CN113420887A - 预测模型构建方法、装置、计算机设备及可读存储介质 - Google Patents
预测模型构建方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN113420887A CN113420887A CN202110691190.6A CN202110691190A CN113420887A CN 113420887 A CN113420887 A CN 113420887A CN 202110691190 A CN202110691190 A CN 202110691190A CN 113420887 A CN113420887 A CN 113420887A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- value
- attenuation
- target time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000010276 construction Methods 0.000 title claims description 37
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 90
- 238000010801 machine learning Methods 0.000 claims description 27
- 238000012804 iterative process Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- IXKSXJFAGXLQOQ-XISFHERQSA-N WHWLQLKPGQPMY Chemical group C([C@@H](C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(O)=O)NC(=O)[C@@H](N)CC=1C2=CC=CC=C2NC=1)C1=CNC=N1 IXKSXJFAGXLQOQ-XISFHERQSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,公开了一种预测模型构建方法、装置、计算机设备及可读存储介质,包括:接收控制端发送的目标时间,根据目标时间从预置的数据库中获取当前数据、历史数据和期望数据;在历史数据中构建衰减函数,并将当前数据和具有衰减函数的历史数据整合成综合数据;获取初始参数并将其作为输入参数;执行迭代进程,用以根据输入参数构建反映综合数据和期望数据之间对应关系的迭代模型,并对迭代模型进行最大值处理获得用于调整衰减函数的输出参数;执行判断进程,用以识别出收敛的输出参数并将迭代模型设为成熟模型。本发明所获得的成熟模型充分考虑了综合数据中历史数据对期望数据的影响,因此保证了预测准确度。
Description
技术领域
本发明涉及人工智能的机器学习技术领域,尤其涉及一种预测模型构建方法、装置、计算机设备及可读存储介质。
背景技术
当前的预测模型的训练方式,通常是使用某一时期的属性数据,以及自所述时期起未来某一时间段的价值数据作为训练样本,对机器学习模型进行训练;然而,发明人发现,当前的现有技术通常忽略了所述时期之前的某一历史时段内的属性数据,对所述价值数据的影响,进而导致训练出的预测模型往往因历史因素考虑不足,而导致预测准确度较差的问题发生。
发明内容
本发明的目的是提供一种预测模型构建方法、装置、计算机设备及可读存储介质,用于解决现有技术存在的因当前的现有技术通常忽略了历史时段内的属性数据的影响,导致训练出的预测模型往往因历史因素考虑不足,造成预测准确度较差的问题。
为实现上述目的,本发明提供一种预测模型构建方法,包括:
接收控制端发送的目标时间,根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据;其中,所述目标时间是用于确定所述当前数据、所述历史数据和所述期望数据对应时间的基准时间点,所述当前数据表征了所述数据库对应基金在所述目标时间下的属性,所述历史数据表征了所述数据库对应基金在所述目标时间之前的属性,所述期望数据表征了所述数据库对应基金在所述目标时间之后的价值;
在所述历史数据中构建衰减函数,并将所述当前数据和具有所述衰减函数的历史数据整合成综合数据;其中,所述衰减函数中具有衰减参数,其作为所述衰减函数的自变量用以调整所述历史数据对所述期望数据的影响程度;
获取初始参数并将其作为输入参数;执行迭代进程,用以根据所述输入参数构建反映所述综合数据和所述期望数据之间对应关系的迭代模型,并对所述迭代模型进行最大值处理获得用于调整所述衰减函数的输出参数;
执行判断进程,用以识别出收敛的输出参数并将所述迭代模型设为成熟模型,或将未收敛的输出参数作为输入参数并执行所述迭代进程。
上述方案中,所述接收控制端发送的目标时间之前,所述方法还包括:
根据预置的维度规则对数据库中的基本信息进行分类得到维度数据,在所述维度数据中插入时间戳;根据预置的未来期限和所述时间戳构建未来时间区间,从所述数据库中获取生成时间处于所述未来时间区间的价值信息,通过预置的价值规则计算所述价值信息得到所述时间戳的价值数据。
上述方案中,所述根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据的步骤,包括:
从数据库中获取与所述目标时间对应的维度数据和价值数据,并将所述维度数据设为所述目标时间的当前数据,及将所述价值数据设为所述目标时间的期望数据;
根据预置的历史期限和所述目标时间构建历史时间区间,从数据库中获取时间戳处于所述历史时间区间的维度数据,并将所述维度数据设为所述目标时间的历史数据。
上述方案中,所述将所述当前数据和具有所述衰减函数的历史数据整合成综合数据的步骤,包括:
在所述历史数据中设置反映所述历史数据与所述目标时间之间时间间隔的间隔系数;
将所述历史数据和所述当前数据汇总成数据矩阵得到所述综合数据。
上述方案中,所述执行迭代进程的步骤,包括:
根据所述输入参数运算所述衰减函数得到衰减因子,使所述综合数据转为具有所述衰减因子的输入数据,其中,所述衰减因子反映了所述历史数据影响所述期望数据的影响程度;
将所述输入数据和所述期望数据录入预置的机器学习模型,用以构建反映所述综合数据和所述期望数据之间对应关系的迭代模型;
以所述衰减参数作为自变量对所述迭代模型进行最大值处理,用以获得所述迭代模型在得到最大值时所述自变量的数值,将所述数值作为输出参数。
上述方案中,所述以所述衰减参数作为自变量对所述迭代模型进行最大值处理的步骤,包括:
将所述迭代模型中的衰减因子转为具有所述衰减参数的衰减函数;
通过预置的EM算法对所述迭代模型对所述迭代模型进行最大似然估计,实现对所述迭代模型进行最大值处理,获得用于调整所述衰减函数的输出参数。
上述方案中,所述执行判断进程的步骤,包括:
计算所述输出参数和输入参数的差值;
判断所述差值是否小于或等于预置的迭代阈值;
若是,则将所述输出参数判定为收敛,并将所述迭代模型设为成熟模型;
若否,则将所述输出参数判定为未收敛,及将所述输出参数作为输入参数并执行所述迭代进程;
所述将所述迭代模型设为成熟模型之后,所述方法还包括:
将判定为收敛的所述输出参数上传至区块链中。
为实现上述目的,本发明还提供一种预测模型构建装置,包括:
数据输入模块,用于接收控制端发送的目标时间,根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据;其中,所述当前数据表征了所述数据库对应基金在所述目标时间下的属性,所述历史数据表征了所述数据库对应基金在所述目标时间之前的属性,所述期望数据表征了所述数据库对应基金在所述目标时间之后的价值;
衰减构建模块,用于在所述历史数据中构建衰减函数,并将所述当前数据和具有所述衰减函数的历史数据整合成综合数据;其中,所述衰减函数中具有衰减参数,其作为所述衰减函数的自变量用以调整所述历史数据对所述期望数据的影响程度;
模型迭代模块,用于获取初始参数并将其作为输入参数;执行迭代进程,用以根据所述输入参数构建反映所述综合数据和所述期望数据之间对应关系的迭代模型,并对所述迭代模型进行最大值处理获得用于调整所述衰减函数的输出参数;
模型判断模块,用于执行判断进程,用以识别出收敛的输出参数并将所述迭代模型设为成熟模型,或将未收敛的输出参数作为输入参数并执行所述迭代进程。
为实现上述目的,本发明还提供一种计算机设备,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机设备的处理器执行所述计算机程序时实现上述预测模型构建方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述可读存储介质上存储有计算机程序,所述可读存储介质存储的所述计算机程序被处理器执行时实现上述预测模型构建方法的步骤。
本发明提供的预测模型构建方法、装置、计算机设备及可读存储介质,通过从数据库中获取与目标时间对应的维度数据和价值数据,使所述维度数据和所述价值数据以所述目标时间为基点,保证后续对模型的训练是基于某一时间点对应的维度数据和价值数据所进行的,保证了维度数据和价值数据的一致性。
通过获取历史数据,用以丰富训练模型的输入数据,进而保证模型的训练准确度,通过在历史数据中构建衰减函数,用以定义历史数据对期望数据的影响,以进一步的保证训练模型的准确度。
通过迭代进程根据输入参数构建反映综合数据和期望数据之间对应关系的迭代模型,并对迭代模型进行最大值处理获得用于调整衰减函数的输出参数,再通过判断进程识别出收敛的输出参数并将所述迭代模型设为成熟模型,或将未收敛的输出参数作为输入参数并执行所述迭代进程,循环往复直至获得符合训练要求的迭代模型并将所述模型作为成熟模型,由于成熟模型中的衰减函数的自变量是根据综合数据和期望数据不断迭代所获得的,因此,所述成熟模型将能够根据所述综合数据准确的获得期望数据,其充分考虑了综合数据中历史数据对期望数据的影响,因此保证了成熟模型的预测准确度。
附图说明
图1为本发明预测模型构建方法实施例一的流程图;
图2为本发明预测模型构建方法实施例二中预测模型构建方法的环境应用示意图;
图3是本发明预测模型构建方法实施例二中预测模型构建方法的具体方法流程图;
图4为本发明预测模型构建装置实施例三的程序模块示意图;
图5为本发明计算机设备实施例四中计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明提供的预测模型构建方法、装置、计算机设备及可读存储介质,适用于人工智能的机器学习技术领域,为提供一种基于数据输入模块、衰减构建模块、模型迭代模块、模型判断模块的预测模型构建方法。本发明通过接收控制端发送的目标时间,根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据;在所述历史数据中构建衰减函数,并将所述当前数据和具有所述衰减函数的历史数据整合成综合数据;获取初始参数并将其作为输入参数;执行迭代进程,用以根据所述输入参数构建反映所述综合数据和所述期望数据之间对应关系的迭代模型,并对所述迭代模型进行最大值处理获得用于调整所述衰减函数的输出参数;执行判断进程,用以识别出收敛的输出参数并将所述迭代模型设为成熟模型,或将未收敛的输出参数作为输入参数并执行所述迭代进程。
实施例一:
请参阅图1,本实施例的一种预测模型构建方法,包括:
S102:接收控制端发送的目标时间,根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据;其中,所述目标时间是用于确定所述当前数据、所述历史数据和所述期望数据对应时间的基准时间点,所述当前数据表征了所述数据库对应基金在所述目标时间下的属性,所述历史数据表征了所述数据库对应基金在所述目标时间之前的属性,所述期望数据表征了所述数据库对应基金在所述目标时间之后的价值;
S103:在所述历史数据中构建衰减函数,并将所述当前数据和具有所述衰减函数的历史数据整合成综合数据;其中,所述衰减函数中具有衰减参数,其作为所述衰减函数的自变量用以调整所述历史数据对所述期望数据的影响程度;
S104:获取初始参数并将其作为输入参数;执行迭代进程,用以根据所述输入参数构建反映所述综合数据和所述期望数据之间对应关系的迭代模型,并对所述迭代模型进行最大值处理获得用于调整所述衰减函数的输出参数;
S105:执行判断进程,用以识别出收敛的输出参数并将所述迭代模型设为成熟模型,或将未收敛的输出参数作为输入参数并执行所述迭代进程。
在示例性的实施例中,通过从数据库中获取与目标时间对应的维度数据和价值数据,使所述维度数据和所述价值数据以所述目标时间为基点,保证后续对机器学习模型的训练是基于某一时间点对应的维度数据和价值数据所进行的,保证了维度数据和价值数据的一致性。由于不仅当前数据会对所述期望数据造成影响,在所述目标时间之前的历史数据也会对所述期望数据造成影响,因此,本步骤通过获取历史数据,用以丰富训练机器学习模型的输入数据,进而保证机器学习模型的训练准确度。又由于相比于当前数据,所述历史数据对期望数据的影响是较弱的,因此,通过在历史数据中构建衰减函数,用以定义历史数据对期望数据的影响,以进一步的保证训练机器学习模型的准确度。
通过迭代进程的输入参数首先对衰减函数进行赋值得到初始化的衰减因子,此时,通过衰减函数反映历史数据的影响程度的综合数据,将转为具有确定值的衰减因子反映历史数据影响程度的输入数据,进而构建出反映所述输入数据和所述期望数据之间对应关系的迭代模型;通过对所述迭代模型进行最大值处理,获得用于调整所述衰减函数的输出参数,并通过所述输出函数对所述迭代模型进行迭代,并且,采用对输出参数是否收敛的方式对迭代模型成熟与否进行判断,而如果当前获得的输出函数没有收敛,则将所述输出参数作为输入参数,并执行所述迭代进程,用以获得新的输入数据对迭代模型进行再次迭代。按照上述过程循环往复直至获得符合训练要求的机器学习模型,并将所述机器学习模型作为成熟模型,由于成熟模型中的衰减函数的自变量是根据综合数据和期望数据不断迭代所获得的,因此,所述成熟模型将能够根据所述综合数据准确的获得期望数据,其充分考虑了综合数据中历史数据对期望数据的影响,因此保证了成熟模型的预测准确度。
实施例二:
本实施例为上述实施例一的一种具体应用场景,通过本实施例,能够更加清楚、具体地阐述本发明所提供的方法。
下面,以在运行有预测模型构建方法的服务器中,在所述历史数据中构建衰减函数并将其与当前数据整合成综合数据,通过迭代进程和判断进程根据综合数据构建迭代模型并对其进行持续迭代获得成熟模型为例,来对本实施例提供的方法进行具体说明。需要说明的是,本实施例只是示例性的,并不限制本发明实施例所保护的范围。
图2示意性示出了根据本申请实施例二的预测模型构建方法的环境应用示意图。
在示例性的实施例中,预测模型构建方法所在的服务器2通过网络分别连接数据库3和控制端4;所述服务器2可以通过一个或多个网络提供服务,网络可以包括各种网络设备,例如路由器,交换机,多路复用器,集线器,调制解调器,网桥,中继器,防火墙,代理设备和/或等等。网络可以包括物理链路,例如同轴电缆链路,双绞线电缆链路,光纤链路,它们的组合和/或类似物。网络3可以包括无线链路,例如蜂窝链路,卫星链路,Wi-Fi链路和/或类似物;所述控制端4可为智能手机、平板电脑、笔记本电脑、台式电脑等计算机设备。
图3是本发明一个实施例提供的一种预测模型构建方法的具体方法流程图,该方法具体包括步骤S201至S205。
S201:根据预置的维度规则对数据库中的基本信息进行分类得到维度数据,在所述维度数据中插入时间戳;根据预置的未来期限和所述时间戳构建未来时间区间,从所述数据库中获取生成时间处于所述未来时间区间的价值信息,通过预置的价值规则计算所述价值信息得到所述时间戳的价值数据。
本步骤中,所述数据库中保存有某一基金的基本信息和价值信息,众所周知,所述基本信息和所述价值信息通常是不区分维度的编辑,且难以定量化的,因此,本步骤通过维度规则对基本信息进行维度分类,再对分类后的基本信息进行定量化处理得到维度数据用于为后续模型的构建和迭代提供数据基础。
同时,直接表现在数据库中的价值信息通常是没有挖掘价值的,为更深入的挖掘出基金的深度价值,本步骤通过价值规则对基金的价值信息进行计算,得到相比于表象的价值信息更加深入的价值数据。
于本实施例中,至少提供一个未来时间区间,用于获取所述时间戳在未来的至少一个未来时间区间内的价值信息,进而获得至少一个所述未来时间区间的价值数据,以便于训练机器学习模型预测未来几个时间段的价值数据的技术效果,扩大了机器学习模型的预测范围和适用范围。
在一个优选的实施例中,所述根据预置的维度规则对数据库中的基本信息进行分类得到维度数据,包括:
S11:提取数据库中的基本信息,并提取所述维度规则的维度因子,汇总属于同一维度因子的基本信息得到分类信息;
本步骤中,所述基本信息反映了基金的属性。示例性地,所述基本信息包括基金公司研究团队规模、基金经理流失率、基金经理平均从业年限,基金公司获得的奖励情况统计、在管规模、从业年限、在管基金数目、机构持仓占比变化、平均每户持有份额、个股集中度、行业集中度、风格暴露、过去半年表现超预期的个股占比、近120个交易日胜率、近120个交易日最大回撤、近120个交易日的sharpe值、人口信息、国民生产总值。
所述维度规则通过其中的维度因子对基本信息中的属性进行分类,用于排列所述基本信息以获得能够反映基金真实维度情况的分类信息。示例性地,所述维度规则的维度因子包括:基金公司因子、基金经理因子、基金产品因子、基金持仓因子、基金表现因子、市场环境因子;所述基金公司因子所对应的基本信息包括:基金公司研究团队规模、基金经理流失率、基金经理平均从业年限,基金公司获得的奖励情况统计;基金经理因子所对应的基本信息包括:基金经理维度包括在管规模、从业年限、在管基金数目;基金产品因子所对应的基本信息包括:机构持仓占比变化、平均每户持有份额;基金持仓维度因子所对应的基本信息包括:包括个股集中度、行业集中度、风格暴露、过去半年表现超预期的个股占比;基金表现因子所对应的基本信息包括:过去半年表现超预期的个股占比、近120个交易日胜率、近120个交易日最大回撤、近120个交易日的sharpe值;市场环境因子所对应的基本信息包括:人口信息、国民生产总值。
因此,得到的分类信息如下表所示:
其中,所述基金公司因子、基金经理因子、基金产品因子、基金持仓因子、基金表现因子、市场环境因子所对应的基本信息可根据需要调整。
S12:提取所述分类信息中的数值信息,以所述数值信息为元数值构建数值矩阵并将其作为所述维度数据。
示例性地,从基金公司因子、基金经理因子、基金产品因子、基金持仓因子、基金表现因子、市场环境因子对应的分类信息的数值信息,汇总成为数值矩阵以得到维度数据并记为Xi,因此,获得的维度数据包括:基金公司研究团队规模人数、基金经理流失率数值、基金经理平均从业年限数值、基金公司获得的奖励情况统计数据、在管规模人数、从业年限数值、在管基金数目值、基金产品维度包括机构持仓占比变化值、平均每户持有份额数值、个股集中度参数值、行业集中度参数值、风格暴露映射值、过去半年表现超预期的个股占比值、近120个交易日胜率数值、近120个交易日最大回撤数值、近120个交易日的sharpe值。
在一个优选的实施例中,所述根据预置的未来期限和所述时间戳构建未来时间区间,从所述数据库中获取生成时间处于所述未来时间区间的价值信息,通过预置的价值规则计算所述价值信息得到所述时间戳的价值数据,包括:
S13:将所述数据库中任一时间戳设为价值时间,以所述价值时间为时间下限,并以所述未来期限为时间跨度构建未来时间区间。
本步骤中,可根据需要设置所述未来期限,例如:所述未来期限为六个月,获得的未来时间区间为自价值时间起至未来六个月。
S14:获取所述数据库中价值信息的生成时间,依次将所述生成时间与所述未来时间区间进行比对,并获取生成时间处于所述未来时间区间的价值信息。
本步骤中,依次提取所述数据库中价值信息的生成时间,并通过比对所述未来时间区间和所述生成时间的方式,因此,仅需比对时间即可获得需要的价值信息,提高了目标信息的获取效率。
S15:提取所述价值规则中的价值因子,构建以所述价值因子为自变量和因变量的初始回归模型,提取所述价值信息中与所述价值因子对应的因子信息,将所述因子信息录入所述初始回归模型得到成熟回归模型,将所述成熟回归模型的截距设为所述价值数据。
本步骤中,所述价值规则是用于通过其中的价值因子提取所述价值信息中的因子信息,并根据所述因子信息评价基金价值的计算机规则,例如,基金多因子模型。
通过构建由价值因子作为自变量的初始回归模型,从而实现对基金进行定量分析,以提高分析的准确度,进而避免当前价值规则因对基金进行定性分析造成分析结果不准确的问题出现。
将与所述价值因子对应的因子信息录入所述初始回归模型,以得到能够准确的对基金进行定量分析的成熟回归模型,而将所述成熟回归模型中的截距设为价值数据,用于反映基金除价值因子外的其他价值,所述其他价值是所述基金难以评估,但又客观存在的价值,通常现有技术能够通过某一预设的模型运算基金特定因子的价值,但是无法识别出除所述特定因子之外的其他价值,因此,本步骤通过构建成熟回归模型识别出基金的其他真实价值,有助于对基金未知但客观存在的价值数据进行识别。
示例性地,所述价值数据为基金的alpha值,通常的,所述alpha值在基金场景下通常为评估值,因此准确度不高,而在本步骤中,所述价值因子包括:收益率、市场因子、市值因子、价值因子、动量因子以及行业矩阵,根据所述价值因子构建初始回归模型,所述初始回归模型的目标公式如下所示:
R=a×x+b×y+c×z+d×p+e×q+f
其中,R是收益率、x是市场因子,y是市值因子、z是价值因子、p是动量因子、q是行业矩阵,a,b,c,d,e,f分别为可变参数。将因子信息录入上述目标公式并调整所述可变参数,使所述目标公式成立以获得成熟回归模型。获得所述成熟回归模型的目标公式的截距,所述截距即为alpha因子。
S202:接收控制端发送的目标时间,根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据;其中,所述目标时间是用于确定所述当前数据、所述历史数据和所述期望数据对应时间的基准时间点,所述当前数据表征了所述数据库对应基金在所述目标时间下的属性,所述历史数据表征了所述数据库对应基金在所述目标时间之前的属性,所述期望数据表征了所述数据库对应基金在所述目标时间之后的价值。
由于用于构建模型的当前数据和期望数据应当是从同一时间点出发生成的,也就是说,作为基金未来表现的期望数据,应当是以当前数据的时间戳为基点的,只有这样,才能保证训练出来的预测模型的可靠性,不然,会因训练样本的时间基点不一致或混乱,导致训练出来的预测模型预测不准确;因此,本步骤通过从数据库中获取与目标时间对应的维度数据和价值数据,使所述维度数据和所述价值数据以所述目标时间为基点,保证后续对机器学习模型是以某一时间点为出发点,对与其对应的维度数据和价值数据进行训练,保证了维度数据和价值数据的一致性。
由于不仅当前数据会对所述期望数据造成影响,在所述目标时间之前的历史数据也会对所述期望数据造成影响,因此,本步骤通过构建历史时间区间,将处于其中的维度数据作为所述历史数据的方式,用以丰富训练机器学习模型的输入数据,进而保证机器学习模型的训练准确度。
在一个优选的实施例中,所述根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据的步骤,包括:
S21:从数据库中获取与所述目标时间对应的维度数据和价值数据,并将所述维度数据设为所述目标时间的当前数据,及将所述价值数据设为所述目标时间的期望数据。
S22:根据预置的历史期限和所述目标时间构建历史时间区间,从数据库中获取时间戳处于所述历史时间区间的维度数据,并将所述维度数据设为所述目标时间的历史数据。
于本实施例中,以目标时间为时间上限,以所述历史期间为时间跨度构建历史时间区间,用于对处于不同未来时间区间内的维度数据进行差别管理,用以更精准的区分不同历史期间的历史数据对期望数据的影响。
示例性地,所述目标时间为2020年-6月的维度数据,假设历史期限为4月,那么,将时间戳分别为2020年-2月、2020年-3月、2020年-4月、2020年-5月的时间戳所对应的维度数据设为历史数据。
S203:在所述历史数据中构建衰减函数,并将所述当前数据和具有所述衰减函数的历史数据整合成综合数据;其中,所述衰减函数中具有衰减参数,其作为所述衰减函数的自变量用以调整所述历史数据对所述期望数据的影响程度。
由于相比于当前数据,所述历史数据对期望数据的影响是较弱的,因此,通过在历史数据中构建衰减函数,用以定义历史数据对期望数据的影响,以进一步的保证训练机器学习模型的准确度。
在一个优选的实施例中,所述将所述当前数据和具有所述衰减函数的历史数据整合成综合数据的步骤,包括:
S31:在所述历史数据中设置反映所述历史数据与所述目标时间之间时间间隔的间隔系数。
S32:将所述历史数据和所述当前数据汇总成数据矩阵得到所述综合数据。
示例性地,设历史数据对当前数据与期望数据之间的影响呈指数衰减,衰减的参数为γ,γ将有待于使用历史数据进行估计,包含的前期因子信息的合成因子为X′
其中,Xi,t-s是指第i个基金,在目标时间为t,且所述间隔系数为s时的历史数据,当s=0时,Xi,t-s表示的是当前数据;X′i,t是指第i个基金在目标时间为t时的综合数据。
S204:获取初始参数并将其作为输入参数;执行迭代进程,用以根据所述输入参数构建反映所述综合数据和所述期望数据之间对应关系的迭代模型,并对所述迭代模型进行最大值处理获得用于调整所述衰减函数的输出参数。
由于只定义衰减函数,或者定义确定的衰减值,是无法反映历史数据对期望数据的真实影响的,因此,本步骤通过迭代进程输入参数先对衰减函数进行赋值得到初始化的衰减因子,此时,仅通过衰减函数反映历史数据的影响程度的综合数据,将转为具有确定值的衰减因子反映历史数据影响程度的输入数据,构建所述输入数据和所述期望数据之间对应关系的迭代模型,此时,所述迭代模型将构建出所述当前数据和以所述衰减因子为权重的历史数据,与所述期望数据之间的目标函数。基于上述举例,所述迭代模型的目标函数记为alpha=f(X’)。
但是,众所周知,当前数据和历史数据通常是离散化的,因此,构建出的迭代模型往往难以准确的描述出所述综合数据与所述期望数据之间的函数关系,即:无法根据所述综合数据通过所述迭代模型准确的得到与所述期望数据相同或相近的计算结果。这种情况出现的原因在于衰减因子选择的不准确,因此,本步骤通过对所述迭代模型进行最大值处理获得用于调整所述衰减函数的输出参数,用于对所述迭代模型进行迭代。
在一个优选的实施例中,所述执行迭代进程的步骤,包括:
S41:根据所述输入参数运算所述衰减函数得到衰减因子,使所述综合数据转为具有所述衰减因子的输入数据,其中,所述衰减因子反映了所述历史数据影响所述期望数据的影响程度。
本步骤中,所述输入参数用于对衰减函数的自变量进行赋值,并运算所述衰减函数得到衰减因子。
S42:将所述输入数据和所述期望数据录入预置的机器学习模型,用以构建反映所述综合数据和所述期望数据之间对应关系的迭代模型。
本步骤中,通过所述机器学习模型运算所述输入数据和所述期望数据得到迭代模型,所述迭代模型用于反映所述综合数据和所述期望数据之间对应关系;其中,所述机器学习模型是一种模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能的计算机算法;
于本实施例中,所述机器学习模型为梯度提升树决策树模型,所述梯度提升决策树模型(GBDT,Gradient Boosting Decision Tree)是是为了解决一般损失函数的优化问题,用损失函数的负梯度在当前模型的值来模拟回归问题中残差的近似值的机器学习模型。
S43:以所述衰减参数作为自变量对所述迭代模型进行最大值处理,用以获得所述迭代模型在得到最大值时所述自变量的数值,将所述数值作为输出参数。
本步骤中,以所述衰减参数作为自变量对所述目标函数进行最大值处理,也就是将得到的迭代模型的目标函数中,已经被赋值的衰减因子再次转为衰减函数,并以衰减参数作为自变量对目标函数进行求导,将所述目标函数在最大值下所述自变量的数值作为输出参数。
所述输出参数是用于再次对衰减函数中的衰减参数进行赋值,进而得到新的迭代模型的数值,其目的在于,让获得的迭代模型的目标函数能够更加准确的描述所述输入数据与所述期望数据之间的函数关系,即:作为自变量的输入函数,能够通过所述目标函数得到与所述期望数据相同或相近的计算结果。
进一步地,所述以所述衰减参数作为自变量对所述迭代模型进行最大值处理的步骤,包括:
S43-1:将所述迭代模型中的衰减因子转为具有所述衰减参数的衰减函数。
S43-2:通过预置的EM算法对所述迭代模型对所述迭代模型进行最大似然估计,实现对所述迭代模型进行最大值处理,获得用于调整所述衰减函数的输出参数,其中,所述EM算法是一种用以含有隐变量的概率模型参数的极大似然估计,或极大后验概率估计的迭代算法。
本步骤中,通过所述EM算法,计算当迭代模型中衰减因子再次转变为自变量时,所述迭代模型的最大值,并将所述迭代模型处于所述最大值时,所述衰减函数的衰减参数的值设为输出参数。
S205:执行判断进程,用以识别出收敛的输出参数并将所述迭代模型设为成熟模型,或将未收敛的输出参数作为输入参数并执行所述迭代进程。
在不断对所述迭代模型进行迭代的过程中,需要识别出能够准确的描述出所述综合数据与所述期望数据之间的函数关系的迭代模型,本步骤采用对输出参数是否收敛的方式对迭代模型成熟与否进行判断,而如果当前获得的输出函数没有收敛,则将所述输出参数作为输入参数,并执行所述迭代进程,用以获得新的输入数据对迭代模型进行再次迭代。按照上述过程循环往复直至获得符合训练要求的机器学习模型,并将所述机器学习模型作为成熟模型,由于成熟模型中的衰减函数的自变量是根据综合数据和期望数据不断迭代所获得的,因此,所述成熟模型将能够根据所述综合数据准确的获得期望数据,保证了模型的预测准确度。
在一个优选的实施例中,所述执行判断进程的步骤,包括:
S51:计算所述输出参数和输入参数的差值。
S52:判断所述差值是否小于或等于预置的迭代阈值。
S53:若是,则将所述输出参数判定为收敛,并将所述迭代模型设为成熟模型。
S54:若否,则将所述输出参数判定为未收敛,及将所述输出参数作为输入参数并执行所述迭代进程。
于本实施例中,所述迭代阈值为用于判定所述输出参数是否为收敛的标准,因此,可由开发人员自行设置。
优选的,所述将所述迭代模型设为成熟模型之后,所述方法还包括:
将判定为收敛的所述输出参数上传至区块链中。
需要说明的是,基于输出参数得到对应的摘要信息,具体来说,摘要信息由输出参数进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证输出参数是否被篡改。本示例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。
实施例三:
请参阅图4,本实施例的一种预测模型构建装置1,包括:
数据输入模块12,用于接收控制端发送的目标时间,根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据;其中,所述当前数据表征了所述数据库对应基金在所述目标时间下的属性,所述历史数据表征了所述数据库对应基金在所述目标时间之前的属性,所述期望数据表征了所述数据库对应基金在所述目标时间之后的价值;
衰减构建模块13,用于在所述历史数据中构建衰减函数,并将所述当前数据和具有所述衰减函数的历史数据整合成综合数据;其中,所述衰减函数中具有衰减参数,其作为所述衰减函数的自变量用以调整所述历史数据对所述期望数据的影响程度;
模型迭代模块14,用于获取初始参数并将其作为输入参数;执行迭代进程,用以根据所述输入参数构建反映所述综合数据和所述期望数据之间对应关系的迭代模型,并对所述迭代模型进行最大值处理获得用于调整所述衰减函数的输出参数;
模型判断模块15,用于执行判断进程,用以识别出收敛的输出参数并将所述迭代模型设为成熟模型,或将未收敛的输出参数作为输入参数并执行所述迭代进程。
可选的,所述预测模型构建装置1还包括:
数据管理模块11,用于根据预置的维度规则对数据库中的基本信息进行分类得到维度数据,在所述维度数据中插入时间戳;根据预置的未来期限和所述时间戳构建未来时间区间,从所述数据库中获取生成时间处于所述未来时间区间的价值信息,通过预置的价值规则计算所述价值信息得到所述时间戳的价值数据。
可选的,所述数据管理模块11还包括:
维度汇总单元111,用于提取数据库中的基本信息,并提取所述维度规则的维度因子,汇总属于同一维度因子的基本信息得到分类信息;
维度矩阵单元112,用于提取所述分类信息中的数值信息,以所述数值信息为元数值构建数值矩阵并将其作为所述维度数据;
未来时间单元113,用于将所述数据库中任一时间戳设为价值时间,以所述价值时间为时间下限,并以所述未来期限为时间跨度构建未来时间区间;
未来信息单元114,用于获取所述数据库中价值信息的生成时间,依次将所述生成时间与所述未来时间区间进行比对,并获取生成时间处于所述未来时间区间的价值信息;
价值计算单元115,用于提取所述价值规则中的价值因子,构建以所述价值因子为自变量和因变量的初始回归模型,提取所述价值信息中与所述价值因子对应的因子信息,将所述因子信息录入所述初始回归模型得到成熟回归模型,将所述成熟回归模型的截距设为所述价值数据。
可选的,所述数据输入模块12还包括:
当前期望单元121,用于从数据库中获取与所述目标时间对应的维度数据和价值数据,并将所述维度数据设为所述目标时间的当前数据,及将所述价值数据设为所述目标时间的期望数据;
历史数据单元122,用于根据预置的历史期限和所述目标时间构建历史时间区间,从数据库中获取时间戳处于所述历史时间区间的维度数据,并将所述维度数据设为所述目标时间的历史数据。
可选的,所述衰减构建模块13还包括:
系数制定单元131,用于在所述历史数据中设置反映所述历史数据与所述目标时间之间时间间隔的间隔系数;
数据汇总单元132,用于将所述历史数据和所述当前数据汇总成数据矩阵得到所述综合数据。
可选的,所述模型迭代模块14还包括:
衰减计算单元141,用于根据所述输入参数运算所述衰减函数得到衰减因子,使所述综合数据转为具有所述衰减因子的输入数据,其中,所述衰减因子反映了所述历史数据影响所述期望数据的影响程度。
模型构建单元142,用于将所述输入数据和所述期望数据录入预置的机器学习模型,用以构建反映所述综合数据和所述期望数据之间对应关系的迭代模型;
最大值处理单元143,用于以所述衰减参数作为自变量对所述迭代模型进行最大值处理,用以获得所述迭代模型在得到最大值时所述自变量的数值,将所述数值作为输出参数。
可选的,所述最大值处理单元143还包括:
参数转换子单元1431,用于将所述迭代模型中的衰减因子转为具有所述衰减参数的衰减函数;
最大计算子单元1432,用于通过预置的EM算法对所述迭代模型对所述迭代模型进行最大似然估计,实现对所述迭代模型进行最大值处理,获得用于调整所述衰减函数的输出参数。
可选的,所述模型判断模块15还包括:
差值计算单元151,用于计算所述输出参数和输入参数的差值;
差值判断单元152,用于判断所述差值是否小于或等于预置的迭代阈值;
收敛判定单元153,用于将所述输出参数判定为收敛,并将所述迭代模型设为成熟模型;
未收敛判定单元154,用于将所述输出参数判定为未收敛,及将所述输出参数作为输入参数并执行所述迭代进程。
本技术方案应用于人工智能的智能决策领域,通过根据目标时间从预置的数据库中获取当前数据、历史数据和期望数据;在历史数据中构建衰减函数,并将当前数据和具有衰减函数的历史数据整合成综合数据;获取初始参数并将其作为输入参数;执行迭代进程和判断进程,用以根据输入参数构建反映综合数据和期望数据之间对应关系的迭代模型,并对迭代模型进行最大值处理获得用于调整衰减函数的输出参数,再识别出收敛的输出参数并将迭代模型设为成熟模型;其中,所述迭代模型是基于机器学习模型所构建的计算机智能模型。
实施例四:
为实现上述目的,本发明还提供一种计算机设备5,实施例三的预测模型构建装置的组成部分可分散于不同的计算机设备中,计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器51、处理器52,如图5所示。需要指出的是,图5仅示出了具有组件-的计算机设备,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。
本实施例中,存储器51(即可读存储介质)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,存储器51可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器51也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器51通常用于存储安装于计算机设备的操作系统和各类应用软件,例如实施例三的预测模型构建装置的程序代码等。此外,存储器51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。
处理器52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52通常用于控制计算机设备的总体操作。本实施例中,处理器52用于运行存储器51中存储的程序代码或者处理数据,例如运行预测模型构建装置,以实现实施例一和实施例二的预测模型构建方法。
实施例五:
为实现上述目的,本发明还提供一种计算机可读存储介质,如闪存、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、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器52执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现所述预测模型构建方法的计算机程序,被处理器52执行时实现实施例一和实施例二的预测模型构建方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种预测模型构建方法,其特征在于,包括:
接收控制端发送的目标时间,根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据;其中,所述目标时间是用于确定所述当前数据、所述历史数据和所述期望数据对应时间的基准时间点,所述当前数据表征了所述数据库对应基金在所述目标时间下的属性,所述历史数据表征了所述数据库对应基金在所述目标时间之前的属性,所述期望数据表征了所述数据库对应基金在所述目标时间之后的价值;
在所述历史数据中构建衰减函数,并将所述当前数据和具有所述衰减函数的历史数据整合成综合数据;其中,所述衰减函数中具有衰减参数,其作为所述衰减函数的自变量用以调整所述历史数据对所述期望数据的影响程度;
获取初始参数并将其作为输入参数;执行迭代进程,用以根据所述输入参数构建反映所述综合数据和所述期望数据之间对应关系的迭代模型,并对所述迭代模型进行最大值处理获得用于调整所述衰减函数的输出参数;
执行判断进程,用以识别出收敛的输出参数并将所述迭代模型设为成熟模型,或将未收敛的输出参数作为输入参数并执行所述迭代进程。
2.根据权利要求1所述的预测模型构建方法,其特征在于,所述接收控制端发送的目标时间之前,所述方法还包括:
根据预置的维度规则对数据库中的基本信息进行分类得到维度数据,在所述维度数据中插入时间戳;根据预置的未来期限和所述时间戳构建未来时间区间,从所述数据库中获取生成时间处于所述未来时间区间的价值信息,通过预置的价值规则计算所述价值信息得到所述时间戳的价值数据。
3.根据权利要求1所述的预测模型构建方法,其特征在于,所述根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据的步骤,包括:
从数据库中获取与所述目标时间对应的维度数据和价值数据,并将所述维度数据设为所述目标时间的当前数据,及将所述价值数据设为所述目标时间的期望数据;
根据预置的历史期限和所述目标时间构建历史时间区间,从数据库中获取时间戳处于所述历史时间区间的维度数据,并将所述维度数据设为所述目标时间的历史数据。
4.根据权利要求1所述的预测模型构建方法,其特征在于,所述将所述当前数据和具有所述衰减函数的历史数据整合成综合数据的步骤,包括:
在所述历史数据中设置反映所述历史数据与所述目标时间之间时间间隔的间隔系数;
将所述历史数据和所述当前数据汇总成数据矩阵得到所述综合数据。
5.根据权利要求1所述的预测模型构建方法,其特征在于,所述执行迭代进程的步骤,包括:
根据所述输入参数运算所述衰减函数得到衰减因子,使所述综合数据转为具有所述衰减因子的输入数据,其中,所述衰减因子反映了所述历史数据影响所述期望数据的影响程度;
将所述输入数据和所述期望数据录入预置的机器学习模型,用以构建反映所述综合数据和所述期望数据之间对应关系的迭代模型;
以所述衰减参数作为自变量对所述迭代模型进行最大值处理,用以获得所述迭代模型在得到最大值时所述自变量的数值,将所述数值作为输出参数。
6.根据权利要求5所述的预测模型构建方法,其特征在于,所述以所述衰减参数作为自变量对所述迭代模型进行最大值处理的步骤,包括:
将所述迭代模型中的衰减因子转为具有所述衰减参数的衰减函数;
通过预置的EM算法对所述迭代模型对所述迭代模型进行最大似然估计,实现对所述迭代模型进行最大值处理,获得用于调整所述衰减函数的输出参数。
7.根据权利要求1所述的预测模型构建方法,其特征在于,所述执行判断进程的步骤,包括:
计算所述输出参数和输入参数的差值;
判断所述差值是否小于或等于预置的迭代阈值;
若是,则将所述输出参数判定为收敛,并将所述迭代模型设为成熟模型;
若否,则将所述输出参数判定为未收敛,及将所述输出参数作为输入参数并执行所述迭代进程;
所述将所述迭代模型设为成熟模型之后,所述方法还包括:
将判定为收敛的所述输出参数上传至区块链中。
8.一种预测模型构建装置,其特征在于,包括:
数据输入模块,用于接收控制端发送的目标时间,根据所述目标时间从预置的数据库中获取当前数据、历史数据和期望数据;其中,所述当前数据表征了所述数据库对应基金在所述目标时间下的属性,所述历史数据表征了所述数据库对应基金在所述目标时间之前的属性,所述期望数据表征了所述数据库对应基金在所述目标时间之后的价值;
衰减构建模块,用于在所述历史数据中构建衰减函数,并将所述当前数据和具有所述衰减函数的历史数据整合成综合数据;其中,所述衰减函数中具有衰减参数,其作为所述衰减函数的自变量用以调整所述历史数据对所述期望数据的影响程度;
模型迭代模块,用于获取初始参数并将其作为输入参数;执行迭代进程,用以根据所述输入参数构建反映所述综合数据和所述期望数据之间对应关系的迭代模型,并对所述迭代模型进行最大值处理获得用于调整所述衰减函数的输出参数;
模型判断模块,用于执行判断进程,用以识别出收敛的输出参数并将所述迭代模型设为成熟模型,或将未收敛的输出参数作为输入参数并执行所述迭代进程。
9.一种计算机设备,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机设备的处理器执行所述计算机程序时实现权利要求1至7任一项所述预测模型构建方法的步骤。
10.一种计算机可读存储介质,所述可读存储介质上存储有计算机程序,其特征在于,所述可读存储介质存储的所述计算机程序被处理器执行时实现权利要求1至7任一项所述预测模型构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110691190.6A CN113420887B (zh) | 2021-06-22 | 2021-06-22 | 预测模型构建方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110691190.6A CN113420887B (zh) | 2021-06-22 | 2021-06-22 | 预测模型构建方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420887A true CN113420887A (zh) | 2021-09-21 |
CN113420887B CN113420887B (zh) | 2024-04-05 |
Family
ID=77789849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110691190.6A Active CN113420887B (zh) | 2021-06-22 | 2021-06-22 | 预测模型构建方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420887B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548523A (zh) * | 2022-01-26 | 2022-05-27 | 深圳市傲天科技股份有限公司 | 用户观影信息预测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN111444956A (zh) * | 2020-03-25 | 2020-07-24 | 平安科技(深圳)有限公司 | 低负载信息预测方法、装置、计算机系统及可读存储介质 |
-
2021
- 2021-06-22 CN CN202110691190.6A patent/CN113420887B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN111444956A (zh) * | 2020-03-25 | 2020-07-24 | 平安科技(深圳)有限公司 | 低负载信息预测方法、装置、计算机系统及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548523A (zh) * | 2022-01-26 | 2022-05-27 | 深圳市傲天科技股份有限公司 | 用户观影信息预测方法、装置、设备及存储介质 |
CN114548523B (zh) * | 2022-01-26 | 2023-11-07 | 深圳市傲天科技股份有限公司 | 用户观影信息预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113420887B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Talagala et al. | Meta-learning how to forecast time series | |
Shahiduzzaman et al. | Information technology and its changing roles to economic growth and productivity in Australia | |
US10191968B2 (en) | Automated data analysis | |
EP2988230A1 (en) | Data processing method and computer system | |
CN112465011B (zh) | 基于项目研发过程的项目风险预测方法和系统 | |
CN110502538B (zh) | 画像标签生成逻辑映射的方法、系统、设备及存储介质 | |
CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
Vauhkonen et al. | Selecting the trees to be harvested based on the relative value growth of the remaining trees | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN113420887B (zh) | 预测模型构建方法、装置、计算机设备及可读存储介质 | |
Ilkhani et al. | Extraction test cases by using data mining; reducing the cost of testing | |
Xu et al. | Copula-based high dimensional cross-market dependence modeling | |
CN116235158A (zh) | 实施自动化特征工程的系统和方法 | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN115034278A (zh) | 性能指标异常检测方法、装置、电子设备和存储介质 | |
CN111831817A (zh) | 问卷生成分析方法、装置、计算机设备及可读存储介质 | |
CN109615018B (zh) | 用户个性化行为评价方法、装置、计算机设备和存储介质 | |
CN113779116B (zh) | 对象排序方法、相关设备及介质 | |
CN114913008A (zh) | 基于决策树的债券价值分析方法、装置、设备及存储介质 | |
Gonzales et al. | Distance Metric Recommendation for k-Means Clustering: A Meta-Learning Approach | |
CN112528662A (zh) | 基于元学习的实体类别识别方法、装置、设备和存储介质 | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
Wirawan et al. | Application of data mining to prediction of timeliness graduation of students (a case study) | |
CN117216490B (zh) | 一种智能大数据采集系统 | |
CN113064597B (zh) | 一种冗余代码的识别方法、装置和设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |