CN113902158A - 一种信息生成方法、装置、存储介质及电子设备 - Google Patents
一种信息生成方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113902158A CN113902158A CN202011593259.3A CN202011593259A CN113902158A CN 113902158 A CN113902158 A CN 113902158A CN 202011593259 A CN202011593259 A CN 202011593259A CN 113902158 A CN113902158 A CN 113902158A
- Authority
- CN
- China
- Prior art keywords
- preset
- information
- month
- variable
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 124
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000018199 S phase Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种信息生成方法、装置、存储介质及电子设备。其中方法包括:获取预设变量在待预测月的取值;基于待预测月的信息发布状态确定滤波方式,基于所述滤波方式对所述预设变量的取值进行滤波处理;基于预先建立的信息预测模型对滤波结果进行处理,得到所述待预测月的月度预测信息,其中,所述信息预测模型是预先对预设变量的历史取值进行机器学习得到的,用于表征所述预设变量与月度预测信息对应关系的模型。通过机器学习模型的预测形式替代了月度预测信息的核算过程,简化了月度预测信息的确定过程并提高了月度预测信息的确定效率,弥补了季度经济数据和年度经济数据的可使用性低的问题。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种信息生成方法、装置、存储介质及电子设备。
背景技术
经济数据是衡量国家经济状况的重要指标,但是对于某些经济数据,发布季度数据和年度数据的较多。季度数据和年度数据在进行一些数据分析时,可使用性较低。
在实施现有技术中的内容时,发明人发现现有技术中至少存在以下技术问题:按照季度数据和年度数据进行月度经济数据的整理,需要大量的数据核算和统计,耗费时间较多,并且数据处理量较大。
发明内容
本发明提供一种信息生成方法、装置、存储介质及电子设备,以实现对月度经济数据的预测。
第一方面,本发明实施例提供了一种信息生成方法,包括:
获取预设变量在待预测月的取值;
基于待预测月的信息发布状态确定滤波方式,基于所述滤波方式对所述预设变量的取值进行滤波处理;
基于预先建立的信息预测模型对滤波结果进行处理,得到所述待预测月的月度预测信息,其中,所述信息预测模型是预先对预设变量的历史取值进行机器学习得到的,用于表征所述预设变量与月度预测信息对应关系的模型。
第二方面,本发明实施例还提供了一种信息生成装置,包括:
变量取值获取模块,用于获取预设变量在待预测月的取值;
滤波处理模块,用于基于待预测月的信息发布状态确定滤波方式,基于所述滤波方式对所述预设变量的取值进行滤波处理;
信息预测模块,用于基于预先建立的信息预测模型对滤波结果进行处理,得到所述待预测月的月度预测信息,其中,所述信息预测模型是预先对预设变量的历史取值进行机器学习得到的,用于表征所述预设变量与月度预测信息对应关系的模型。
第三方面,本发明实施例还提供了第三方面,本发明实施例提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的信息生成方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的信息生成方法。
本发明实施例提供的技术方案,通过确定影响预测信息的预设变量以及具有预测功能的信息预测模型,对预设变量在待预测月的取值进行滤波处理后,基于信息预测模型进行处理得到月度预测信息。通过机器学习模型的预测形式替代了月度预测信息的核算过程,简化了月度预测信息的确定过程并提高了月度预测信息的确定效率,进一步的,通过上述方式确定的月度预测信息为月度经济数据,弥补了季度经济数据和年度经济数据的可使用性低的问题。
附图说明
图1为本发明实施例一提供的一种信息生成方法的流程示意图;
图2是本发明实施例提供的经济数据的展示示例图;
图3是本发明实施例二提供的一种信息生成方法的流程示意;
图4是本发明实施例提供的待训练参数的迭代训练过程的示意图;
图5是本发明实施例三提供的一种信息生成装置的结构示意图;
图6为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种信息生成方法的流程示意图,本实施例可适用于对月度经济数据进行预测情况,该方法可以由本发明实施例提供的信息生成装置来执行,该装置可通过软件和/或硬件的方式实现,该装置可集成于诸如计算机或者服务器等的电子设备中。该方法具体包括如下步骤:
S110、获取预设变量在待预测月的取值。
S120、基于待预测月的信息发布状态确定滤波方式,基于所述滤波方式对所述预设变量的取值进行滤波处理。
S130、基于预先建立的信息预测模型对滤波结果进行处理,得到所述待预测月的月度预测信息,其中,所述信息预测模型是基于预设变量的历史取值进行机器学习得到的,用于表征所述预设变量与月度预测信息对应关系的模型。
由于经济数据核算的复杂性导致通过核算方式确定月度经济数据的过程存在计算量大以及耗时长的问题。本实施例中,通过预先确定的用于预测月度预测信息的预设变量以及预先建立的信息预测模型进行信息预测,得到待预测月对应的信息,该预设变量可以是对预测的信息(例如经济数据)产生影响的变量,替代了信息确定的计算、统计等处理方式,简化了信息确定过程,提高了信息确定效率。
所谓信息预测模型为机器学习模型,基于预设变量的历史取值以及对应的历史信息训练得到,具有信息预测的功能。其中,信息预测模型的信息预测功能基于预测需求和学习过程确定,月度预测信息可以包括但不限于月度经济数据。可选的,经济数据为按照标准价格确定的任一区域内常驻单位在预设时间段内生产活动的经济成果数据,例如可以是GDP数据,相应的,用于预测月度经济数据的信息预测模型可以是月度GDP预测模型,通过影响月度经济数据的预设变量的历史取值以及历史发布的季度数据或年度数据训练得到,可用于表征上述预设变量与月度经济数据对应关系的模型。需要说明的是,信息预测模型还可以是深度学习神经网络等其他机器学习模型,可通过预设变量的历史取值以及对应的历史信息进行端对端的训练方式学习得到,此处不对机器学习模型的类型进行限定。
本实施例中,预设变量的类型和数量可以是基于历史经验确定,还可以是通过对预测信息对应的历史信息、历史信息对应的多个变量分析得到。获取各预设变量在待预测月的取值,其中,各预设变量的取值可以是不同形式,示例性的,预设变量的取值可以是数值、数值组合或者数据矩阵等,可根据预设变量的需求确定。
可选的,不同预设变量的取值的获取方式可以不同,例如可以是但不限于如下方式:直接通过设备采集获取、机构发布数据中获取、通过历史数据预测获取、对采集数据或发布数据进行提取得到。
以月度经济数据的预测为例,预设变量包括预设可观测变量和预设隐变量,预设可观测变量和预设隐变量为预先确定的。其中,预设可观测变量为可发布的经济变量,可标记为xt,t为预设可观测变量的发布期数,通常一月为一期,即xt=(x1,t,x2,tL xn,t)',示例性的,预设可观测变量可以包括但不限于月度中国制造业采购经理指数(PurchasingManagers'Index,PMI)、月度财新中国采购经理指数、月度宏观经济景气指数以及月度规模以上工业增加值。预设隐变量可以是通过分析得到的影响上述各预设可观测变量的共性隐变量,可以标记为ft,该预设隐变量可以是r维因子向量。
可选的,获取预设变量在待预测月的取值包括获取已发布月份的预设可观测变量的数据集合。示例性的,待预测月对应的预设可观测变量的发布期数为T,获取已发布月份的预设可观测变量的数据集合可以为XT或XT-1,其中,当待预测月的预设可观测变量未发布时,获取截止上一月的已发布月份的预设可观测变量的数据集合XT-1,当待预测月的预设可观测变量已发布时,获取截止待预测月的已发布月份的预设可观测变量的数据集合XT。
可选的,获取预设变量在待预测月的取值包括获取历史隐变量,基于预先建立的隐变量预测模型确定所述待预测月的预设隐变量取值,其中,历史隐变量为上一月的预设隐变量的取值,通过隐变量预测模型对上一月的预设隐变量的取值进行预测,确定待预测月的预设隐变量的取值。隐变量预测模型为机器学习模型,用于表征相邻的前一月的预设隐变量的取值与后一月的预设隐变量的取值的对应关系。隐变量预测模型可以是与信息预测模型同步训练得到。
可选的,所述隐变量预测模型中当前月的预设隐变量基于前一月的预设隐变量、隐变量时间序列模型参数以及第二常数项确定。示例性的,隐变量预测模型为:ft=A1ft-1+μt,其中,所述ft为t月(即当前月)的预设隐变量的取值,ft-1为所述t-1月(即前一月)的预设隐变量的取值,所述A1为隐变量时间序列模型参数,所述μt为第二常数项。通过上述隐变量预测模型,可基于上一月的预设隐变量的取值得到当前月的预设隐变量的取值,相应的,预设隐变量的初始取值可以是通过历史季度数据和预设可观测变量的取值分析得到。
本实施例中,在获取预设变量在待预测月的取值后,通过滤波方式对预设变量的取值进行处理,得到该预设变量的滤波结果,即该预测变量的期望数据,进一步通过信息预测模型对预测变量的期望数据进行预测,得到高精度的预测信息。通过对预设变量的取值进行滤波处理,得到满足预设分布状态的期望值,提高信息预测精度。可选的,所述滤波处理为卡尔曼滤波。
以月度经济数据的预测为例,基于所述滤波方式对所述预设变量的取值进行滤波处理,包括:采样所述滤波方式,基于所述预设可观测变量的数据集合对所述预设隐变量的取值进行滤波处理。
可选的,待预测月的信息发布状态包括如下几种情况:数据已发布状态、预设可观测数据已发布且数据未发布状态和预设可观测数据未发布的状态。相应的,滤波方式包括基于滤波分布的滤波方式、基于预测分布的滤波方式和基于平滑分布的滤波方式。本实施例中,在不同的信息发布状态,可获取的预设可观测数据的取值以及后延数据不同,采用不同的滤波方式以提高预设隐变量的期望值的确定精度。
在一些实施例中,基于待预测月的信息发布状态确定滤波方式,包括:当所述待预测月处于数据已发布状态时,确定所述待预测月的滤波方式为基于滤波分布的滤波方式;当所述待预测月为预设可观测数据已发布且数据未发布状态时,确定所述待预测月的滤波方式为基于滤波分布的滤波方式;当所述待预测月处于预设可观测数据未发布的状态时,确定所述待预测月的滤波方式为基于预测分布的滤波方式。需要说明的是,平滑分布、滤波分布、和预测分布均为正态分布。其中,数据已发状态为待预测月的所属季度的季度数据已发布状态或待预测月的所属年度的年度数据已发布状态,数据未发布状态为待预测月的所属季度的季度数据和待预测月的所属年度的年度数据均未发生状态。
可选的,基于预测分布的滤波方式对预设隐变量进行滤波处理得到的滤波结果为:
可选的,基于滤波分布的滤波方式中,t=s,可将预设可观测变量的数据集合分解为(XT-1,xt),因此ft|Xt可分解为ft|(xt,XT-1),通过联合分布条件(xt,ft)|XT-1,进一步基于预测分布和正态分布可确定基于滤波分布的滤波方式对预设隐变量进行滤波处理得到的滤波结果为:
at|t=E[ft|Xt]=E[ft|(xt,XT-1)]=at|t-1+Pt|t-1λ'(λPt|t-1λ'+R)-1(xt-λat|t-1)
其中,λ为可观测变量的风险载荷参数,基于t-1期的预设可观测变量的数据集合对t期的预设隐变量的滤波处理得到的期望为at|t-1,方差为Pt|t-1。其中,在一些实施例中,at|t可记为at。
可选的,基于平滑分布的滤波方式中ft可扩展为ft|(ft+1,Xt),借助联合分布条件(ft,ft+1)|XT,进一步基于预测分布和正态分布可确定基于平滑分布的滤波方式对预设隐变量进行滤波处理得到的滤波结果为:
其中,基于s期的预设可观测变量的数据集合对t期的预设隐变量的滤波处理得到的期望at|s,方差为Pt|t,基于t期的预设可观测变量的数据集合对t+1期的预设隐变量的滤波处理得到的期望为at+1|t,方差的逆矩阵为
通过上述滤波方式针对性的对预设隐变量的取值进行滤波处理,基于信息预测模型对上述滤波结果进行处理,得到预测的月度预测信息。
可选的,所述信息预测模型中月度环比增加率基于预设隐变量、第一风险载荷向量、第一个性化风险因素随机向量以及第一常数项确定。示例性的,信息预测模型为:其中,所述yt为月度环比增长率,μQ为第一常数项,λQ为第一风险载荷向量,为第一个性化风险因素随机向量。
在一些实施例中,基于月度环比增长率与季度增长率的关系,可得到如下预测模型,即其中,yt Q为偶然可观测的季度数据的环比增长率,ft-1和ft-2分别为t-1和t-2期的预设隐变量的取值,和分别为t-1和t-2期的第一性化风险因素随机向量。
基于上述任一信息预测模型对预设隐变量的滤波结果进行处理,可得到月度预测信息,示例性的,当待预测月处于数据已发布状态时,月度预测信息可以是其中,λQ为月度载荷参数,at|T参见基于平滑分布的滤波方式对应的滤波结果at|s,其中s配置为预设可观测变量的当前已公布的期数。
本实施例的技术方案,通过确定影响预测信息的预设变量以及具有预测功能的信息预测模型,对预设变量在待预测月的取值进行滤波处理后,基于信息预测模型进行处理得到月度预测信息。通过机器学习模型的预测形式替代了月度预测信息的核算过程,简化了月度预测信息的确定过程并提高了月度预测信息的确定效率,进一步的,通过上述方式预测月度经济数据弥补了季度经济数据和年度经济数据可使用性低的问题。
上述实施例预测得到的月度预测信息包括月度期望值。在上述技术方案的基础上,在得到所述待预测月的月度预测信息之后,还包括:基于所述预设变量的取值确定所述待预测月的月度方差;基于所述待预测月的月度方差和所述月度期望值,确定预设置信度区间的月度信息预测结果。
本实施例中,对月度预测信息进行月度期望值的点估计,同时还进行预设置信度区间的月度信息预测结果的区间估计,通过预设置信度区间减小预测误差。在一些实施例中,预设置信度区间为月度期望值的90%置信度区间。
示例性的,当待预测月处于数据已发布状态时,待预测月的月度方差为:V[yt|XT]=λQV[ft|XT]λQ'+r=λQPt|TλQ'+r,
其中,Pt|T=V[ft|XT]=E[(ft-at|T)2|XT]=E[E[(ft-at|T)2 t|(ft+1,Xt)]|XT],r为月度个性化风险参数。
当待预测月处于预设可观测数据已发布且数据未发布状态时,待预测月的月度方差为:V[yt|Xt-1]=λQV[ft|Xt]λQ'+r=λQPt|tλQ'+r,
其中,Pt|t=Pt|t-1-Pt|t-1λ'(λPt|t-1λ'+R)-1λPt|t-1。
当待预测月处于预设可观测数据未发布的状态时,待预测月的月度方差为:
V[yt|Xt-1]=λQV[ft|Xt]λQ'+r=λQPt|t-1λQ'+r,
其中,Pt|t-1=V[ft|Xt-1]=E[(ft-at|t-1)2|Xt-1]=E[E[(ft-at|t-1)2 t|(ft+1,Xt)]|Xt-1]。
示例性的,参见图2,图2是本发明实施例提供的经济数据的展示示例图。图2中实线曲线为月度期望值的变化曲线,实线曲线对应扩展出的灰度区间为预设置信度区间的月度信息预测结果。
实施例二
图3是本发明实施例二提供的一种信息生成方法的流程示意,在上述实施例的基础上,增加了信息预测模型的创建以及训练方法。具体的,该方法具体包括:
S210、获取初始预测模型,所述初始预测模型中包括待训练参数。
S220、基于历史可观测数据集对所述待训练参数进行最大期望迭代处理,得到满足最大期望的估计参数,并基于所述估计参数和所述确定所述初始可观测变量预测模型确定所述信息预测模型。
S230、获取预设变量在待预测月的取值。
S240、基于待预测月的信息发布状态确定滤波方式,基于所述滤波方式对所述预设变量的取值进行滤波处理。
S250、基于预先建立的信息预测模型对滤波结果进行处理,得到所述待预测月的月度预测信息。
其中,初始预测模型包括初始可观测变量预测模型、初始隐变量预测模型和初始信息预测模型。初始可观测变量预测模型可以是xt=μ+λft+εt,其中,μ为第三常数项,λ为月度可观测变量的风险载荷参数,εt为第二个性化风险因素随机向量,可以是独立同分布正态随机向量,εt:i.i.dN(0,R)。初始信息预测模型为:其中,yt为月度环比增长率,μQ为第一常数项,λQ为月度载荷参数,为第一个性化风险因素随机向量。初始隐变量预测模型为:ft=A1ft-1+μt,其中,所述ft为t月的预设隐变量,ft-1为所述t-1月的预设隐变量,所述A1为隐变量时间序列模型参数,所述μt为第二常数项,μ:i.i.dN(0,Q)。
其中,上述初始预测模型中的,月度载荷参数λQ、隐变量时间序列模型参数A1均为待训练参数。将经济数据的可观测数据矩阵记为Y=[Y1L YT],由于可观测变量存在缺失情况,实际的可观测数据集将隐变量记为F=[ftL fT],待训练参数记为θ={A1,Q,λQ,λ,R,r},其中,Q为隐变量条件方差协方差矩阵,R为经济变量个性化风险参数,r为月度个性化风险参数。
其中,l(Y,F,θ)为模型的似然函数,L(Y|F;θ)为参数和预设隐变量发生条件下的预设可观测变量极大似然估计函数,L(F;θ)为参数对预设隐变量的极大似然函数,Σ为求和公式。
本实施例中,可以是基于最大期望算法(Expectation Maximization Algorithm,EM)对上述初始预测模型进行训练,得到上述待训练参数的目标估计值,进而确定信息预测参数。
可选的,在基于历史可观测数据集对所述待训练参数进行最大期望迭代处理之前,还包括:基于所述初始可观测变量预测模型的结构,对预设时间段内所述预设可观测变量的历史取值对应的数据集进行主成分分析处理,确定满足阈值条件的至少一个预设隐变量;对所述预设隐变量建立时间序列,基于所述预设可观测变量的历史取值和所述预设隐变量的时间序列确定所述待训练参数的初始值。示例性的,预设时间段可以是发布预设可观测变量的历史时间段。基于预设时间段内所述预设可观测变量的历史取值形成的数据集进行PCA(PrincipalComponents Analysis,主成分分析)处理,基于得到的分析因子FA确定至少一个预设隐变量,该预设隐变量可以是满足预先设置的阈值条件的隐藏因子,阈值条件可以是预先设置的,例如可以是权重大于阈值。
基于确定的至少一个预设隐变量建立时间序列模型,即本实施例中的隐变量预测模型,基于该时间序列模型确定待训练参数进行迭代训练的初始值。相应的,可观测变量预测模型中的待训练参数的初始值可以是通过可观测的月度数据和上诉预设隐变量得到的变量数据估计确定。
在初始预测模型的训练过程中,应用Jensen不等式构造关于联合分布似然函数的隐变量的期望L(θ;q),其中,q为隐变量联合分布函数,当该隐变量的期望L(θ;q)达到全局最优解时,logp(Y;θ)达到局部最优解。示例性的,参见图4,图4是本发明实施例提供的待训练参数的迭代训练过程的示意图。
可选的,基于历史可观测数据集对所述待训练参数进行最大期望迭代处理,得到满足最大期望的估计参数,包括:基于所述待训练参数的初始值确定所述预设隐变量的当前期望值;基于所述当前期望值确定进行最大化估计,得到各待训练参数的当前估计值,将所述当前估计值作为下一迭代的初始值,直到所述预设隐变量的当前期望值满足收敛条件,确定所述待训练参数的目标估计值。
其中,在第k次迭代过程中,将前一次迭代得到的待训练参数的估计值作为当前迭代的初始值θ(k-1),确定预设隐变量的当前期望值。可选的,可以是将当前迭代的初始值θ(k-1)带入隐变量的边际分布中(第一次迭代中应用各待训练参数的初始值),基于隐变量的边际分布更新对数联合分布的期望值,该预设隐变量的当前期望值为:
对上述预设隐变量的当前期望值进行最大化估计,确定当前期望值最大值对应的待训练参数的估计值。具体的,可以是基于拉格朗日条件,上述当前期望值对待训练参数进行求导,确定满足求导为零的待训练参数的值为估计值。
相应的,对于隐变量时间序列模型参数A1的估计值:
对于隐变量条件方差协方差矩阵Q的估计值:
对于月度可观测变量的风险载荷参数λ的估计值:
由于存在月度可观测变量取值确实的情况,基于第一权重矩阵Wt进行修正,第一权重矩阵Wt为对角矩阵,在存在月度可观测变量的取值缺失的行号对角上设置为0,其他对角上设置为1,将可观测变量进行拆分,即进一步的参见可得到:
对于经济变量个性化风险参数R的估计值:
对于月度载荷参数λQ的估计值:
由于季度数据的存在确实的情况,设置第二权重矩阵Vt进行修正,第二权重矩阵Vt为对角矩阵,在存在季度数据的取值缺失的行号对角上设置为0,其他对角上设置为1,将可观测变量进行拆分,即yt Q=Vtyt Q+(1-Vt)yt Q=yt Q(1)+yt Q(2),进一步的参见可得到:
对于月度个性化风险参数r,由于季度数据的存在确实的情况,设置权重矩阵Vt进行修正,权重矩阵Vt为对角矩阵,在存在季度数据的取值缺失的行号对角上设置为0,其他对角上设置为1,将可观测变量进行拆分,即yt Q=Vtyt Q+(1-Vt)yt Q=yt Q(1)+yt Q(2),进一步的参见因此月度个性化风险参数r的估计值可以是:
需要说明的是,上述待练参数中,隐变量对应的随机特征参数(例如期望和方差)可以通过卡尔曼滤波进行处理得到。
通过上述期望最大化的估计方法分别确定的各待训练参数在当前迭代(k次迭代)中的估计值。判断当前迭代是否满足迭代停止条件,即隐变量的当前期望值是否收敛,若是,将当前迭代确定的各待训练参数的估计值确定为目标估计值,得到信息预测模型。相应的,若不满足收敛条件,则将当前迭代确定的各待训练参数的估计值确定为下一次迭代的初始值,循环执行上述训练方式,直到满足收敛条件。
本实施例提供的技术方案,通过最大期望迭代训练方式,对包含多个待想训练参数的初始预测模型进行迭代训练,已得到具有高精度预测功能的信息预测模型。基于该信息预测模型对预设变量进行预测处理,高效确定月度预测信息,简化了月度预测信息的确定过程并提高了月度预测信息的确定效率。
实施例三
图5是本发明实施例三提供的一种信息生成装置的结构示意图,该装置包括:
变量取值获取模块310,用于获取预设变量在待预测月的取值;
滤波处理模块320,用于基于待预测月的信息发布状态确定滤波方式,基于所述滤波方式对所述预设变量的取值进行滤波处理;
信息预测模块330,用于基于预先建立的信息预测模型对滤波结果进行处理,得到所述待预测月的月度预测信息,其中,所述信息预测模型是预先对预设变量的历史取值进行机器学习得到的,用于表征所述预设变量与月度预测信息对应关系的模型。
可选的,所述预设变量包括预设可观测变量和预设隐变量。
可选的,变量取值获取模块310用于:
获取已发布月份的预设可观测变量的数据集合;
获取历史隐变量,基于预先建立的隐变量预测模型确定所述待预测月的预设隐变量取值。
可选的,滤波处理模块320用于:
采样所述滤波方式,基于所述预设可观测变量的数据集合对所述预设隐变量的取值进行滤波处理。
可选的,所述滤波方式包括基于滤波分布的滤波方式、基于预测分布的滤波方式和基于平滑分布的滤波方式。
可选的,滤波处理模块320用于:当所述待预测月处于数据已发布状态时,确定所述待预测月的滤波方式为基于滤波分布的滤波方式;
当所述待预测月为预设可观测数据已发布且数据未发布状态时,确定所述待预测月的滤波方式为基于滤波分布的滤波方式;
当所述待预测月处于预设可观测数据未发布的状态时,确定所述待预测月的滤波方式为基于预测分布的滤波方式。
可选的,所述隐变量预测模型为:ft=A1ft-1+μt,其中,所述ft为t月的预设隐变量的取值,ft-1为所述t-1月的预设隐变量的取值,所述A1为隐变量时间序列模型参数,所述μt为第二常数项。
可选的,所述月度预测信息包括月度期望值。
相应的,该装置还包括:
方差确定模块,用于在得到所述待预测月的月度预测信息之后,基于所述预设变量的取值确定所述待预测月的月度方差;
预测结果确定模块,用于基于所述待预测月的月度方差和所述月度期望值,确定预设置信度区间的月度信息预测结果。
可选的,该装置还包括:
初始模型获取模块,用于获取初始预测模型,其中,所述初始预测模型包括初始可观测变量预测模型、初始隐变量预测模型和初始信息预测模型,所述初始预测模型中包括待训练参数;
迭代训练模块,用于基于历史可观测数据集对所述待训练参数进行最大期望迭代处理,得到满足最大期望的估计参数,并基于所述估计参数和所述确定所述初始可观测变量预测模型确定所述信息预测模型。
可选的,该装置还包括:
隐变量确定模块,用于在基于历史可观测数据集对所述待训练参数进行最大期望迭代处理之前,基于所述初始可观测变量预测模型的结构,对预设时间段内所述预设可观测变量的历史取值对应的数据集进行主成分分析处理,确定满足阈值条件的至少一个预设隐变量;
初始值确定模块,用于对所述预设隐变量建立时间序列,基于所述预设可观测变量的历史取值和所述预设隐变量的时间序列确定所述待训练参数的初始值。
可选的,迭代训练模块用于:
基于所述待训练参数的初始值确定所述预设隐变量的当前期望值;
基于所述当前期望值确定进行最大化估计,得到各待训练参数的当前估计值,将所述当前估计值作为下一迭代的初始值,直到所述预设隐变量的当前期望值满足收敛条件,确定所述待训练参数的目标估计值。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的电子设备12的框图。图6显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担图像分类功能的电子设备。
如图6所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器16,存储装置28,连接不同系统组件(包括存储装置28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块26的程序36,可以存储在例如存储装置28中,这样的程序模块26包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块26通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、摄像头、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储装置28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的信息生成方法。
实施例五
本实施例五提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例所提供的信息生成方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明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计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的信息生成方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种信息生成方法,其特征在于,包括:
获取预设变量在待预测月的取值;
基于待预测月的信息发布状态确定滤波方式,基于所述滤波方式对所述预设变量的取值进行滤波处理,得到滤波结果;
基于预先建立的信息预测模型对所述滤波结果进行处理,得到所述待预测月的月度预测信息,其中,所述信息预测模型是基于所述预设变量的历史取值进行机器学习得到的,用于表征所述预设变量与月度预测信息对应关系的模型。
2.根据权利要求1所述的方法,其特征在于,所述预设变量包括预设可观测变量和预设隐变量,所述获取预设变量在待预测月的取值,包括:
获取已发布月份的预设可观测变量的数据集合;
获取历史隐变量,基于预先建立的隐变量预测模型确定所述待预测月的预设隐变量取值。
3.根据权利要求2所述的方法,其特征在于,所述基于所述滤波方式对所述预设变量的取值进行滤波处理,包括:
采样所述滤波方式,基于所述预设可观测变量的数据集合对所述预设隐变量的取值进行滤波处理。
4.根据权利要求1或3所述的方法,其特征在于,所述滤波方式包括基于滤波分布的滤波方式、基于预测分布的滤波方式和基于平滑分布的滤波方式;
其中,所述基于待预测月的信息发布状态确定滤波方式,包括:
当所述待预测月处于数据已发布状态时,确定所述待预测月的滤波方式为基于滤波分布的滤波方式;
当所述待预测月为预设可观测数据已发布且数据未发布状态时,确定所述待预测月的滤波方式为基于滤波分布的滤波方式;
当所述待预测月处于预设可观测数据未发布的状态时,确定所述待预测月的滤波方式为基于预测分布的滤波方式。
5.根据权利要求1所述的方法,其特征在于,所述信息预测模型中月度环比增加率基于预设隐变量、第一风险载荷向量、第一个性化风险因素随机向量以及第一常数项确定。
6.根据权利要求2所述的方法,其特征在于,所述隐变量预测模型中当前月的预设隐变量基于前一月的预设隐变量、隐变量时间序列模型参数以及第二常数项确定。
7.根据权利要求1所述的方法,其特征在于,所述月度预测信息包括月度期望值;
在得到所述待预测月的月度预测信息之后,还包括:
基于所述预设变量的取值确定所述待预测月的月度方差;
基于所述待预测月的月度方差和所述月度期望值,确定预设置信度区间的月度信息预测结果。
8.根据权利要求1所述的方法,其特征在于,所述信息预测模型的训练方法包括:
获取初始预测模型,其中,所述初始预测模型包括初始可观测变量预测模型、初始隐变量预测模型和初始信息预测模型,所述初始预测模型中包括待训练参数;
基于历史可观测数据集对所述待训练参数进行最大期望迭代处理,得到满足最大期望的估计参数,并基于所述估计参数和所述确定所述初始可观测变量预测模型确定所述信息预测模型。
9.根据权利要求8所述的方法,其特征在于,在基于历史可观测数据集对所述待训练参数进行最大期望迭代处理之前,还包括:
基于所述初始可观测变量预测模型的结构,对预设时间段内预设可观测变量的历史取值对应的数据集进行主成分分析处理,确定满足阈值条件的至少一个预设隐变量;
对所述预设隐变量建立时间序列,基于所述预设可观测变量的历史取值和所述预设隐变量的时间序列确定所述待训练参数的初始值。
10.根据权利要求9所述的方法,其特征在于,所述基于历史可观测数据集对所述待训练参数进行最大期望迭代处理,得到满足最大期望的估计参数,包括:
基于所述待训练参数的初始值确定所述预设隐变量的当前期望值;
基于所述当前期望值确定进行最大化估计,得到各待训练参数的当前估计值,将所述当前估计值作为下一迭代的初始值,直到所述预设隐变量的当前期望值满足收敛条件,确定所述待训练参数的目标估计值。
11.一种信息生成装置,其特征在于,包括:
变量取值获取模块,用于获取预设变量在待预测月的取值;
滤波处理模块,用于基于待预测月的信息发布状态确定滤波方式,基于所述滤波方式对所述预设变量的取值进行滤波处理;
信息预测模块,用于基于预先建立的信息预测模型对滤波结果进行处理,得到所述待预测月的月度预测信息,其中,所述信息预测模型是预先对预设变量的历史取值进行机器学习得到的,用于表征所述预设变量与月度预测信息对应关系的模型。
12.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的信息生成方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10中任一所述的信息生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593259.3A CN113902158A (zh) | 2020-12-29 | 2020-12-29 | 一种信息生成方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593259.3A CN113902158A (zh) | 2020-12-29 | 2020-12-29 | 一种信息生成方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902158A true CN113902158A (zh) | 2022-01-07 |
Family
ID=79186906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011593259.3A Pending CN113902158A (zh) | 2020-12-29 | 2020-12-29 | 一种信息生成方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902158A (zh) |
-
2020
- 2020-12-29 CN CN202011593259.3A patent/CN113902158A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10846643B2 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
US10318874B1 (en) | Selecting forecasting models for time series using state space representations | |
Fulop et al. | Efficient learning via simulation: A marginalized resample-move approach | |
US7765123B2 (en) | Indicating which of forecasting models at different aggregation levels has a better forecast quality | |
CN112633511B (zh) | 用于计算量子配分函数的方法、相关装置及程序产品 | |
US8091073B2 (en) | Scaling instruction intervals to identify collection points for representative instruction traces | |
He et al. | Real time detection of structural breaks in GARCH models | |
Patel et al. | A hybrid CNN-LSTM model for predicting server load in cloud computing | |
Xu et al. | Evolutionary spectral clustering with adaptive forgetting factor | |
US20230325675A1 (en) | Data valuation using reinforcement learning | |
CN110020773A (zh) | 一种数据处理方法、设备及计算机可读介质 | |
US20210357292A1 (en) | Data communication | |
Andreychenko et al. | Distribution approximations for the chemical master equation: comparison of the method of moments and the system size expansion | |
CN112182250A (zh) | 勾稽关系知识图谱的构建方法、财务报表核查方法及装置 | |
Jasra et al. | Multilevel particle filters for Lévy-driven stochastic differential equations | |
Yu | Simulation-based estimation methods for financial time series models | |
Xu et al. | A new active learning method for system reliability analysis with multiple failure modes | |
JP7276482B2 (ja) | ナレッジトレース装置、方法、および、プログラム | |
US9652722B1 (en) | Methods and systems for robust supervised machine learning | |
CN113902158A (zh) | 一种信息生成方法、装置、存储介质及电子设备 | |
CN114944204A (zh) | 用于管理分子预测的方法、装置、设备和介质 | |
CN116185568A (zh) | 一种容器扩容方法、装置、电子设备及存储介质 | |
US11521274B2 (en) | Cost allocation estimation using direct cost vectors and machine learning | |
Amrane et al. | On the use of ensembles of metamodels for estimation of the failure probability | |
CN109460397B (zh) | 数据产出控制方法及装置、存储介质和电子设备 |
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 |