CN112836168A - 一种资源预留量确定方法、装置及存储介质 - Google Patents

一种资源预留量确定方法、装置及存储介质 Download PDF

Info

Publication number
CN112836168A
CN112836168A CN202110147035.8A CN202110147035A CN112836168A CN 112836168 A CN112836168 A CN 112836168A CN 202110147035 A CN202110147035 A CN 202110147035A CN 112836168 A CN112836168 A CN 112836168A
Authority
CN
China
Prior art keywords
sequence
resource transfer
original resource
model
original
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
CN202110147035.8A
Other languages
English (en)
Inventor
孙雷
汤琦
瞿伟
殷璋琦
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110147035.8A priority Critical patent/CN112836168A/zh
Publication of CN112836168A publication Critical patent/CN112836168A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Algebra (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种资源预留量确定方法、装置及存储介质，可以应用于大数据处理技术领域。包括：基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列，从而提高资源预留量的确定效率。

Description

一种资源预留量确定方法、装置及存储介质
技术领域
本说明书实施例涉及大数据处理技术领域，特别涉及一种资源预留量确定方法、装置及存储介质。
背景技术
大数据预测是大数据核心的应用，大数据预测将传统意义“预测”拓展到“现测”。大数据预测的优势体现在它把一个非常困难的预测问题，转化为一个相对简单的描述问题，而这是传统小数据集根本无法企及的。从预测的角度看，大数据预测所得出的结果不仅仅得到处理现实业务简单、客观的结论，更能用于帮助企业经营决策，收集起来的资料还可以被规划，引导开发更大的消费力量。例如对于境外差旅费业务场景的开支数据，通过预测开支数据，可以提高对各季度和年度财务状况的掌握，为财务决策人员提供数据支持。然而，由于境外差旅费业务场景的开支数据具有极强的地域性和时域性，复杂的境外差旅行程安排，跨地区汇率折算，不同地区或国家税率变化，给预测工作带来了困难。
如果采用传统的比较分析、趋势分析、因素分析、比率分析等常见的财务模型对开支数据进行直接处理，所得到的结果将难以客观反映境外差旅的真实状况。目前，通常采用BP神经网络预测模型来对开支数据进行预测，以便于确定未来一段时间内预留的开支。
BP(back propagation)网络由输入层、隐含层、输出层组成。BP神经网络采用误差反向传播学习的算法，通过对样本的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。
BP网络具有高度非线性和较强的泛化能力，但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差的缺陷，使得在采用BP神经网络预测模型来对数据进行预测前需要大量的样本进行训练，对算力的依赖较强，使得对开支数据的预测效率较低。
发明内容
本说明书实施例的目的是提供一种资源预留量确定方法、装置及存储介质，以提高资源预留量的确定效率。
为解决上述问题，本说明书实施例提供一种资源预留量确定方法，所述方法包括：基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
为解决上述问题，本说明书实施例还提供一种资源预留量确定装置，所述装置包括：建立模块，用于基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；累加处理模块，用于对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；生成模块，用于利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；计算模块，用于根据所述背景值序列计算所述GM(1,1)模型的参数；确定模块，用于根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
为解决上述问题，本说明书实施例还提供一种电子设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现：基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
为解决上述问题，本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现：基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
由以上本说明书实施例提供的技术方案可见，本说明书实施例中，可以基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。本说明书实施例提供的方法，与现有的BP神经网络预测模型相比较，在得到相近的精度下，极大的减少了对算力的依赖，提高了资源预留量的确定效率，缓解了境外系统高延时的问题。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，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为本说明书实施例一种资源预留量确定方法的流程图；
图2为本说明书实施例一种电子设备的功能结构示意图；
图3为本说明书实施例一种资源预留量确定装置的功能结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
请参阅图1，本说明实施例提供一种资源预留量确定方法。在本说明书实施例中，执行所述资源预留量确定方法的主体可以是具有逻辑运算功能的电子设备，所述电子设备可以是服务器。所述服务器可以是具有一定运算处理能力的电子设备。其可以具有网络通信单元、处理器和存储器等。当然，所述服务器并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软体。所述服务器还可以为分布式服务器，可以是具有多个处理器、存储器、网络通信模块等协同运作的系统。或者，服务器还可以为若干服务器形成的服务器集群。所述方法可以包括以下步骤。
S110：基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量。
在本说明书实施例中，所述原始资源转移量可以为具有时域性的数据，不同时间的原始资源转移量通常会有一定的变化。例如，所述原始资源转移量可以为境外差旅费业务场景的开支数据、不同类型客户的贷款数据、存款数据等货币转移的数据。举例来说，不同时间的原始资源转移量可以为不同月份的开支数据、不同季度的开支数据等。
灰色预测模型的基本原理是将模型事物中影响事物发展规律的众多因素在模型的限定条件下看成灰色量。鉴定各因素之间的发展趋势的相异程度，并进行关联分析，以数据为基础寻找系统的变化规律。如果一个系统具有层次、结构关系的模糊性，动态变化的随机性，指标数据的不完备或不确定性，则称这些特性为灰色性。具有灰色性的系统称为灰色系统。对灰色系统建立的预测模型称为灰色预测模型(Grey Model)，简称GM模型，它揭示了系统内部事物连续发展变化的过程。
灰色预测模型主要包括GM(n,1)类模型，1代表只有一个序列变量灰色模型，代表对模型和预测时之研究一个变量，n为模型阶数，同时精度与阶数不存在正相关。其中GM(1,1)模型是灰色模型中重要的预测模型，可以应用于数据的预测、工业控制中的预测、灾变预测、系统预测等各种领域。
在一些实施例中，服务器可以获取历史时间段内的原始资源转移量x(0)(ti)，ti表示时间，i＝2,3,…n。基于历史时间段内的原始资源转移量x(0)(ti)，可以建立GM(1,1)模型的原始资源转移量序列X(0)＝{x(0)(t1),x(0)(t2),……,x(0)(tn)}。其中，相邻的原始资源转移量的时间间隔Δti＝ti-ti-1不为定值，也就是说，所述原始资源转移量序列为非等时距的序列。
在一些实施例中，所获取的原始资源转移量中通常会包括一些异常数据，如果将这些异常数据计算在内，则会影响资源预留量确定的准确性。为提高资源预留量确定的准确性，在获取历史时间段内的原始资源转移量后，还可以对历史时间段内的原始资源转移量进行去异常值处理；相应的，基于去异常值处理后的数据建立GM(1,1)模型的原始资源转移量序列。
具体的，以一个场景示例进行说明。历史开支数据中可能会存在异常数据，为保证预测模型的精度需要对异常数据进行剔除。例如境外差旅业务场景中，单次差旅活动产生的报销费用，是员工选择币种同时叠加汇率和税率换算所得，数据易受到国际环境的波动产生异常数据，为了降低异常数据对预测模型的影响，使样本数据更加平滑，这里在莱茵达准则的基础上采用均值异常值法对数据进行预处理。
对于历史开始费用数据x1,x2…xn，n为历史开支数据的数目。根据概率论统计原理，当残差误差服从正态分布时，误差大于3σ的数据出现的概率小于0.003，也就是说可以认为它是数据序列中的坏点。因此莱茵达准则给出了判断数据是否坏点的一个准则：
Figure BDA0002930933720000041
则xi为异常数据，应予剔除；
Figure BDA0002930933720000051
则xi为正常数据，应予保留。
其中，
Figure BDA0002930933720000052
表示历史开支数据的算术平均值，该值不等于零。利用3σ作为判断数据异常的阈值，以异常值左右两点的中间值作为替换值。因此，在此基础上提出了均值异常值法。
具体的，可以设
Figure BDA0002930933720000053
从而得到一组由xj构成的新的序列。根据数理统计原理，动态信号的数据在有一定阈值范围内变化，定义波动范围为[-W,W]，W＞0，则当
Figure BDA0002930933720000054
时，将xj对应的xi确定为异常值，去除这一点异常值，并用所述算术平均值进行替换。
Figure BDA0002930933720000055
其中，W表示波动阈值，k表示系数。k为一个可变系数，可以根据原始资源转移量的变化规律进行确定，试验经验一般将k的取值范围定在4到5之间。异常值剔除后，可以使用原始资源转移量的算术平均值进行替换，从而使后续对于资源预留量序列的确定更为准确。
S120：对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列。
灰色系统通过对原始资源转移量的整理来寻求其变化规律，这是一种就数据寻求数据的现实规律的途径，也就是灰色序列的生产。灰色序列可以通过某种生成弱化其随机性，显现其规律性。数据生成的常用方式有累加生成、累减生成和加权累加生成。在一些实施例中，可以采用累积生成的方式对对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列。
具体的，可以根据以下公式对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列：
Figure BDA0002930933720000056
其中，x(1)(ti)表示累加资源转移量，X(1)＝{x(1)(t1),x(1)(t2),……,x(1)(tn)}表示由累加资源转移量构成的累加资源转移量序列；x(0)(ti)表示原始资源转移量，X(0)＝{x(0)(t1),x(0)(t2),……,x(0)(tn)}表示由原始资源转移量构成的原始资源转移量序列；ti表示时间，时间间隔Δti＝ti-ti-1。
S130：利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列。
在一些实施例中，可以根据生成的累加资源转移量序列X(1)建立白化形式的微分方程，即GM(1,1)模型的微分形式：
Figure BDA0002930933720000061
其中，t表示时间。
对公式(3)在区间[ti-1,ti]上积分，可以推导得：
x(0)(ti)Δt+az(1)(ti)＝uΔti (4)
其中，
Figure BDA0002930933720000062
表示累加资源转移量序列在区间[ti-1,ti]上的背景值，a、u为GM(1,1)模型的参数，分别表示发展系数和灰作用量。
GM(1,1)模型的预测精度取决于参数a,u，而参数a,u的值又依赖于背景值的构建，即背景值z(1)(ti)为直接影响GM(1,1)模型预测精度的关键要素。在传统方法GM(1,1)模型中将序列x(1)(ti)在区间上的连续函数视为直线，因此采用梯形公式来近似表示区间[ti-1,ti]上的累加曲线x(1)(ti)与t围成的面积。但当序列发生急剧变化时，这样构建出的背景值会出现较大的滞后误差。因此本说明书实施例可以利用积分重构GM(1,1)模型背景值的方法减小背景值的构造误差。
具体的，经研究发现，累加资源转移量x(1)(ti)更接近于指数函数规律即：
Figure BDA0002930933720000063
其中，c,r为待定系数。
则有：
Figure BDA0002930933720000064
Figure BDA0002930933720000065
将公式(7)两边取对数，可得：
Figure BDA0002930933720000066
将公式(8)代入公式(6)可得：
Figure BDA0002930933720000067
背景值构成背景值序列Z(1)＝{z(1)(t1),z(1)(t2),……,z(1)(tn)}。
本说明书实施例利用积分重构GM(1,1)模型背景值的方法，通过复化梯形公式对背景值进行重构，利用相对误差平方和最小标准，给出了初始条件对应的最有时间参数求解方法，能够减小背景值的构造误差。
S140：根据所述背景值序列计算所述GM(1,1)模型的参数。
针对参数a,u的值。可以引入向量：
g＝(a,u)T (10)
Figure BDA0002930933720000071
Y＝[x(0)(t2)Δt2,x(0)(t3)Δt3,…x(0)(tn)Δtn]T (12)
使得GM(1,1)模型可以表示为Y＝Bg。
在一些实施例中，可以采用一元线性回归，也就是最小二乘法求取参数a,u的估计值：
(a,u)T＝(BTB)-1BTY (13)
其中，a、u为GM(1,1)模型的参数，分别表示发展系数和灰作用量；B和Y为矩阵。
S150：根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
对公式(3)进行求解，得到微分方程的时间响应函数：
Figure BDA0002930933720000072
其中，
Figure BDA0002930933720000073
表示累加资源转移量序列对应的资源预留量。
通过逆生成还原响应函数，由得到原始资源转移量序列对应的资源预留量序列为：
Figure BDA0002930933720000074
其中，
Figure BDA0002930933720000075
表示原始资源转移量序列对应的资源预留量。
在一些实施例中，可以将所述GM(1,1)模型的参数a、u代入公式(15)，即可求得所述原始资源转移量序列对应的资源预留量序列。
本说明书实施例中，可以基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。本说明书实施例提供的方法，与现有的BP神经网络预测模型相比较，在得到相近的精度下，极大的减少了对算力的依赖，提高了资源预留量的确定效率，缓解了境外系统高延时的问题。
在一些实施例中，通过上述GM(1,1)模型可以对原始资源转移量序列的发展趋势进行预测，但是拟合出的指数曲线较为平缓，不能满足随机波动特性。为进一步提高资源预留量确定的准确性，所述方法还可以包括对所述GM(1,1)模型进行残差修正；相应的，根据残差修正后的GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
在一些实施例中，可以利用谐波分析构造周期波形模型来反应残差波形中大部分的周期成分，再针对随机波形成分，用正弦曲线残差模型去进行补偿，得到组合残差修正函数。利用组合残差修正函数对所述GM(1,1)模型进行残差修正。
具体的，已知E(ti)＝{e(t1),e(t2),…,e(ti)}表示残差数列，
Figure BDA0002930933720000081
表示残差。
则谐波分析残差拟合函数为：
Figure BDA0002930933720000082
其中，
Figure BDA0002930933720000083
表示谐波分析残差拟合函数，a0、aj、bj表示傅里叶系数，
Figure BDA0002930933720000084
Figure BDA0002930933720000085
正弦残差修正为：
Figure BDA0002930933720000086
其中，
Figure BDA0002930933720000087
表示正弦残差修正函数，
Figure BDA0002930933720000088
表示残差序列绝对值的平均值，T表示残差序列周期跨度的平均值。
基于谐波分析残差拟合函数和正弦残差修正函数确定组合残差修正函数：
Figure BDA0002930933720000089
其中，
Figure BDA00029309337200000810
表示组合残差修正函数，α和β表示权值系数，α+β＝1，α和β的取值以拟合资源预留量得累计残差值
Figure BDA00029309337200000811
最小为原则。
在一些实施例中，在使用所述组合残差修正函数对所述GM(1,1)模型进行修正后，可以根据残差修正后的GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列：
Figure BDA0002930933720000091
其中，
Figure BDA0002930933720000092
表示经过残差修正后得到的资源预留量。通过根据残差修正后的GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列能够进一步提升资源预留量确定的准确性。
本说明书上述实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的电子设备中执行。图2为本说明书实施例一种电子设备的功能结构示意图，所述电子设备可以包括存储器和处理器。
在一些实施例中，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，实现资源预留量确定方法的各种功能。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；存储数据区可存储根据用户终端的使用所创建的数据。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 GateArray，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。所述处理器可以执行所述计算机指令实现以下步骤：基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
在本说明书实施例中，该电子设备具体实现的功能和效果，可以与其它实施例对照解释，在此不再赘述。
图3为本说明书实施例一种资源预留量确定装置的功能结构示意图，该装置具体可以包括以下的结构模块。
建立模块310，用于基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；
累加处理模块320，用于对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；
生成模块330，用于利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；
计算模块340，用于根据所述背景值序列计算所述GM(1,1)模型的参数；
确定模块350，用于根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
本说明书实施例还提供了一种资源预留量确定方法的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程序指令，在所述计算机程序指令被执行时实现：基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
在本说明书实施例中，上述存储介质包括但不限于随机存取存储器(RandomAccess Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(HardDisk Drive,HDD)或者存储卡(Memory Card)。所述存储器可用于存储所述计算机程序和/或模块，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等；存储数据区可存储根据用户终端的使用所创建的数据等。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。在本说明书实施例中，该计算机可读存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
需要说明的是，本说明书实施例提供的资源预留量确定方法、装置及存储介质，可以应用于大数据处理技术领域。当然，也可以应用于金融领域，或者除金融领域之外的任意领域，本说明书实施例对所述资源预留量确定方法、装置及存储介质的应用领域不做限定。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例和设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员在阅读本说明书文件之后，可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合，这些组合也在本说明书公开和保护的范围内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(AlteraHardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书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。
本说明书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说明书，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。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

Claims (13)

1.一种资源预留量确定方法，其特征在于，所述方法包括：
基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；
对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；
利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；
根据所述背景值序列计算所述GM(1,1)模型的参数；
根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对历史时间段内的原始资源转移量进行去异常值处理；
相应的，基于去异常值处理后的数据建立GM(1,1)模型的原始资源转移量序列。
3.根据权利要求2所述的方法，其特征在于，所述历史时间段内的原始资源转移量进行去异常值处理包括：
根据所述历史时间段内的原始资源转移量的算术平均值确定异常值：
Figure FDA0002930933710000011
其中，W表示波动阈值，k表示系数，n表示原始资源转移量的个数，
Figure FDA0002930933710000012
表示原始资源转移量xi(i＝1,2…n)与原始资源转移量的算术平均值
Figure FDA0002930933710000013
的差值；在
Figure FDA0002930933710000014
时，将xj对应的xi确定为异常值；
使用所述算术平均值替换所述历史时间段内的原始资源转移量中的异常值。
4.根据权利要求1所述的方法，其特征在于，所述对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列包括：
Figure FDA0002930933710000015
其中，x(1)(ti)表示累加资源转移量，X(1)＝{x(1)(t1),x(1)(t2),……,x(1)(tn)}表示由累加资源转移量构成的累加资源转移量序列；x(0)(ti)表示原始资源转移量，X(0)＝{x(0)(t1),x(0)(t2),……,x(0)(tn)}表示由原始资源转移量构成的原始资源转移量序列；ti表示时间，时间间隔Δti＝ti-ti-1。
5.根据权利要求1所述的方法，其特征在于，所述利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列包括：
Figure FDA0002930933710000021
其中，
Figure FDA0002930933710000022
表示累加资源转移量序列在区间[ti-1,ti]上的背景值；背景值构成＝背景值序列Z(1)＝{z(1)(t1),z(1)(t2),……,z(1)(tn)}。
6.根据权利要求1所述的方法，其特征在于，所述根据所述背景值序列计算所述GM(1,1)模型的参数包括：
(a,u)T＝(BTB)-1BTY
Figure FDA0002930933710000023
Y＝[x(0)(t2)Δt2,x(0)(t3)Δt3,…x(0)(tn)Δtn]T
其中，a、u为GM(1,1)模型的参数，分别表示发展系数和灰作用量；B和Y为矩阵。
7.根据权利要求1所述的方法，其特征在于，所述根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列包括：
Figure FDA0002930933710000024
其中，
Figure FDA0002930933710000025
表示时间ti下的资源预留量。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述GM(1,1)模型进行残差修正；
相应的，根据残差修正后的GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
9.根据权利要求8所述的方法，其特征在于，所述对所述GM(1,1)模型进行残差修正包括：
基于谐波分析残差拟合函数和正弦残差修正函数确定组合残差修正函数：
Figure FDA0002930933710000031
Figure FDA0002930933710000032
Figure FDA0002930933710000033
其中，
Figure FDA0002930933710000034
表示谐波分析残差拟合函数，a0、aj、bj表示傅里叶系数，
Figure FDA0002930933710000035
Figure FDA0002930933710000036
表示残差，
Figure FDA0002930933710000037
Figure FDA0002930933710000038
Figure FDA0002930933710000039
表示正弦残差修正函数，
Figure FDA00029309337100000310
表示残差序列绝对值的平均值，T表示残差序列周期跨度的平均值；
Figure FDA00029309337100000311
表示组合残差修正函数，α和β表示权值系数，α+β＝1，α和β的取值以拟合资源预留量得累计残差值
Figure FDA00029309337100000312
最小为原则；
根据所述组合残差修正函数对所述GM(1,1)模型进行修正。
10.根据权利要求8所述的方法，其特征在于，所述根据残差修正后的GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列包括：
Figure FDA00029309337100000313
其中，
Figure FDA00029309337100000314
表示经过残差修正后得到的资源预留量。
11.一种资源预留量确定装置，其特征在于，所述装置包括：
建立模块，用于基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；
累加处理模块，用于对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；
生成模块，用于利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；
计算模块，用于根据所述背景值序列计算所述GM(1,1)模型的参数；
确定模块，用于根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
12.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现：基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
13.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现：基于历史时间段内的原始资源转移量建立GM(1,1)模型的原始资源转移量序列；所述原始资源转移量序列中包括多个按时间先后顺序排列的原始资源转移量；对所述原始资源转移量序列进行累加处理，得到累加资源转移量序列；利用积分重构法根据所述累加资源转移量序列生成所述GM(1,1)模型的背景值序列；所述背景值序列表示所述累加资源转移量序列的邻值生成数列；根据所述背景值序列计算所述GM(1,1)模型的参数；根据所述GM(1,1)模型的参数确定所述原始资源转移量序列对应的资源预留量序列。
CN202110147035.8A 2021-02-03 2021-02-03 一种资源预留量确定方法、装置及存储介质 Pending CN112836168A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110147035.8A CN112836168A (zh) 2021-02-03 2021-02-03 一种资源预留量确定方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110147035.8A CN112836168A (zh) 2021-02-03 2021-02-03 一种资源预留量确定方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112836168A true CN112836168A (zh) 2021-05-25

Family

ID=75932513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110147035.8A Pending CN112836168A (zh) 2021-02-03 2021-02-03 一种资源预留量确定方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112836168A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070153A (zh) * 2023-03-06 2023-05-05 四川省华盾防务科技股份有限公司 相控阵t/r组件故障参数的预测方法、装置、设备和介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070153A (zh) * 2023-03-06 2023-05-05 四川省华盾防务科技股份有限公司 相控阵t/r组件故障参数的预测方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
Zhou et al. A CEEMDAN and XGBOOST‐based approach to forecast crude oil prices
Qin et al. Simulating and Predicting of Hydrological Time Series Based on TensorFlow Deep Learning.
Xiao et al. Research on stock price time series prediction based on deep learning and autoregressive integrated moving average
Zeng et al. Predicting vacant parking space availability: A DWT-Bi-LSTM model
Yao et al. Baidu index-based forecast of daily tourist arrivals through rescaled range analysis, support vector regression, and autoregressive integrated moving average
Li et al. Hybrid data decomposition-based deep learning for bitcoin prediction and algorithm trading
Yujun et al. Research on a hybrid prediction model for stock price based on long short-term memory and variational mode decomposition
CN117389824A (zh) 一种基于信号分解和混合模型的云服务器负载预测方法
AU2020325094B2 (en) Finite rank deep kernel learning with linear computational complexity
Li et al. A novel deep learning approach for tourism volume forecasting with tourist search data
AU2020326407B2 (en) Extending finite rank deep kernel learning to forecasting over long time horizons
Talagala et al. Meta‐learning how to forecast time series
CN116362823A (zh) 用于行为稀疏场景的推荐模型训练方法、推荐方法及装置
Liu et al. A stock series prediction model based on variational mode decomposition and dual-channel attention network
Qinghe et al. Optimised extreme gradient boosting model for short term electric load demand forecasting of regional grid system
Buell et al. Impact of COVID-19: Nowcasting and big data to track economic activity in Sub-Saharan Africa
Chaolong et al. Study of railway track irregularity standard deviation time series based on data mining and linear model
Sunjaya et al. Forecasting of Covid-19 positive cases in Indonesia using long short-term memory (LSTM)
Quek et al. A new hybrid model of fuzzy time series and genetic algorithm based machine learning algorithm: a case study of forecasting prices of nine types of major cryptocurrencies
CN107862555A (zh) 基于指数平滑的预测系统与方法
Muruganandam et al. Dynamic Ensemble Multivariate Time Series Forecasting Model for PM2. 5.
Lei et al. A novel time-delay neural grey model and its applications
CN112836168A (zh) 一种资源预留量确定方法、装置及存储介质
Hao et al. Improving long-term multivariate time series forecasting with a seasonal-trend decomposition-based 2-dimensional temporal convolution dense network
Wang et al. CNformer: a convolutional transformer with decomposition for long-term multivariate time series forecasting

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