CN113902260A - 信息预测方法、装置、电子设备和介质 - Google Patents
信息预测方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113902260A CN113902260A CN202111076962.1A CN202111076962A CN113902260A CN 113902260 A CN113902260 A CN 113902260A CN 202111076962 A CN202111076962 A CN 202111076962A CN 113902260 A CN113902260 A CN 113902260A
- Authority
- CN
- China
- Prior art keywords
- reference value
- moving average
- data
- ema
- dif
- 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 51
- 238000009499 grossing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 36
- 230000001965 increasing effect Effects 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 17
- 229920006225 ethylene-methyl acrylate Polymers 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 241000677647 Proba Species 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 42
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 30
- 238000004519 manufacturing process Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000003247 decreasing effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 101100309451 Arabidopsis thaliana SAD2 gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000638 stimulation 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种信息预测方法、装置、电子设备和介质。所述方法包括获取预设时间段内的历史数据，根据所述历史数据计算两个相应的指数移动平均值；根据所述指定的指数移动平均值，计算第一参考值；对所述第一参考值进行平滑处理得到第二参考值；基于第一参考值、第二参考值得到第三参考值；基于时间对第一参考值，第二参考值和第三参考值进行分析，从而得到预测结果。基于本发明的信息预测方法，完成了对历史成本进行趋势分析，从数据的客观变化角度进行预测，预测结论可靠、数据安全有保障，并且有助于应用场景决策中自动控制数据增减变化。
Description
技术领域
本发明涉及数据处理领域，具体而言，涉及一种信息预测方法、系统装置和介质。
背景技术
在涉及对数据安全要求更高的生产、经济(包括但不限于金融、资金、股票)等领域的数据处理中，通常采用的分析方式，主要由研究机构依赖人的经验累积、对行业、政策、环境等的了解而对这些数据进行分析处理，预测数据发展趋势，而往往在分析处理过程中，人能力的主观因素、数据信息的分析运用不充分、规律研究透彻等等因素，导致分析处理数据所获得的数据预测结果并不准确，涉及对数据安全需求较高包括对数据风险走向估计准确性需求较高的领域来说，这样的预测分析结果不准确甚至不正确往往伴随着较大风险和安全隐患。
因而，需要一种自动的更准确的信息预测方法。
发明内容
针对现有技术中的上述缺陷，本发明提供了一种信息预测方法、装置、设备和介质的技术方案，旨在解决如何基于历史数据变化预测未来数据变化趋势的技术问题；进一步，解决了如何使用历史数据的转化数据来通过指数平滑异同移动平均先和差离值算法确定MACD的变化状态，以准确预测未来数据变化趋势的技术问题，进而解决如何自动预测以实现智能决策甚至智能的自动数据控制(例如自动依据预测自动增加、减少相应生产和业务数据等)的技术问题。
为了解决上述技术问题，本发明第一方面提出一种信息预测方法，包括如下步骤：基于获取的两个预设时间段内的历史数据所计算的两个相应的指数移动平均值EMA计算第一参考值；根据第一参考值以及对所述第一参考值进行平滑处理所得到第二参考值确定第三参考值；根据分析所述指数移动平均值、第一参考值、第二参考值以及第三参考值，进行预测并输出结果。
根据本发明的一种优选实施例，基于获取的两个预设时间段内的历史数据所计算的两个相应的指数移动平均值EMA计算第一参考值，包括：基于获得的两个预设时间段内的每个时间点的历史数据，计算两个相应的的指数移动平均值EMA；其中，两个预设时间段为用户指定的早于当前时间两个历史时间长度，并且，所述两个历史时间长度的起始点相同而结束点不同；对两个相应的指数移动平均值EMA两者进行差值计算获得所述第一参考值。
根据本发明的一种优选实施例，基于获得的两个预设时间段内的每个时间点的历史数据，计算两个相应的指数移动平均值EMA，具体包括：预先构建指数移动平均值EMA的定义式；基于所述定义式，根据待预测的两个预设时间段的共同起始时间点以及两个不同的结束时间点的历史数据，计算两个所述预设时间段的EMA。
根据本发明的一种优选实施例，基于所述定义式，根据待预测的两个预设时间段的共同起始时间点以及两个不同的结束时间点的历史数据，计算个所述预设时间段的EMA，具体包括：设xn为第n个时间点历史数据，xn-1为第n-1个时间点历史数据，ta、tb分别为两个预设时间段的不同的结束时间点，基于所述定义式计算每个预设时间段的EMA公式为：
对两个相应的指数移动平均值EMA两者进行差值计算获得所述第一参考值，具体包括：所述第一参考值为差离值DIF；将两个所述预设时间段中结束时间点早的EMAta(xn)减去结束时间点晚的EMAtb(xn)得到所述差离值DIF(xn)。
根据本发明的一种优选实施例，对所述第一参考值进行平滑处理所得到第二参考值，具体包括：对所述差离值DIF进行平滑处理得到相应的异同移动平均数DEA，计算公式为：
DEA(xn)＝EMAtΔ[DIF(xn)]；
其中，基于所述定义获得的DEA(xn)，表示所述差离值DIF(xn)对应的时间点tΔ的异同移动平均数；其中，tΔ是两个所述预设时间段中早于两个所述结束时间点的一个时间点；将所述异同移动平均数DEA作为所述第二参考值。
根据本发明的一种优选实施例，根据第一参考值以及对所述第一参考值进行平滑处理所得到第二参考值确定第三参考值，具体包括：基于所述差离值DIF和所述异同移动平均数DEA，通过加权移动均线计算得到指数平滑异同移动平均线MACD，其中，计算公式如下：
MACD(xn)＝[DIF(xn)-DEA(xn)]×2。
其中，MACD(xn)表示对应所述差离值DIF(xn)的指数平滑异同移动平均线。
根据本发明的一种优选实施例，根据分析所述指数移动平均值、第一参考值、第二参考值以及第三参考值，进行预测并输出结果，包括：将计算的待预测的两个预设时间段中的对应两个不同结束时间点的两个指数移动平均值EMA、作为第一参考值的差离值DIF、作为第二参考值的对应所述差离值DIF的异同移动平均数DEA、以及作为第三参考值的对应所述差离值DIF的指数平滑异同移动平均线MACD，输入到已训练的机器学习模型中，进行预测；将预测的信息与阈值比较，确定相应的数据控制结果并输出所述数据控制结果。
根据本发明的一种优选实施例，还包括：所述机器学习模型为XGBOOST算法；对所述机器学习模型进行训练，具体包括：通过分析选择的时间段中历史数据的差离值DIF和异同移动平均数DEA、或者分析选择的时间段中历史数据的指数平滑异同移动平均线MACD、差离值DIF和异同移动平均数DEA，定义正负样本；提取所述正负样本对应的特征数据，所述特征数据至少包括指数移动平均值EMA、差离值DIF、异同移动平均数DEA和指数平滑异同移动平均线MACD；将所述正负样本和对应的特征数据作为训练集和测试集，输入所述机器学习模型进行模型训练，得到已训练的机器学习模型；所述预测为使用函数predict_proba()对输入的两个指数移动平均值EMA、第一参考值、第二参考值以及第三参考值进行预测；所述预测的信息为概率值，所述阈值为从0至1之间选择的概率值；当预测的信息大于阈值时，确定数据控制结果为需要减少；当预测的信息小于阈值时，确定数据控制结果为需要增加。
本发明的第二方面提出一种信息预测装置，包括：第一参考值计算模块，用于基于获取的两个预设时间段内的历史数据所计算的两个相应的指数移动平均值EMA计算第一参考值；第三参考值计算模块，用于根据第一参考值以及对所述第一参考值进行平滑处理所得到第二参考值确定第三参考值；结果输出模块：用于根据分析所述指数移动平均值、第一参考值、第二参考值以及第三参考值，进行预测并输出结果。
本发明的第三方面提出一种电子设备，包括：存储器和处理器，存储器用于存储计算机可执行程序，处理器执行所述存储器中的计算机可执行程序实现所述第一方面的方法的步骤。
本发明的第四方面还提出一种计算机可读介质，所述计算机可读介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现所述第一方面的方法的步骤。
本发明的第五方面还提出一种计算机程序，所属计算机程序被执行时实现所述第一方面的方法的步骤。
基于本发明的信息预测方法，通过历史数据完成了数据变化和/或发展趋势分析处理，提高了信息预测的准确性和正确性，能更有效地保证了数据信息分析和预测安全性、可靠性。
进一步，在对历史数据进行处理中，通过对历史数据中成本信息等进行趋势分析，从客观海量的数据的角度出发，对参考值的变化与成本发展趋势变化完全基于客观数据变化规律进行最终的预测，无需人力和经验因素，使得得到的信息预测结果更正确、准确，进而由于减少了主观干扰，其真实性和可解释性都更符合客观规律，实现了充分使用信息和对信息作出合理预测和解释。
进一步，根据可靠准确的预测结果，可以根据DIF和MACD的阈值实现生产、营销场景下的智能决策，如能够根据阈值智能确定每个阶段业务变化，例：营销投放量级等变化等，从而都能进行合理判断和决定。甚至可以根据准确安全可靠的预测，根据预先确定的匹配预测趋势的生产控制、业务控制的规则智能地完成对应规则的自动数据变化控制(例如：增加或减少对应生产材料的数据量、增加或减少业务处理的数量、增加或减少经营数据等)。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是根据本发明的信息预测方法的一实施例的主要流程示意图；
图2是根据本发明另一实施例的信息预测方法的一实施例的主要流程示意图；
图3是根据本发明的技术方案的另一实施例中以某年1-6月智能营销成本为例自动分析时的DIF、DEA、MACD指标走势示意图；
图4是根据本发明的信息预测装置的一实施例的结构框图；
图5是根据本发明的电子设备的一实施例的结构框图；
图6是根据本发明的计算机可读存储介质的一实施例的结构框图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
下面先对本发明的各个实施例中可能涉及到的技术名词进行说明或解释：
DIF:(Differential value)差离值。差离值是衡量一段时间内数据差异的一种指标。以分析股市数据为例，可以使用差离值做衡量行情变化的信号，比如12日EMA数值减去26日EMA数值；在持续的数据变化趋势比如涨势中，12日EMA在26日EMA之上，其间的正差离值(+DIF)会愈来愈大，反之在比如跌势中，差离值可能变负(-DIF)也愈来愈大。
EMA:(Exponential Moving Average)指数移动平均值。也叫EXPMA指标，是一种趋向类指标，指数移动平均值是以指数式递减加权的移动平均。
DEA:(Difference Exponential Average)指数平滑指标异同移动平均数。
MACD:(Moving Average Convergence and Divergence)指数平滑异同移动平均线。异同移动平均线，是从双指数移动平均线发展而来的，由快的指数移动平均线(例如12日的EMA：EMA12)减去慢的指数移动平均线(例如26日的EMA：EMA26)得到快线DIF；接下来计算DIF的EMA(9日)值DEA，再用2×(快线DIF-DIF的比如9日加权移动均线DEA)得到MACD柱。MACD的变化代表着数据趋势的变化，不同K线级别的MACD代表当前级别周期中的增长、减少/跌落即涨跌趋势。
本发明的技术方案的一个实施例中，具体基于历史数据(例如历史成本、历史股价、销量等)，通过差离值算法快速移动平均线和慢速移动平均线，并以两者平均线的数值测量两者之间的差离值DIF的依据，再求DIF的N周期的平滑移动平均线，更具DIF的值与指数平滑异同平均线的值进行比较，得到预测的数据变化状态(例如成本走势、股价涨跌趋势等)。
本发明的信息预测方案，一切从数据出发，可以从近一个月的历史数据变化中对未来数据变化进行评估和预测，(例如：在生产或营销时的成本变化中对未来成本走势进行预测等)，并完成新的任务(例如：增产成本等)的更新。进一步，基于客观海量的历史数据的分析处理获得的更准确的数据变化预测结果，保证了数据安全可靠，以此数据变化情况为依据，不会因为数据变化的不准确或错误而出现误导所带来严重数据安全风险。
进而，更准确的预测结果，还能够保证后续数据处理和决策更精准，从而能够正确指导生产经营活动比如使得营销等的决策上有更明确的数据指标和更好的可解释性，并为之后的决策如：确定生产或营销场景下业务变化走向等(例：营销中投放任务可以根据每日成本变化的趋势进行变化)。整个大数据处理方案不介入人为参与和判断，依据事实客观数据实现分析预测和判断，能够在更多地方供指导决策，真正的实现智能决策并为各种应用场景比如生产、营销等场景提供基础数据准确性保障，即有效保证提供了安全、客观、可靠、智能化的数据处理基础。
【实施例1】
下面结合图1所示本发明的信息预测方法的一个实施例的流程图，说明本发明的实现。通过该预测方法，可以合理的使用历史数据来预测未来数据变化的状态，进而还可以根据阈值，对数据安全可靠做出相应判断进而在实际业务场景中对是否继续增加业务如投放量级等进行合理的判断。本实施例中包括：
步骤101，获取两个预设时间段内的历史数据，基于所述历史数据计算两个相应的指数移动平均值EMA。
一个实施方式中，所述预设时间段可以由用户根据实际应用场景进行指定。进一步，两个预设时间段为用户指定的早于当前时间两个历史时间长度。进一步，两个时间段的起始时间可以相同，结束时间可以不同。进一步，通过EMA定义式，定义两个时间段的起始时间和两个结束时间的EMA，基于两个时间段中的每个时间点的历史数据计算两个相应的EMA。
具体地以业务数据处理为例，时间段按照需求设置还可以是按预定类型时间点设置。假如两个预设时间段是按天预设的即某天到某天，历史数据可以包括每个时间段内的每天的需要用于计算的业务数据；假如是按小时预设的即几点钟到几点钟，历史数据可以包括每个时间段内的每小时的需要用于计算的业务数据；等等。但一般两个时间段的预定类型时间点是相同的。
计算时，利用两个预设时间段内TA、TB内各自类型时间点对应的业务产生的历史数据，计算相应时间段内的移动平均值，比如TA内的历史数据计算获得第一个指数移动平均值EMA1即EMAta，TB内的历史数据计算获得第二指数移动平均值EMA2即EMAtb。
进一步，计算EMA时，可以通过预先构建定义式：EMA的对序列{xn}定义其截至第n项的周期为N的指数移动平均EMAN(xn)为：
其中，n、k、N均为自然数。
进一步，k取值理论上可以是无穷大，而在实际应用中，k一般是限制在小于等于n的情况。
本发明中具体地，EMA的对序列{xn}定义其截至第n项的周期为N的指数移动平均EMAN(xn)为：
即将k取值限制在n-1，第一个时间点的历史数据与之前时间点的历史数据实际上一样，即前面没有数据。
具体地：时间段开始时间点的EMA的计算：根据定义式，由于x1之前没有数据，两个预设时间段的开始又相同，所以x0＝x-1＝x-2＝…＝x1。
可以得到
EMAN(x1)＝x1
由于两个时间段结束时间点不同，各自的结束时间点的EMA的定义计算：
如TA时间段结束点ta：
如TB时间段结束点tb：
这样可以计算时间段中任何一个时间点xn的历史数据，计算出两个时间段的各自相应的EMA：
设xn为第n个时间点业务历史数据，xn-1为前一个即第n-1个时间点业务历史数据，以tend作为每个时间段的结束点，由此，根据定义式计算的公式为
以前述TA结束于ta、TB结束于tb为例，由此，对应两个预设时间段的ta、tb时间点按照定义式得到的EMA计算公式：
具体以智能营销场景的业务数据为例：在预测时，直接设定一时间段(例第一时间段：1月1日至12日)，获得该时间段的历史数据如每天的成本价格等，并可以对营销成本的移动平均值进行计算，获得一个指数移动平均值(例第一指数移动平均值)，类似的，直接设定另一时间段(例第二时间段：1月1日至26日)，获得该时间段的历史数据如每天的成本价格等，并可以对营销成本的移动平均值进行计算，获得另一个指数移动平均值(例第二指数移动平均值)。
一个实施方式中，计算EMA，以前述营销场景的历史成本价格这类历史数据为例：
构建定义式：EMA的对序列{xn}定义其截至第n项的周期为N的指数移动平均EMAN(xn)为：
从定义式可以看出EMA加权平均的特性。在EMA指标中，每天/每日成本的权重系数以指数等比形式缩小。时间越靠近当今/当前时刻，它的权重越大。说明EMA函数对近期的价格加强了权重比，更能及时反映近期成本价格这类数据的波动情况。实际应用时对k的上限∞可以限定到n-1。
在两个预设时间段相同的开始日的EMA计算：根据定义式，由于x1之前没有数据，所以x0＝x-1＝x-2＝…＝x1。可以得到
EAAN(x1)＝x1
两个时间段结束日的EMA计算：结合前述开始日的计算，定义第12日EMA和第26日EMA分别为：
这样可以计算时间段中任何一日xn成本价格的数据，从而计算出两个时间段的不同的EMA：设xn为第n日成本价，xn-1为第n-1日成本价，所以，
步骤102，根据所述指数移动平均值，计算第一参考值，所述第一参考值为两者之间的差值。
一个实施方式中，可以通过对计算的两个指数移动平均值进行差值计算，确定第一参考值，第一参考值可以是差离值。
承前述TA、TB时间段的例子，得到EMAta和EMAtb，计算DIF值为：EMAta-EMAtb，进一步DIF(xn)＝EMA12(xn)-EMA26(xn)。
具体以智能营销场景为例：承前述两个时间段的情况，12日的指数移动平均值减去26日的指数移动平均值。如表1所示，是某年1-6月份某业务线智能营销成本模拟表，根据1月1日至12日每天的成本价计算得EMA12，再由1月1日至26日每天的成本价计算得EMA26，最后使用EMA12-EMA26公式，计算得到DIF值。
步骤103，对所述第一参考值进行平滑处理得到第二参考值。
一个实施方式中，计算第一参考值例如差离值DIF快线的异同移动平均数DEA，其为慢线指标。其中，平滑处理采用的计算方式类似指数移动平均值。进一步，DEA慢线指标是对DIF指标平滑处理得到的，其表示了DIF快线的异同移动平均数。
承前述例，DEA的计算参考EMA的计算方式，比如，基于差离值DIF通过EMA定义式计算：
DEA(xn)＝EMAtΔ[DIF(xn)]
设xn为第n个时间点业务历史数据，xn-1为第n-1个时间点业务历史数据，即：
其中，tΔ为每个预设的时间段中都存在的一个时间点，表示计算的是DIF(xn)对应的从时间段的开始时间点到该tΔ时间点的时间长度的加权移动均线的DEA(xn)。该tΔ为两个预设时间段中、且均早于两个结束时间点的时间点。
具体以智能营销场景为例：时间段如前述场景例子的12日和26日，计算DIF的9日加权移动平均线DEA，同样DEA9慢线指标是对DIF指标平滑处理得到的，其表示了DIF快线的异同移动平均数。而DEA9的计算方法与EMA的计算方式相类似，基于差离值DIF通过EMA定义式进行计算，具体地，DEA9慢线的计算公式可以为：
DEA(xn)＝EMA9[DIF(xn)]
设xn为第n日成本价，xn-1为第n-1日成本价，即：
步骤104，基于第一参考值和第二参考值确定第三参考值。
一个实施方式中，基于第一参考值例如差离值DIF和第二参考值DEA，通过加权移动均线计算得到MACD即异同移动平均线或者说MACD柱。
承前述例子，从双指数移动平均线得到快的指数移动平均线EMAta减去慢的指数移动平均线EMAtb而得到快线DIF，再通过该DIF-该DIF相应tΔ时间长度的DEA的差值，乘以2，获得指数平滑异同移动平均线MACD柱。MACD的变化能体现数据趋势变化，而K线图就代表着当前级别周期中数据增减/涨跌趋势。
具体例如前述场景应用中，从双指数移动平均线得到，快的指数移动平均线(EMA12)减去慢的指数移动平均线(EMA26)得到快线DIF，再用2×(快线DIF-DIF的9日加权移动均线DEA)得到MACD柱。这样，得到的MACD的变化体现了数据趋势的变化，不同K(日K柱状)线级别的MACD代表当前级别周期中的数据增加或减少的趋势。
指数平滑异同移动平均线的计算公式如下：
MACD(xn)＝[DIF(xn)-DEA(xn)]×2
具体以前述智能营销场景为例，MACD能表现成本价格、股价等的涨跌趋势。MACD的数据变化例子可以参见表1中的营销成本数据计算的指数平滑异同平均数结果MACD列。
步骤105，基于分析所述指数移动平均值、第一参考值，第二参考值和第三参考值，进行预测并输出结果。
具体地，将计算的待预测的两个预设时间段中的对应两个不同结束时间点的两个指数移动平均值EMA、作为第一参考值的差离值DIF、作为第二参考值的对应所述差离值DIF的异同移动平均数DEA、以及作为第三参考值的对应所述差离值DIF的指数平滑异同移动平均线MACD等特征数据，输入到已训练的机器学习模型中，进行预测；将预测的信息与阈值比较，确定相应的数据控制结果并输出所述数据控制结果。所述机器学习模型为XGBOOST算法；所述预测为使用函数predict_proba()对输入的这些特征数据：两个指数移动平均值、第一参考值、第二参考值以及第三参考值进行预测；所述预测的信息为概率值，所述阈值为从0至1之间选择的概率值；当预测的信息大于阈值时，确定数据控制结果为需要减少；当预测的信息小于阈值时，确定数据控制结果为需要增加。进而，还可以自动根据控制显示输出分析图表、趋势图等，甚至直接增加对应的数据量或减少对应的数据量等。
例如：应用于实际业务场景中，能够绘制各种图表展示需求，进而还可以直接实现生产产能、业务监控等从预测到决策的自动控制，比如直接根据该规律按照对应的预定规则投入材料种类和数量控制生产、直接根据该规律按照对应的预定规则增加或减少投入预定数额的成本、增加或减少对应的预定处理单据数量等等。
进一步，通过分析选择的时间段中数据(如相应场景下各种历史数据)的DIF和DEA、或者分析选择的时间段中数据的MACD、DIF和DEA，定义正负样本；提取所述正负样本对应的特征数据，所述特征数据至少包括指数移动平均值EMA、差离值DIF、异同移动平均数DEA和指数平滑异同移动平均线MACD；将所述正负样本和对应的特征数据作为训练集和测试集，输入所述机器学习模型进行模型训练，得到已训练的机器学习模型。
一个实施方式中，基于历史数据计算得到的指数移动平均值EMA、差离值DIF、DIF快线的异同移动平均数DEA以及指数平滑异同移动平均线MACD这些指标，进行分析，按照时间顺序依次绘制相应的预测数据值，形成数据变化的趋势线，进而，输出预测结果并输出控制，例如显示绘制的趋势线或者说数据变化状态图，等等显示输出各种图表。
一个实施方式中，根据历史经验上对上述计算的指标(EMA、DIF、DEA、MACD等)的研判和对实际数据的自动分析。比如分析一段较长的时间Tl内的历史数据过程中：
当该较长时间Tl内某些段时间长度的数据为DIF和DEA均大于0，且DIF和DEA的值在逐渐增大，定义这些时间长度中的数据为正样本，标记为1；
当该较长时间Tl内某些段时间长度的数据为DIF和DEA均小于0，且DIF和DEA的值在逐渐减小，定义这些时间长度中的数据为负样本，标记为0；
当该较长时间Tl内某些段时间长度的数据表现为MACD由正转负，且DIF和DEA的值在逐渐减小，定义这些时间长度中的数据为负样本，标记为0；
当该较长时间Tl内某些段时间长度的数据表现为MACD由负转正，且DIF和DEA的值在逐渐增大，定义这些时间长度中的数据为正样本，标记为1。
定义了正负样本，并对Tl中这些正负样本进行数据特征的提取/计算，将该Tl内的这些样本数据及其特征，作为训练集和测试集，输入算法模型进行模型训练。其中，算法模型例如可以使用XGBOOST算法。
进而，将需要预测的日期(如前述时间段TA、TB)的历史数据的EMAta、EMAtb、DIF、DEA、MACD等指标进行计算(如前述计算过程)后，将这些指标输入到训练后的该模型中进行预测，获得输出结果，根据输出结果判断当前数据的变化趋势。其中，以该XGBOOST算法为例，指标输入后，使用predict_proba()方法可以得到一个对输入特征数据进行预测为[0,1]的数组，可以取输出结果预测为1的介于0～1之间概率值来判断趋势。
进一步，可以根据数据增加和减少的趋势状态而进行决策，例如在各种控制生产、营销等场景的业务增减、业务变化等。
具体以前述智能营销场景为例，参考表1的数据，通过以上对智能营销成本的指数移动平均值(EMA)，差离值(DIF)，DIF快线的异同移动平均数(DEA)以及指数平滑异同移动平均线(MACD)等指标的计算，完成了对某年1-6月智能营销成本的DIF、DEA、MACD指标走势图的绘制，如图3所示。
其分析过程，主要是根据历史经验上对上述计算的指标(EMA、DIF、DEA、MACD等)的研判和对实际数据的自动分析，结合图3和表1的数据以成本价格为例：
I)2月3日——2月12日数据，可以总结出当DIF和DEA均大于0，且DIF和DEA的值在逐渐增大的情况下，成本整体呈现上升趋势。而此期间的数据定义为正样本，即label：1。
II)3月24日——4月13日数据，可以总结出当DIF和DEA均小于0，且DIF和DEA的值在逐渐减小的情况下，成本整体呈现下降趋势。而此期间的数据定义为负样本，即label：0。
III)2月12日——2月27日、3月13日——3月24日、5月2日——5月26日数据，可以看出当MACD由正转负，且DIF和DEA的值在逐渐减小的情况下，成本整体呈现下降趋势。而此期间的数据定义为负样本，即label：0。
IV)2月27日——3月13日、4月13日——5月2日数据，当MACD由负转正，且DIF和DEA的值在逐渐增大的情况下，成本整体呈现上升趋势。而此期间的数据定义为了正样本，即label：1。
这样，对正负样本的定义与数据特征的计算，使用机器学习中的XGBOOST算法将2月3日——5月26日113天的数据用作训练集和测试集进行模型训练，之后我们将预测的日期的EMA(12)、EMA(26)、DIF、DEA、MACD等指标进行计算，并将计算的这5项特征输入到模型中，使用predict_proba()方法可以得到一个对输入特征数据进行预测为[0,1]的数组，取输出结果预测为1的介于0～1之间概率值来研判当前数据下营销成本的走势，具体例如：
模型输出概率值y>0.5时，此时说明成本可能处于上升趋势中，此时要控制智能营销数据投放量，以达到在相同转化的情况下控制成本的目的。
模型输出概率值y<0.5时，此时说明成本可能处于下降趋势中，此时要增加智能营销数据投放量，以达到在成本可控范围内更多的提升营销转化的目的。
由此，其能够完成对历史数据进行趋势自动分析，完全从数据的角度出发，对以上参考值的变化与成本走势进行了最终的预测，预测更准确，并且，其从数据角度出发，无主观因素干扰，使得得到的结论更具有真实性和可解释性，保证了数据的安全可靠，实现了充分使用信息和对信息作出合理预测和解释。根据可靠准确的预测结果，根据DIF和MACD的阈值实现各种海量数据分析的场景(例如：生产、营销场景)下的智能决策，如能够根据阈值智能确定每个阶段业务数据变化，例：营销投放量级等变化等，从而都能进行合理判断和决定。甚至进一步进行直接的智能生产自动化数据控制、业务处理自动化数据控制，等等。
【实施例2】
下面结合图2根据本发明的技术方案的一个实施例在应用于实际场景中进行预测处理的主要流程图。这里，以智能营销场景的一种情形如股票市场为例并结合图1、3和表1，对本发明的信息预测方法进行具体说明。所述信息预测方法如下：
步骤201，计算智能营销成本移动平均值(EMA)；
EMA的对序列{xn}定义其截至第n项的周期为N的指数移动平均EMAN(xn)为：
从定义式可以看出EMA加权平均的特性。在EMA指标中，每天成本的权重系数以指数等比形式缩小。时间越靠近当今时刻，它的权重越大。说明EMA函数对近期的价格加强了权重比，更能及时反映近期价格波动情况。实际计算时，定义式中k的上限∞可以具体限定为n-1。
根据公式，由于x1之前没有数据，所以x0＝x-1＝x-2＝…＝x1。可以得到
EMAN(x1)＝x1
所以我们定义第12日EMA和第26日EMA分别为：
设xn为第n日成本价，xn-1为第n-1日成本价，所以，
步骤202，计算智能营销成本的差离值(DIF)；
差离值是12日营销成本EMA数值减去26日营销成本EMA数值的结果，即
DIF(xn)＝EMA12(xn)-EMA26(xn)
根据上述公式我们即可计算出DIF的值。如附表1是某年1-6月份某业务线智能营销成本模拟表，我们根据1月1日-12日每天的成本价计算得EMA12，再由1月1日-26日每天的成本价计算得EMA26，最后使用EMA12-EMA26公式我们计算得到DIF值。
步骤203，计算DIF快线的异同移动平均数(DEA)；
DEA慢线指标是对DIF指标的平滑处理，本意是DIF快线的异同移动平均数，给指标的计算方法和EMA的计算方式相同，DEA慢线的计算公式如下：
DEA(xn)＝EMA9[DIF(xn)]
设xn为第n日成本价，xn-1为第n-1日成本价，即：
步骤204，计算指数平滑异同移动平均线(MACD)；
指数平滑异同移动平均线的计算公式如下：
MACD(xn)＝[DIF(xn)-DEA(xn)]×2
使用表中的营销成本数据计算的指数平滑异同平均数结果如表1中的MACD列。
步骤205，决策指标；
通过以上对智能营销成本的指数移动平均值(EMA)，差离值(DIF)，DIF快线的异同移动平均数(DEA)以及指数平滑异同移动平均线(MACD)等指标的计算，完成了对某年1-6月智能营销成本的DIF、DEA、MACD指标走势图的绘制，如图3。根据上述指标的研判和对实际数据的分析：
表1：
由图3和表1中的2月3日——2月12日数据，可以总结出当DIF和DEA均大于0，且DIF和DEA的值在逐渐增大的情况下，成本整体呈现上升趋势。此期间的数据定义为了正样本，即label：1。
由图3和表1中的3月24日——4月13日数据，可以总结出当DIF和DEA均小于0，且DIF和DEA的值在逐渐减小的情况下，成本整体呈现下降趋势。此期间的数据定义为负样本，即label：0。
由图3和表1中的2月12日——2月27日、3月13日——3月24日、5月2日——5月26日数据，可以看出当MACD由正转负，且DIF和DEA的值在逐渐减小的情况下，成本整体呈现下降趋势。这些期间的数据定义为负样本，即label：0。
由图3和表1中的2月27日——3月13日、4月13日——5月2日数据，当MACD由负转正，且DIF和DEA的值在逐渐增大的情况下，成本整体呈现上升趋势。这些期间的数据定义为了正样本，即label：1。
经过以上正负样本的定义与数据特征的计算，使用机器学习中的XGBOOST算法将2月3日——5月26日113天的数据用作训练集和测试集进行模型训练。之后，再对将要预测的日期例如前述12日、26日的例子，如前述方式计算相应的EMA(12)、EMA(26)、DIF、DEA、MACD等指标，并将计算的这5项特征输入到模型中，使用predict_proba()方法可以得到一个对输入特征数据进行预测为[0,1]的数组，取输出结果预测为1的介于0～1之间概率值来研判当前数据下营销成本的走势，具体例如：
模型输出概率值y>0.5时，此时说明成本可能处于上升趋势中，此时要控制智能营销数据投放量，以达到在相同转化的情况下控制成本的目的。
模型输出概率值y<0.5时，此时说明成本可能处于下降趋势中，此时要增加智能营销数据投放量，以达到在成本可控范围内更多的提升营销转化的目的。
本实施例2中，利用以上步骤S201-S204，完成了对智能营销成本的EMA12、EMA26、DIF、DEA、MACD等指标的计算，使得每一步都有实际业务数据作为依据，通过步骤S205对以上指标变化与成本走势的总结完成最终对智能营销成本的预测。
由此，在智能营销场景的营销过程中，充分利应用历史转化数据、以及对智能营销成本走势实现合理的预测与解释，保证数据增加减少更准确，保证了数据安全。尤其是，使用指数平滑异同移动平均线和差离值计算MACD柱的变化等，合理的使用了历史转化数据来预测未来成本变化的趋势，并根据DIF和MACD的阈值(或大小变化状态)对智能营销投放量级进行合理的决策、研判。
本发明实现了一切从数据角度出发，运用机器学习算法进行数据的拟合，最终实现业务数据趋势预测，包括但不限于应用到各种生产控制场景、本例子的营销场景关于海量数据的增加减少/涨跌的趋势预测分析，进而还能够直接根据预设的规则执行对应数据量的增减控制。由此，使得得到的数据分析结果更具有客观性、准确性、真实性和可解释性，甚至在数据安全可控的范围内，实现更智能地控制业务自动投放，等等。
【实施例3】
图4是本发明用于信息预测装置的一个实施例的结构框图。如图4所示，其对应实施例1、2中的信息预测方法，通过该预测可以合理的使用历史数据来预测未来数据变化的状态，进而还可以根据阈值，对是否继续增加业务如投放量级等进行合理的判断评估等决策。该装置至少包括：
指数移动平均值计算模块：用于获取两个预设时间段内的历史数据，基于所述历史数据计算两个相应的指数移动平均值EMA。该模块的具体功能参见实施例1中的步骤101描述的具体处理，在此不再赘述。
第一参考值计算模块，用于根据所述指数移动平均值，计算第一参考值，所述第一参考值为两者之间的差值。该模块的具体功能参见实施例1中的步骤102描述的具体处理，在此不再赘述。
第二参考值计算模块，用于对所述第一参考值进行平滑处理得到第二参考值。该模块的具体功能参见实施例1中的步骤103描述的具体处理。在此不再赘述。
第三参考值计算模块，用于基于第一参考值和第二参考值确定第三参考值。该模块的具体功能参见实施例1中的步骤104描述的具体处理，在此不再赘述。
结果输出模块(预测结果)，用于基于分析所述指数移动平均值、第一参考值，第二参考值和第三参考值，进行预测并输出结果。该模块的具体功能参见实施例1中的步骤105描述的具体处理，在此不再赘述。
由此，其能够完成对历史数据进行趋势自动分析，完全从数据的角度出发，对以上参考值的变化与成本走势进行了最终的预测，预测更准确，并且，其从数据角度出发，无主观因素干扰，使得得到的结论更具有真实性和可解释性，保证了数据的安全可靠，实现了充分使用信息和对信息作出合理预测和解释。根据可靠准确的预测结果，根据DIF和MACD的阈值实现各种海量数据分析的场景(例如：生产、营销场景)下的智能决策，如能够根据阈值智能确定每个阶段业务数据变化，例：营销投放量级等变化等，从而都能进行合理判断和决定。甚至进一步进行直接的智能生产自动化数据控制、业务处理自动化数据控制，等等。
【实施例4】
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图5是根据本发明的一种电子设备的示例性实施例的结构框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，该示例性实施例的电子设备200以通用数据处理设备的形式表现。电子设备200的组件可以包括但不限于：处理器和存储器，例如，处理单元210和存储单元220。
具体地，该例子中，电子设备包括：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，所述存储单元220存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元210执行，使得所述处理单元210执行本发明各种实施方式的步骤。例如，所述处理单元210可以执行如图1和2所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205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。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备300与该电子设备200交互，和/或使得该电子设备200能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口250进行，还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)进行。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，电子设备200中可使用其它硬件和/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、RAID系统、磁带驱动器以及数据备份存储系统等。
【实施例5】
图6是本发明的一个计算机可读介质的实施例的示意图。如图6所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种信息预测方法，其特征在于，包括如下步骤：
基于获取的两个预设时间段内的历史数据所计算的两个相应的指数移动平均值EMA计算第一参考值；
根据第一参考值以及对所述第一参考值进行平滑处理所得到第二参考值确定第三参考值；
根据分析所述指数移动平均值、第一参考值、第二参考值以及第三参考值，进行预测并输出结果。
2.如权利要求1所述的方法，其特征在于，基于获取的两个预设时间段内的历史数据所计算的两个相应的指数移动平均值EMA计算第一参考值，包括：
基于获得的两个预设时间段内的每个时间点的历史数据，计算两个相应的的指数移动平均值EMA；其中，两个预设时间段为用户指定的早于当前时间的两个历史时间长度，并且，所述两个历史时间长度的起始时间点相同而结束时间点不同；
对两个相应的指数移动平均值EMA两者进行差值计算获得所述第一参考值。
3.如权利要求2所述的方法，其特征在于，基于获得的两个预设时间段内的每个时间点的历史数据，计算两个相应的指数移动平均值EMA，具体包括：
预先构建指数移动平均值EMA的定义式；
基于所述定义式，根据待预测的两个预设时间段的共同起始时间点以及两个不同的结束时间点的历史数据，计算两个所述预设时间段的EMA。
4.如权利要求3所述的方法，其特征在于，
基于所述定义式，根据待预测的两个预设时间段的共同起始时间点以及两个不同的结束时间点的历史数据，计算个所述预设时间段的EMA，具体包括：
设xn为第n个时间点历史数据，xn-1为第n-1个时间点历史数据，ta、tb分别为两个预设时间段的不同的结束时间点，基于所述定义式计算每个预设时间段的EMA公式为：
对两个相应的指数移动平均值EMA两者进行差值计算获得所述第一参考值，具体包括：
所述第一参考值为差离值DIF；
将两个所述预设时间段中结束时间点早的EMAta(xn)减去结束时间点晚的EMAtb(xn)得到所述差离值DIF(xn)。
5.如权利要求4所述的方法，其特征在于，对所述第一参考值进行平滑处理所得到第二参考值，具体包括：
对所述差离值DIF进行平滑处理得到相应的异同移动平均数DEA，计算公式为：
DEA(xn)＝EMAtΔ[DIF(xn)]；
其中，基于所述定义式获得的DEA(xn)，表示所述差离值DIF(xn)对应的时间点tΔ的异同移动平均数；其中，tΔ是两个所述预设时间段中早于两个所述结束时间点的一个时间点；
将所述异同移动平均数DEA作为所述第二参考值。
6.如权利要求5所述的方法，其特征在于，根据第一参考值以及对所述第一参考值进行平滑处理所得到第二参考值确定第三参考值，具体包括：
基于所述差离值DIF和对应的所述异同移动平均数DEA，通过加权移动均线计算得到指数平滑异同移动平均线MACD，其中，计算公式如下：
MACD(xn)＝[DIF(xn)-DEA(xn)]×2。
其中，MACD(xn)表示对应所述差离值DIF(xn)的指数平滑异同移动平均线。
7.如权利要求1至5中任一项所述的方法，其特征在于，根据分析所述指数移动平均值、第一参考值、第二参考值以及第三参考值，进行预测并输出结果，包括：
将计算的待预测的所述两个预设时间段中的对应两个不同结束时间点的两个指数移动平均值EMA、作为第一参考值的差离值DIF、作为第二参考值的对应所述差离值DIF的异同移动平均数DEA、以及作为第三参考值的对应所述差离值DIF的指数平滑异同移动平均线MACD，输入到已训练的机器学习模型中，进行预测；
将预测的信息与阈值比较，确定相应的数据控制结果并输出所述数据控制结果。
8.如权利要求7所述的方法，其特征在于，还包括：
所述机器学习模型为XGBOOST算法；
对所述机器学习模型进行训练，具体包括：
通过分析选择的时间段中历史数据的差离值DIF和异同移动平均数DEA、或者分析选择的时间段中历史数据的指数平滑异同移动平均线MACD、差离值DIF和异同移动平均数DEA，定义正负样本；
提取所述正负样本对应的特征数据，所述特征数据至少包括指数移动平均值EMA、差离值DIF、异同移动平均数DEA和指数平滑异同移动平均线MACD；
将所述正负样本和对应的特征数据作为训练集和测试集，输入所述机器学习模型进行模型训练，得到已训练的机器学习模型；
所述预测为使用函数predict_proba()对输入的两个指数移动平均值EMA、第一参考值、第二参考值以及第三参考值进行预测；
所述预测的信息为概率值，所述阈值为从0至1之间选择的概率值；
当预测的信息大于阈值时，确定数据控制结果为需要减少；
当预测的信息小于阈值时，确定数据控制结果为需要增加。
9.一种信息预测装置，包括：
第一参考值计算模块，用于基于获取的两个预设时间段内的历史数据所计算的两个相应的指数移动平均值EMA计算第一参考值；
第三参考值计算模块，用于根据第一参考值以及对所述第一参考值进行平滑处理所得到第二参考值确定第三参考值；
结果输出模块：用于根据分析所述指数移动平均值、第一参考值、第二参考值以及第三参考值，进行预测并输出结果。
10.一种电子设备，包括：处理器以及存储计算机可执行指令的存储器，其特征在于，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读介质，其特征在于，所述计算机可读介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111076962.1A CN113902260A (zh) | 2021-09-14 | 2021-09-14 | 信息预测方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111076962.1A CN113902260A (zh) | 2021-09-14 | 2021-09-14 | 信息预测方法、装置、电子设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113902260A true CN113902260A (zh) | 2022-01-07 |
Family
ID=79028144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111076962.1A Pending CN113902260A (zh) | 2021-09-14 | 2021-09-14 | 信息预测方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113902260A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023151277A1 (zh) * | 2022-02-08 | 2023-08-17 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
-
2021
- 2021-09-14 CN CN202111076962.1A patent/CN113902260A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023151277A1 (zh) * | 2022-02-08 | 2023-08-17 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
| CN117726195B (zh) * | 2024-02-07 | 2024-05-07 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230049089A1 (en) | Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium | |
| CN110084271B (zh) | 一种图片类别的识别方法和装置 | |
| EP3757900A1 (en) | Time series prediction with confidence estimates using sparse recurrent mixture density networks | |
| CN113902260A (zh) | 信息预测方法、装置、电子设备和介质 | |
| CN113837488B (zh) | 能源消耗数据预测方法、系统、设备 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN107622413A (zh) | 一种价格敏感度计算方法、装置及其设备 | |
| EP4040421B1 (en) | Method and apparatus for predicting traffic data and electronic device | |
| CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
| CN115994611A (zh) | 类别预测模型的训练方法、预测方法、设备和存储介质 | |
| CN114154252B (zh) | 新能源汽车动力电池系统失效模式的风险评估方法及装置 | |
| CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
| WO2023246391A1 (zh) | 风险特征描述的提取 | |
| CN117273376A (zh) | 一种电量预测方法、系统、计算机设备和存储介质 | |
| CN114444775A (zh) | 一种用户的用电负荷特征预测方法及装置 | |
| CN109408531B (zh) | 缓慢下跌型数据的检测方法及装置、电子设备、存储介质 | |
| CN113934894A (zh) | 基于指标树的数据显示方法、终端设备 | |
| CN106909744B (zh) | 流程模型可信度动态评估方法和系统 | |
| CN111210110A (zh) | 基于压力测试生成预防策略的方法、装置和电子设备 | |
| CN112785415B (zh) | 评分卡模型构建方法、装置、设备及计算机可读存储介质 | |
| US7957943B2 (en) | Method and system for modeling effects visually | |
| CN114443964A (zh) | 信息推荐方法、装置、电子设备和介质 | |
| US20210110285A1 (en) | Feature selection using sobolev independence criterion | |
| CN114549032A (zh) | 备货处理方法及装置、计算机存储介质、电子设备 | |
| CN115640896A (zh) | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: Zhong Guo Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: Zhong Guo |
|
| CB02 | Change of applicant information |