算法，检测所述历史数据序列和所述预测数据序列中的异常值。
一种时间序列模型的构建装置，其特征在于，应用于企业招投标的电子设备，用于企业对当前招投标所需的评标专家人数进行预测，包括：
数据序列获取模块，所述数据序列获取模块获取历年招投标评标专家人数的数据，整合为历史数据序列；
模型获取模块，所述模型获取模块对所述历史数据序列进行多次模型拟合，得到最终模型；
预测数据序列获取模块，所述预测数据序列获取模块根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列。
优选地，所述数据序列获取模块包括：
数据序列整合单元，所述数据序列整合单元对获取到的历年招投标评标专家人数的数据整合为第一序列；
差分单元，所述差分单元当所述第一序列不为平稳序列时，对所述第一序列进行至少一步差分，直至所述第一序列变成平稳序列。
一种终端，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以执行上述的方法。
一种存储介质，其特征在于，存储有可被执行的计算机程序，所述计算机程序被执行时实现上述的方法。
上述一种时间序列模型的构建方法，具有以下有益效果：通过对历年招投标评标专家人数的数据整合，获取到符合模型要求的数据序列，能够更加准确并且贴切地对企业未来招投标所需要的评标专家人数进行预测，从而能够避免企业在未来招投标过程中评标专家人数过少问题所带来效率低下的问题，也能够避免评标专家人数过多所带来成本增加的问题，能够显著地提高了企业在招投标的过程中成本的控制。
附图说明
图1是本实施例一种时间序列模型的构建方法的示意图。
图2是本实施例步骤S1子步骤的示意图。
图3是本实施例步骤S2子步骤的示意图。
图4是本实施例一种时间序列模型的构建装置的示意图。
图5是本实施例数据序列获取模块的示意图。
具体实施方式
以下实施例是对本发明的进一步说明，不是对本发明的限制。
一种时间序列模型的构建方法，在本申请的一些实施例中，应用于企业招投标的电子设备，用于企业对当前招投标所需的评标专家人数进行预测，包括：
步骤S1：获取历年招投标评标专家人数的数据，整合为历史数据序列；
步骤S2：对所述历史数据序列进行多次模型拟合，得到最终模型；
步骤S3：根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列。
在本申请的一些实施例中，所述整合为历史数据序列包括：
对获取到的历年招投标评标专家人数的数据整合为第一序列；
当所述第一序列不为平稳序列时，对所述第一序列进行至少一步差分，直至所述第一序列变成平稳序列；
平稳序列包括严平稳序列以及弱平稳序列；
如果Y在时间t的边际分布p(Yt)在任意其他时间点都是相同的话，那么
Figure 249135DEST_PATH_IMAGE003
，并且
Figure 113186DEST_PATH_IMAGE004
与t无关，（这里
Figure 645667DEST_PATH_IMAGE005
并且
Figure 671392DEST_PATH_IMAGE006
为任意整数），这样的时间序 列被称为严平稳。这意味着
Figure 407267DEST_PATH_IMAGE007
的平均值、方差和协方差都是时不变的 (time invariant)。
时间序列被称为弱平稳或者协方差平稳如果满足以下条件：
a)
Figure 58697DEST_PATH_IMAGE008
b)
Figure 196418DEST_PATH_IMAGE009
c)
Figure 658623DEST_PATH_IMAGE010
经过差分后，一个非平稳的时间序列可以变为平稳的时间序列。
一个经过一次差分后变为平稳的时间序列被称为整合了一次，表示为
Figure 871342DEST_PATH_IMAGE011
。
一般而言，被经过d次差分后变为平稳的时间序列被称为整合了d次，表示为
Figure 811616DEST_PATH_IMAGE012
。
所以，一个没有被经过差分就已经是平稳的时间序列表示为
Figure 803842DEST_PATH_IMAGE013
。
当所述第一序列为平稳序列时，则进行步骤S2。
在本申请的一些实施例中，对所述历史数据序列进行多次模型拟合，得到最终模型群包括：
对所述历史数据序列建立多个模型，构成模型群；
对所述模型群内每一个模型进行残差计算，获取每一个模型的残差值；
对所述残差值进行判断，如果残差的大部分自相关系数在
Figure 686217DEST_PATH_IMAGE014
和
Figure 396684DEST_PATH_IMAGE015
之间，则保留该模型否则剔除，其中n为观测点的数量；
对剔除后的模型群进行筛选，得到残值的大部分自相关系数最接近0的模型，将该模型作为最终模型。
在本申请的一些实施例中，根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列包括：
通过步骤S2得到的最终模型，输出所述评标专家人数预测数据序列；
通过Sidak算法，检测所述历史数据序列和所述预测数据序列中的异常值。
一种时间序列模型的构建装置，在本申请的一些实施例中，应用于企业招投标的电子设备，用于企业对当前招投标所需的评标专家人数进行预测，包括：
数据序列获取模块，所述数据序列获取模块获取历年招投标评标专家人数的数据，整合为历史数据序列；
模型获取模块，所述模型获取模块对所述历史数据序列进行多次模型拟合，得到最终模型；
预测数据序列获取模块，所述预测数据序列获取模块根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列。
在本申请的一些实施例中，所述数据序列获取模块包括：
数据序列整合单元，所述数据序列整合单元对获取到的历年招投标评标专家人数的数据整合为第一序列；
差分单元，所述差分单元当所述第一序列不为平稳序列时，对所述第一序列进行至少一步差分，直至所述第一序列变成平稳序列。
一种终端，在本申请的一些实施例中，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以执行上述的方法。
一种存储介质，在本申请的一些实施例中，存储有可被执行的计算机程序，所述计算机程序被执行时实现上述的方法。
上列详细说明是针对本发明可行实施例的具体说明，以上实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器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（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序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、电信号以及软件分发介质等。

Claims (8)

1.一种时间序列模型的构建方法，其特征在于，应用于企业招投标的电子设备，用于企业对当前招投标所需的评标专家人数进行预测，包括：
步骤S1：获取历年招投标评标专家人数的数据，整合为历史数据序列；
步骤S2：对所述历史数据序列进行多次模型拟合，得到最终模型；
步骤S3：根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列。
2.根据权利要求1所述的时间序列模型的构建方法，其特征在于，所述整合为历史数据序列包括：
对获取到的历年招投标评标专家人数的数据整合为第一序列；
当所述第一序列不为平稳序列时，对所述第一序列进行至少一步差分，直至所述第一序列变成平稳序列；
当所述第一序列为平稳序列时，则进行步骤S2。
3.根据权利要求1所述的时间序列模型的构建方法，其特征在于，对所述历史数据序列进行多次模型拟合，得到最终模型群包括：
对所述历史数据序列建立多个模型，构成模型群；
对所述模型群内每一个模型进行残差计算，获取每一个模型的残差值；
对所述残差值进行判断，如果残差的大部分自相关系数在
Figure DEST_PATH_IMAGE001
和
Figure 277397DEST_PATH_IMAGE002
之间，则保留该模型否则剔除，其中n为观测点的数量；
对剔除后的模型群进行筛选，得到残值的大部分自相关系数最接近0的模型，将该模型作为最终模型。
4.根据权利要求1所述的时间序列模型的构建方法，其特征在于，根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列包括：
通过步骤S2得到的最终模型，输出所述评标专家人数预测数据序列；
通过Sidak算法，检测所述历史数据序列和所述预测数据序列中的异常值。
5.一种时间序列模型的构建装置，其特征在于，应用于企业招投标的电子设备，用于企业对当前招投标所需的评标专家人数进行预测，包括：
数据序列获取模块，所述数据序列获取模块获取历年招投标评标专家人数的数据，整合为历史数据序列；
模型获取模块，所述模型获取模块对所述历史数据序列进行多次模型拟合，得到最终模型；
预测数据序列获取模块，所述预测数据序列获取模块根据所述最终模型，得到所述企业当次招投标评专家人数预测数据序列。
6.根据权利要求5所述的时间序列模型的构建装置，其特征在于，所述数据序列获取模块包括：
数据序列整合单元，所述数据序列整合单元对获取到的历年招投标评标专家人数的数据整合为第一序列；
差分单元，所述差分单元当所述第一序列不为平稳序列时，对所述第一序列进行至少一步差分，直至所述第一序列变成平稳序列。
7.一种终端，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以执行权利要求1~4任一项所述的方法。
8.一种存储介质，其特征在于，存储有可被执行的计算机程序，所述计算机程序被执行时实现权利要求1~4任一项所述的方法。
CN202011450969.0A 2020-12-12 2020-12-12 一种时间序列模型的构建方法、装置 Pending CN112508283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011450969.0A CN112508283A (zh) 2020-12-12 2020-12-12 一种时间序列模型的构建方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011450969.0A CN112508283A (zh) 2020-12-12 2020-12-12 一种时间序列模型的构建方法、装置

Publications (1)

Publication Number Publication Date
CN112508283A true CN112508283A (zh) 2021-03-16

Family

ID=74971945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011450969.0A Pending CN112508283A (zh) 2020-12-12 2020-12-12 一种时间序列模型的构建方法、装置

Country Status (1)

Country Link
CN (1) CN112508283A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633331A (zh) * 2017-09-26 2018-01-26 北京福布罗科技有限公司 时间序列模型建立方法及装置
CN110276491A (zh) * 2019-06-24 2019-09-24 重庆锐云科技有限公司 粉丝预测管理方法、装置、计算机设备及存储介质
CN110400010A (zh) * 2019-07-11 2019-11-01 新华三大数据技术有限公司 预测方法、装置、电子设备以及计算机可读存储介质
CN110795246A (zh) * 2019-10-25 2020-02-14 新华三大数据技术有限公司 资源利用率的预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633331A (zh) * 2017-09-26 2018-01-26 北京福布罗科技有限公司 时间序列模型建立方法及装置
CN110276491A (zh) * 2019-06-24 2019-09-24 重庆锐云科技有限公司 粉丝预测管理方法、装置、计算机设备及存储介质
CN110400010A (zh) * 2019-07-11 2019-11-01 新华三大数据技术有限公司 预测方法、装置、电子设备以及计算机可读存储介质
CN110795246A (zh) * 2019-10-25 2020-02-14 新华三大数据技术有限公司 资源利用率的预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘艳杰: "《线性回归模型应用及判断》", 30 September 2013, 中国医药科技出版社, pages: 283 - 285 *

Similar Documents

Publication Publication Date Title
CN109949290B (zh) 路面裂缝检测方法、装置、设备及存储介质
CN108154105B (zh) 水下生物检测与识别方法、装置、服务器及终端设备
WO2019128526A1 (zh) 一种训练风控模型和风控的方法、装置及设备
KR20180072562A (ko) 인공 뉴럴 네트워크 클래스-기반 프루닝
CN108985489B (zh) 一种风险预测方法、风险预测装置和终端设备
CN110472802B (zh) 一种数据特征评估方法、装置及设备
CN111242358A (zh) 一种双层结构的企业情报流失预测方法
CN111401940B (zh) 特征预测方法、装置、电子设备及存储介质
CN109685805B (zh) 一种图像分割方法及装置
CN117392564B (zh) 一种基于深度学习的河流水质反演方法、电子设备及存储介质
CN109344877B (zh) 一种样本数据处理方法、样本数据处理装置及电子设备
CN112508283A (zh) 一种时间序列模型的构建方法、装置
CN114547552A (zh) 模拟数据的生成方法、装置、智能终端及存储介质
CN112434965A (zh) 一种基于词频的专家标签产生方法、装置、终端
CN112396466A (zh) 电商平台流量预测方法、系统、存储介质及电子设备
CN111242449A (zh) 一种企业情报流失预测方法
CN112906728A (zh) 一种特征比对方法、装置及设备
CN116912634B (zh) 目标追踪模型的训练方法及装置
CN113988483B (zh) 风险操作行为的管控及其模型的训练方法及电子设备
US20230298326A1 (en) Image augmentation method, electronic device and readable storage medium
CN113837863B (zh) 一种业务预测模型创建方法、装置及计算机可读存储介质
CN117474037B (zh) 基于空间距离对齐的知识蒸馏方法及装置
CN112434882A (zh) 一种基于时间序列预测的专家抽取需求预测方法及装置
CN116912518B (zh) 图像的多尺度特征处理方法及装置
CN114330690A (zh) 卷积神经网络压缩方法、装置及电子设备

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