CN113837424A - 基于滤波的数据预测方法、装置、设备及存储介质 - Google Patents
基于滤波的数据预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113837424A CN113837424A CN202010594924.4A CN202010594924A CN113837424A CN 113837424 A CN113837424 A CN 113837424A CN 202010594924 A CN202010594924 A CN 202010594924A CN 113837424 A CN113837424 A CN 113837424A
- Authority
- CN
- China
- Prior art keywords
- data
- processed
- prediction
- noise ratio
- signal
- 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"
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种基于滤波的数据预测方法、装置、设备及存储介质,涉及数据预测技术领域。该方法包括:获取采集的待处理数据;根据预设滤波算法,获取所述待处理数据的信噪比;根据所述信噪比确定所述待处理数据是否为可用数据;若所述待处理数据为可用数据,则根据所述待处理数据进行预测,获取预测结果。相对于现有技术,实现了专门针对待处理数据进行筛选,筛选认为可用后再进行预测,提升了数据预测结果的准确性、并提升了预测可信度,减少预测所需要的时间和算力。
Description
技术领域
本申请涉及数据预测技术领域,具体而言,涉及一种基于滤波的数据预测方法、装置、设备及存储介质。
背景技术
使用人工智能技术对大数据进行分析预测需要提升预测准确性,以获取更多的收益。例如在金融、保险等行业,数据预测应用更为广泛。
现有技术的预测过程中,通常在获取到大量待预测数据后,根据预设预测方法对待预测数据进行实时预测。
但是这样的预测方式由于是直接采用待预测数据进行预测的,不区分数据自身是否可以预测,导致获取的预测结果准确性和可信度不高。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种基于滤波的数据预测方法、装置、设备及存储介质,以解决现有技术中直接采用待预测数据进行预测的,由于待预测数据中的一些不可预测数据,导致最终获取的预测结果准确性和可信度不高的问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请一实施例提供了一种基于滤波的数据预测方法,所述方法包括:
获取采集的待处理数据;
根据预设滤波算法,获取所述待处理数据的信噪比;
根据所述信噪比确定所述待处理数据是否为可用数据;
若所述待处理数据为可用数据,则根据所述待处理数据获取预测结果。
可选地,所述根据预设滤波算法,获取所述待处理数据的信噪比之前,所述方法还包括:
根据预设划分规则,对采集到的初始数据进行划分,得到至少一组所述待处理数据。
可选地,所述根据预设划分规则,对采集到的初始数据进行划分,得到至少一组所述待处理数据,包括:
根据预设时间段以及所述初始数据的产生时间,对采集到的初始数据进行划分,得到至少一组所述待处理数据。
可选地,所述预设滤波算法为根据样本数据和预设函数训练获取,其中,所述样本数据包括:历史数据对应的实际结果、以及根据所述历史数据获取的预测结果。
可选地,所述预设函数包括下述至少一种函数:线性函数、决策树、神经网络、决策树、机器学习、人工智能算法。
可选地,所述根据所述信噪比确定所述待处理数据是否为可用数据,包括:
若所述信噪比大于预设阈值,则确定所述待处理数据可用于预测;
若所述信噪比小于预设阈值,则确定所述待处理数据不可用于预测。
可选地,所述待处理数据包括下述一项或多项:股票价格、股票收益率、股票涨跌幅,股票舆情数据、财务数据、股票相关产业链、价值链、另类数据;所述预测结果包括下述一项或多项:预测收益率、相对预设基准的收益率、组合收益率。
第二方面,本申请另一实施例提供了一种基于滤波的数据预测装置,所述装置包括:获取模块和确定模块,其中:
所述获取模块,用于获取采集的待处理数据;
所述获取模块,具体用于根据预设滤波算法,获取所述待处理数据的信噪比;
所述确定模块,用于根据所述信噪比确定所述待处理数据是否为可用数据;
所述确定模块,具体用于若所述待处理数据为可用数据,则根据所述待处理数据获取预测结果。
可选地,所述装置还包括:划分模块,用于根据预设划分规则,对采集到的初始数据进行划分,得到至少一组所述待处理数据。
可选地,所述划分模块,具体用于根据预设时间段以及所述初始数据的产生时间,对采集到的初始数据进行划分,得到至少一组所述待处理数据。
可选地,所述预设函数包括下述至少一种函数:线性函数、决策树、神经网络、机器学习、人工智能算法。
可选地,所述确定模块,具体用于若所述信噪比大于预设阈值,则确定所述待处理数据可用于预测;
若所述信噪比小于预设阈值,则确定所述待处理数据不可用于预测。
第三方面,本申请另一实施例提供了一种基于滤波的数据预测设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当基于滤波的数据预测设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如上述第一方面任一所述方法的步骤。
第四方面,本申请另一实施例提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述第一方面任一所述方法的步骤。
本申请的有益效果是:采用本申请提供的基于滤波的数据预测方法,通过获取采集的待处理数据后,根据预设滤波算法计算待处理数据对应的信噪比,随后根据信噪比确定待处理数据是否为可用于预测的数据,仅对可用于预测的数据进行预测,并获取预测结果,这样的处理方式由于仅对可用于预测的数据进行预测,实现了先对待处理数据进行筛选,筛选认为可用于预测后再进行预测,提升了数据预测结果的准确性、并提升了预测可信度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请一实施例提供的基于滤波的数据预测方法的流程示意图;
图2为本申请另一实施例提供的基于滤波的数据预测方法的流程示意图;
图3为本申请另一实施例提供的基于滤波的数据预测方法的流程示意图;
图4为本申请一实施例提供的基于滤波的数据预测装置的结构示意图;
图5为本申请另一实施例提供的基于滤波的数据预测装置的结构示意图;
图6为本申请一实施例提供的基于滤波的数据预测设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
为了使得本领域技术人员能够使用本申请内容,可以应用于各种基于数据的预测场景,即先采集大量的数据,再结合相关的算法,预测获取结果。可选地,结合特定应用场景:股票场景为例,给出以下实施方式。应当理解,具体应用场景并不以股票场景为限,任意需要对数据进行预测的场景均可采用本申请提供的方法,具体场景设置本申请在此不做任何限制,对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
值得注意的是,在本申请提出之前,现有的数据预测方法一般是直接将获取到的初始数据放入预测函数或预测网络中,并获取基于初始数据的预测结果,但是这样的预测方式不仅仅是由于初始数据没有经过任何筛选,数据质量无法保证,可能存在初始数据中包括大量无效数据或错误数据的情况;更是因为正确的数据本身在某些区间具有随机特性,无法帮助预测,采用这些初始数据直接进行预测,会导致预测结果的准确度和可信度低。
例如在证券投资领域使用大数据、人工智能技术对于上市公司股票价格或者收益率的预测。很多情况下,某些阶段或者区间股票价格或者股票收益率本身是随机噪声,不可预测。如果把这些数据纳入人工智能模型进行训练,不但不会提升预测的准确性,反倒会降低预测的准确度,消耗大量计算时间和算力,得到不可靠的结果,产生不可控的投资风险。
为了解决现有技术中存在的问题,本申请提供了一种基于滤波的数据预测方法,可以通过对采集的待处理数据分析计算,确定待处理数据的信噪比,选择信噪比满足要求的待处理数据为可用数据,基于可用数据进行数据预测,并确定预测结果,来提高了预测结果的准确性和可信度。
如下结合多个具体的应用示例,对本申请实施例所提供的基于滤波的数据预测方法进行解释说明。图1为本申请一实施例提供的一种基于滤波的数据预测方法的流程示意图,该方法的执行主体可以是计算机、服务器等具备数据处理功能的设备,本申请实施例不作限制。如图1所示,该方法包括:
S101:获取采集的待处理数据。
在本申请的下述实施例中,以该方法应用于股票场景下为例进行说明,该应用场景对应的待处理数据可以包括下述一项或多项:股票价格、股票收益率、股票涨跌幅、股票舆情数据、财务数据、股票相关产业链、价值链、另类数据等信息。需要说明的是,另类数据可以指多样化(结构化、非结构化)、变化(不断更新、变化速度快)的数据,其数据来源、涵盖范围复杂,且不断更新,具体内容可以根据实际应用场景确定,例如可以是大数据。
也可以应用于保险场景,该待处理数据可以包括下述一项或多项:保单价格、保险收益率等。但是具体待处理数据的具体内容可以根据应用场景的不同而灵活调整,并不以上述实施例给出的为限,本申请提出的方法可以应用于任何需要对数据进行预测的场景,在此不做任何限制。
可选地,这些待处理数据可以从网络爬取,也可以由相关服务平台提供。例如股票数据可以由股票服务机构提供,又例如保险数据可以由保险公司的数据平台获取等。
S102:根据预设滤波算法,获取待处理数据的信噪比。
可选地,预设滤波算法可以为采用过滤器filter进行数据过滤,用于对待处理数据的信噪比进行监控。其中,信噪比是用于评价待处理数据可信度的一个重要参数,一般信噪比越高说明当前数据的可信度越高,信噪比越低说明当前数据的可信度越低,如果信噪比低于一定阈值,可能就是噪声参数,会对预测结果造成干扰。
在本申请的另一实施例中,也可以根据预设滤波算法获取待处理数据的随机性衡量指标,例如可以为:根据预设滤波算法获取待处理数据的单位根检测(augmentedDickey-Fuller test,ADF)结果;应当理解具体根据预设滤波算法获取的数据可以根据用户需要确定,并不以上述实施例给出的为限,本申请在此不做任何限制。
也即,基于信噪比较高的数据进行预测得到的预测结果相对准确,对应的,基于信噪比较低的数据进行预测得到的预测结果偏差较大,准确度较低。
S103:根据信噪比确定待处理数据是否为可用数据。
可选地,可用数据为可用于预测的数据,确定待处理数据是否为可用数据的方法可以为:在获取到待处理数据的信噪比后,根据预设信噪比阈值,判断各待处理数据的信噪比大小是否大于或等于预设信噪比阈值,若大于或等于预设信噪比阈值,则说明待处理数据为可用数据,若小于预设信噪比阈值,则说明待处理数据为不可用数据;或者还可以为:判断所有待处理数据的平均信噪比大小是否大于预设信噪比阈值,若当前待处理数据的平均信噪比大于或等于预设信噪比阈值,则说明当前所有待处理数据均为可用数据,若当前待处理数据的平均信噪比小于预设信噪比阈值,则说明当前所有待处理数据均为不可用数据,具体确定待处理数据是否为可用数据的方法可以根据用户需要灵活调整,并不以上述实施例给出的为限。
若待处理数据为可用数据,则执行S104。
S104:根据待处理数据获取预测结果。
示例地,在股票场景下,预测结果可以包括下述一项或多项:预测收益率、相对预设基准的收益率、组合收益率,其中,预设基准可以指沪深300指数,中证500指数,银行板块指数等,但不以此为限。组合收益率可以指多只股票的收益率、或者一篮子股票的收益率等。
例如,当前待处理数据对应的股票的预测收益率或期望收益率,是指如果没有发生意外事件,根据当前待处理数据所预测的可以得到的收益率,由于进行预测的数据为经过筛选的可用待处理数据,因此得到的预测结果更加准确,更有参考性,但是具体预测结果的类型根据当前应用场景和待处理数据的类型确定,并不以上述实施例给出的为限。
需要说明的是,对信噪比判断合格的待处理数据进行预测,使得预测的数据仅为信噪比满足要求的数据,防止信噪比不满足要求的数据对预测结果造成影响,使得预测结果不准确的问题。
需要说明的是,具体预测的算法或模型可以是预先配置的,本申请在此不作限制。
采用本申请提供的基于滤波的数据预测方法,通过获取采集的待处理数据后,根据预设滤波算法计算待处理数据对应的信噪比,随后根据信噪比确定待处理数据是否为可用于预测的数据,仅对可用于预测的数据进行预测,并获取预测结果,这样的处理方式中采用可用于预测的数据进行预测,实现了先对待处理数据进行筛选,筛选认为可用于预测后再进行预测,提升了数据预测结果的准确性、并提升了预测可信度。
可选的,在上述实施例的基础上,本申请实施例还可提供一种基于滤波的数据预测方法,如下结合附图进行说明。图2为本申请另一实施例提供的基于滤波的数据预测方法的流程示意图,如图2所示,S101之前,该方法还包括:
S105:根据预设划分规则,对采集到的初始数据进行划分,得到至少一组待处理数据。
在本申请的一个实施例中,采集初始数据的规则可以为,每天的某一预设时间触发采集操作,采集预设时间之前预设时间范围内的所有数据,例如可以采集预设时间之前24小时内的所有数据为初始数据,进而根据预设划分规则对采集到的初始数据进行划分。
具体划分规则可以为:根据预设时间段以及初始数据的产生时间,对采集到的初始数据进行划分,得到至少一组待处理数据,例如:以每小时为预设时间段对数据进行划分;或每2小时为预设时间段对数据进行划分;或每半天为预设时间段对数据进行划分。
或者,划分规则也可以为:根据初始数据的产生时间、数据类型,对初始数据进行划分。数据类型可以包括:价格数据、增益数据等,可以根据不同应用场景灵活划分数据类型。例如:对每个预设时间段中,不同类型的数据进行划分。
具体初始数据的采集规则,以及对初始数据的划分规则可以根据用户需要灵活调整,并不以上述实施例给出的为限。
可选地,在本申请的一个实施例中,预设滤波算法可以为经过机器学习后得到的,例如可以是根据样本数据和预设函数训练获取,其中,样本数据包括:历史数据对应的实际结果、以及根据历史数据获取的预测结果。
也即可以先采集或收集一定时间段的历史数据,并获取这些历史数据当时对应的实际结果,进而再讲历史数据代入预设函数训练,可以得到预测结果,将预测结果和实际结果比较,如果不满足收敛条件就对预设函数进行调整后继续训练,直到满足条件后获取上述预设滤波算法。
信噪比计算举例说明:(1)预设滤波函数,可以是一个函数f2(例如求平方和函数),求预测结果与实际结果之间的平方和,对该平方和开平方再进行归一化处理实际值,得到信噪比;(2)对数据进行随机性检验,如傅里叶变换,单根测试,差分单根测试,神经网络辅助随机性检验等方法计算信噪比。
在一些可能的实施例中,预设函数包括下述至少一种函数:线性函数、神经网络、决策树、神经网络、机器学习、人工智能算法,不同函数的计算原理不同,可以根据实际需求进行选择,在此不作限制。
可选的,在上述实施例的基础上,本申请实施例还可提供一种基于滤波的数据预测方法,如下结合附图进行说明。图3为本申请另一实施例提供的基于滤波的数据预测方法的流程示意图,如图3所示,S103可包括:
S106:判断信噪比是否大于预设阈值。
若信噪比大于预设阈值,则执行S107a:确定待处理数据可用于预测。
若信噪比大于预设阈值,则说明当前待处理数据的可信度大于预设可信度阈值,即根据该数据进行预测,得到的预测结果相对准确,可信度相对较高,因此确定该待处理数据可用。
若信噪比小于预设阈值,则执行S107b:确定待处理数据不可用于预测。
若信噪比小于预设阈值,则说明当前待处理数据的可信度小于预设可信度阈值,即根据该数据进行预测,得到的预测结果相对不准确,可信度相对较低,可能存在预测结果与实际结果偏差较大的情况,因此确定该待处理数据不可用。
举例说明,若当前根据预设时间段及初始数据的产生时间,对采集到的初始数据进行划分,得到T1、T2两个时间段的数据,经过预设滤波算法,分别获取T1和T2的信噪比,根据预设信噪比阈值与各信噪比的对比之后,确定T1对应的待处理数据为可预测数据,T2对应的待处理数据为不可预测数据,设预设函数的输入参数为股票价格和股票收益率,输出结果为预测收益率,则T1时刻各数据对应的股票价格和股票收益率可以对预测收益率进行预测;而T2时刻各数据对应的股票价格和股票收益率不可以对预测收益率进行预测。
采用本申请提供的基于滤波的数据预测方法,通过获取采集的待处理数据后,根据预设滤波算法计算待处理数据对应的信噪比,随后根据信噪比和预设阈值,确定待处理数据是否为可预测数据,仅对大于预设阈值的可用数据进行预测,并获取预测结果,这样的处理方式由于通过信噪比对数据是否可用进行了筛选,并且仅对筛选后的可用数据进行预测,所以避免了直接对所有初始数据进行预测,由于初始数据中一些不可用数据对预测结果的影响,导致获取的预测结果准确性不高的问题。
下述结合附图对本申请所提供的基于滤波的数据预测装置进行解释说明,该基于滤波的数据预测装置可执行上述图1-图3任一基于滤波的数据预测方法,其具体实现以及有益效果参照上述,如下不再赘述。
图4为本申请一实施例提供的基于滤波的数据预测装置的结构示意图,如图4所示,该装置包括:获取模块201和确定模块202,其中:
获取模块201,用于获取采集的待处理数据。
获取模块201,具体用于根据预设滤波算法,获取待处理数据的信噪比。
确定模块202,用于根据信噪比确定待处理数据是否为可用数据。
确定模块202,具体用于若待处理数据为可用数据,则根据待处理数据获取预测结果。
图5为本申请另一实施例提供的基于滤波的数据预测装置的结构示意图,如图5所示,该装置还包括:划分模块203,用于根据预设划分规则,对采集到的初始数据进行划分,得到至少一组待处理数据。
可选地,划分模块203,具体用于根据预设时间段以及初始数据的产生时间,对采集到的初始数据进行划分,得到至少一组待处理数据。
可选地,所述预设函数包括下述至少一种函数:线性函数、决策树、神经网络、机器学习、人工智能算法。
可选地,确定模块202,具体用于若信噪比大于预设阈值,则确定待处理数据可用于预测;若信噪比小于预设阈值,则确定待处理数据不可用于预测。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图6为本申请一实施例提供的基于滤波的数据预测设备的结构示意图,该基于滤波的数据预测设备可以集成于终端设备或者终端设备的芯片。
如图6所示,该基于滤波的数据预测设备包括:处理器501、存储介质502和总线503。
处理器501用于存储程序,处理器501调用存储介质502存储的程序,以执行上述图1-图3对应的方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本申请还提供一种程序产品,例如存储介质,该存储介质上存储有计算机程序,包括程序,该程序在被处理器运行时执行上述方法对应的实施例。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于滤波的数据预测方法,其特征在于,所述方法包括:
获取采集的待处理数据;
根据预设滤波算法,获取所述待处理数据的信噪比;
根据所述信噪比确定所述待处理数据是否为可用数据;
若所述待处理数据为可用数据,则根据所述待处理数据获取预测结果。
2.如权利要求1所述的方法,其特征在于,所述根据预设滤波算法,获取所述待处理数据的信噪比之前,所述方法还包括:
根据预设划分规则,对采集到的初始数据进行划分,得到至少一组所述待处理数据。
3.如权利要求2所述的方法,其特征在于,所述根据预设划分规则,对采集到的初始数据进行划分,得到至少一组所述待处理数据,包括:
根据预设时间段以及所述初始数据的产生时间,对采集到的初始数据进行划分,得到至少一组所述待处理数据。
4.如权利要求1所述的方法,其特征在于,所述预设滤波算法为根据样本数据和预设函数训练获取,其中,所述样本数据包括:历史数据对应的实际结果、以及根据所述历史数据获取的预测结果。
5.如权利要求4所述的方法,其特征在于,所述预设函数包括下述至少一种函数:线性函数、决策树、神经网络、机器学习、人工智能算法。
6.如权利要求1所述的方法,其特征在于,所述根据所述信噪比确定所述待处理数据是否为可用数据,包括:
若所述信噪比大于预设阈值,则确定所述待处理数据可用于预测;
若所述信噪比小于预设阈值,则确定所述待处理数据不可用于预测。
7.如权利要求1-6任一项所述的方法,其特征在于,所述待处理数据包括下述一项或多项:股票价格、股票收益率、股票涨跌幅、股票舆情数据、财务数据、股票相关产业链、价值链、另类数据;所述预测结果包括下述一项或多项:预测收益率、相对预设基准的收益率、组合收益率。
8.一种基于滤波的数据预测装置,其特征在于,所述装置包括:获取模块和确定模块,其中:
所述获取模块,用于获取采集的待处理数据;
所述获取模块,具体用于根据预设滤波算法,获取所述待处理数据的信噪比;
所述确定模块,用于根据所述信噪比确定所述待处理数据是否为可用数据;
所述确定模块,具体用于若所述待处理数据为可用数据,则根据所述待处理数据获取预测结果。
9.一种基于滤波的数据预测设备,其特征在于,所述设备包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当基于滤波的数据预测设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行上述权利要求1-7任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594924.4A CN113837424A (zh) | 2020-06-24 | 2020-06-24 | 基于滤波的数据预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594924.4A CN113837424A (zh) | 2020-06-24 | 2020-06-24 | 基于滤波的数据预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837424A true CN113837424A (zh) | 2021-12-24 |
Family
ID=78965042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010594924.4A Pending CN113837424A (zh) | 2020-06-24 | 2020-06-24 | 基于滤波的数据预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837424A (zh) |
-
2020
- 2020-06-24 CN CN202010594924.4A patent/CN113837424A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034244B (zh) | 基于电量曲线特征模型的线损异常诊断方法及装置 | |
CN109859052B (zh) | 一种投资策略的智能推荐方法、装置、存储介质和服务器 | |
CN110795324B (zh) | 一种数据处理方法及装置 | |
Scherger et al. | The OWA distance operator and its application in business failure | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN107871213B (zh) | 一种交易行为评价方法、装置、服务器以及存储介质 | |
CN116186017B (zh) | 一种大数据协同监管方法及平台 | |
CN113835947A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
CN113065234A (zh) | 一种智能电表的批次可靠性风险等级评估方法及系统 | |
CN112686423A (zh) | 基于机器学习的信托产品收益率预测方法及装置 | |
CN114938339B (zh) | 一种数据处理方法和相关装置 | |
CN113837424A (zh) | 基于滤波的数据预测方法、装置、设备及存储介质 | |
CN114358734A (zh) | 一种项目资金概预算管控方法及系统 | |
Novotny et al. | Price jump indicators: Stock market empirics during the crisis | |
CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 | |
CN111897852A (zh) | 异常数据的确定方法、装置、电子设备及可读存储介质 | |
CN116108086B (zh) | 一种时序数据的评估方法、装置、电子设备及存储介质 | |
CN115718672B (zh) | 应用异常检测方法及装置 | |
Teggi et al. | AIOPS Prediction for server stability based on ARIMA model | |
Subhan et al. | THE INFLUENCE OF ECONOMIC FACTORS ON THE STOCK PRICE OF KIMIA FARMA COMPANIES ON THE INDONESIAN STOCK EXCHANGE | |
CN114064441B (zh) | 一种日志异常检测方法、装置及设备 | |
CN111985380B (zh) | 轴承退化过程状态监测方法、系统、设备及存储介质 | |
CN108182486A (zh) | 空间负荷预测方法及装置 | |
CN118313885A (zh) | 商户评价方法、装置、设备、存储介质及程序产品 |
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 |