CN114328652A - 预测方法、装置、电子设备及存储介质 - Google Patents
预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114328652A CN114328652A CN202111489282.2A CN202111489282A CN114328652A CN 114328652 A CN114328652 A CN 114328652A CN 202111489282 A CN202111489282 A CN 202111489282A CN 114328652 A CN114328652 A CN 114328652A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- data
- linear
- prediction
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例涉及一种预测方法、装置、电子设备及存储介质，上述方法包括：获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据，之后，将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系，上述目标模型包括线性子模型和非线性子模型，上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。由此方法，可以提高数据预测的准确度。
Description
技术领域
本公开实施例涉及计算机技术领域，尤其涉及一种预测方法、装置、电子设备及存储介质。
背景技术
预测就是从数据中寻找规律，找到能够指导我们未来实践的原则和方法。所以预测分析是数据分析的最终目的。掌握数据分析和挖掘的预测方法，在当今各行业显得尤为重要。
目前，随着互联网技术的发展，大数据、人工智能等技术，越来越多的应用于数据预测领域。
然而，事物通常具有复杂性，难以掌握所有的信息来预测其未来趋势，因而，如何提高数据预测的准确度，是一个值得关注的技术问题。
发明内容
鉴于此，为解决上述部分或全部技术问题，本公开实施例提供一种预测方法、装置、电子设备及存储介质。
第一方面，本公开实施例提供一种预测方法，上述方法包括：
获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据；
将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系，上述目标模型包括线性子模型和非线性子模型，上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。
可选地，在本公开任一实施例的方法中，上述将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，包括：
将上述目标历史数据集合输入至预先确定的目标模型包括的线性子模型，经由上述线性子模型输出线性数据；
将上述目标历史数据集合输入至预先确定的目标模型包括的非线性子模型，经由上述非线性子模型输出非线性数据；
基于上述线性数据和上述非线性数据，生成待预测时刻的预测数据。
可选地，在本公开任一实施例的方法中，上述目标模型由线性部分和残差部分组成，上述线性部分采用上述线性子模型表征，上述残差部分包括上述非线性子模型。
可选地，在本公开任一实施例的方法中，上述非线性子模型基于机器学习模型训练得到。
可选地，在本公开任一实施例的方法中，用于训练得到上述非线性子模型的机器学习模型的数量大于或等于3。
可选地，在本公开任一实施例的方法中，用于训练得到上述非线性子模型的机器学习模型包括：
基于提升树算法的机器学习模型、基于随机森林算法的机器学习模型和神经网络模型。
可选地，在本公开任一实施例的方法中，上述获取历史时间段包括的历史时刻对应的目标历史数据集合，包括：
获取目标产品信息在历史时间段包括的历史时刻对应的目标历史数据集合；以及
上述方法还包括以下至少一项：
向上述目标产品信息的关联用户终端发送上述预测数据；
基于上述预测数据，生成针对上述目标产品信息指示的产品的操作信息；
基于所述预测数据，控制所述目标产品信息的关联用户终端。
第二方面，本公开实施例提供一种预测装置，上述装置包括：
获取单元，被配置成获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据；
第一生成单元，被配置成将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系，上述目标模型包括线性子模型和非线性子模型，上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。
可选地，在本公开任一实施例的装置中，上述第一生成单元包括：
第一输入子单元，被配置成将上述目标历史数据集合输入至预先确定的目标模型包括的线性子模型，经由上述线性子模型输出线性数据；
第二输入子单元，被配置成将上述目标历史数据集合输入至预先确定的目标模型包括的非线性子模型，经由上述非线性子模型输出非线性数据；
生成子单元，被配置成基于上述线性数据和上述非线性数据，生成待预测时刻的预测数据。
可选地，在本公开任一实施例的装置中，上述目标模型由线性部分和残差部分组成，上述线性部分采用上述线性子模型表征，上述残差部分包括上述非线性子模型。
可选地，在本公开任一实施例的装置中，上述非线性子模型基于机器学习模型训练得到。
可选地，在本公开任一实施例的装置中，用于训练得到上述非线性子模型的机器学习模型的数量大于或等于3。
可选地，在本公开任一实施例的装置中，用于训练得到上述非线性子模型的机器学习模型包括：
基于提升树算法的机器学习模型、基于随机森林算法的机器学习模型和神经网络模型。
可选地，在本公开任一实施例的装置中，上述获取历史时间段包括的历史时刻对应的目标历史数据集合，包括：
获取目标产品信息在历史时间段包括的历史时刻对应的目标历史数据集合；以及
上述装置还包括以下至少一项：
发送单元，被配置成向上述目标产品信息的关联用户终端发送上述预测数据；
第二生成单元，被配置成基于上述预测数据，生成针对上述目标产品信息指示的产品的操作信息；
控制单元，被配置成基于所述预测数据，控制所述目标产品信息的关联用户终端。
第三方面，本公开实施例提供一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行上述存储器中存储的计算机程序，且上述计算机程序被执行时，实现本公开上述第一方面的预测方法中任一实施例的方法。
第四方面，本公开实施例提供一种计算机可读介质，该计算机程序被处理器执行时，实现如上述第一方面的预测方法中任一实施例的方法。
第五方面，本公开实施例提供一种计算机程序，该计算机程序包括计算机可读代码，当该计算机可读代码在设备上运行时，使得该设备中的处理器执行用于实现如上述第一方面的预测方法中任一实施例的方法中各步骤的指令。
本公开实施例提供的预测方法，通过获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据，之后，将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系，上述目标模型包括线性子模型和非线性子模型，上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。由本方案，可以采用包括线性子模型和非线性子模型的目标模型来预测数据，从而提高了数据预测的准确度。
附图说明
图1为本公开实施例提供的一种预测方法的流程示意图；
图2为本公开实施例提供的另一种预测方法的流程示意图；
图3为本公开实施例提供的又一种预测方法的流程示意图；
图4为本公开实施例提供的一种预测装置的结构示意图；
图5为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值并不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等对象，既不代表任何特定技术含义，也不表示它们之间的逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，上述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。为便于对本公开实施例的理解，下面将参考附图并结合实施例来详细说明本公开。显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
图1为本公开实施例提供的一种预测方法的流程示意图，如图1所示，该方法具体包括：
101、获取历史时间段包括的历史时刻对应的目标历史数据集合。
在本公开实施例中，预测方法的执行主体(例如服务器、预测装置等)，可以获取历史时间段包括的历史时刻对应的目标历史数据集合。
其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据。
实践中，可以根据预测数据，来设定相应的历史数据，从而得到目标历史数据集合。
作为示例，如果预测数据为产品在第一时间段内的销售量，那么，目标历史数据集合中的历史数据可以包括以下至少一项：上述产品在第二时间段内的产量、上述产品在第二时间段内的价格、上述产品在第二时间段内的质量等等。其中，上述第二时间段可以是第一时间段之前的时间段。例如，如果第一时间段为2021年11月1-29日，那么，第二时间段可以是2021年11月30日。
作为又一示例，如果预测数据为股票在第一时刻的价格，那么，目标历史数据集合中的历史数据可以为股票在多个第二时刻的股票因子。其中，股票因子可以是引起股票的价格产生变化的因素。例如，股票因子可以为以下之一：市场因素、规模因素、价值因素等。其中，上述各个第二时刻可以是第一时刻之前的时刻。例如，如果第一时刻为2021年11月30日10点，那么，第二时刻可以包括2021年11月1-29日的每个整点。
102、将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据。
在本实施例中，将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据。
其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系。上述目标模型包括线性子模型和非线性子模型。上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系。上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。
作为示例，上述目标模型可以采用如下公式(1)表征：
G＝aX1+M(X2)b+c 公式(1)
其中，G可以表征目标模型，G的取值可以是目标模型计算得到的预测数据。aX1可以表征线性子模型，aX1的取值可以是预测数据的线性数据。a可以表征线性子模型的拟合系数，a的取值可以采用拟合等方式确定，X1可以表征用于输入线性子模型的目标历史数据集合。M(X2)可以表征非线性子模型。M(X2)的取值可以是预测数据的非线性数据。X2可以表征用于输入非线性子模型的目标历史数据集合。b可以表征非线性子模型的模型参数。b的取值可以采用拟合、机器学习等方式确定。c表征残差，c的取值可以采用拟合、机器学习等方式确定。X1与X2可以相同或不同。
这里，上述a、X1、X2、b、c等参数可以采用向量、矩阵等方式来表征。
可选的，上述目标模型也可以采用如下公式(2)表征：
G＝aX1+M(X2) 公式(2)
其中，G可以表征目标模型，G的取值可以是目标模型计算得到的预测数据。aX1可以表征线性子模型，aX1的取值可以是预测数据的线性数据。a可以表征线性子模型的拟合系数，a的取值可以采用拟合等方式确定，X1可以表征用于输入线性子模型的目标历史数据集合。M(X2)可以表征非线性子模型。M(X2)的取值可以是预测数据的非线性数据。X2可以表征用于输入非线性子模型的目标历史数据集合。X1与X2可以相同或不同。
这里，上述a、X1、X2等参数可以采用向量、矩阵等方式来表征。
实践中，以预测数据为股票在第一时刻的价格为例，可以采用如下方式，从多个历史数据中选取历史数据，从而组成目标历史数据集合：
采用部分依赖图(Partial Dependence)来度量单个因子(也即每个历史数据)，从而确定预测数据的边际影响。例如，针对预先确定的目标模型，可以每次将所有股票的某个因子(也即每个历史数据)设为一个固定的值，然后对目标模型计算获得的所有预测数据计算平均值。之后，改变因子的值再次进行计算，按固定间隔遍历该因子所有可能的取值。
之后，采用Feature Importance，也即因子Partial Depedence的变动范围。如果一个因子不重要，那么，在改变该因子的取值时，预测数据的变化则较小。可见，越重要的因子，对预测数据的影响越大，预测数据的变动范围也就越大。
由此，可以采用如上所述的方式，从多个历史数据中选取预测数据的变动范围较大的历史数据，从而组成目标历史数据集合。其中，预测数据的变动范围较大的历史数据，可以是预测数据的变动范围最大的预设数量个(例如22个、40个)历史数据。
在本实施例的一些可选的实现方式中，上述非线性子模型基于机器学习模型训练得到。
可选的，上述非线性子模型也可以采用曲线拟合的方式确定。
在上述可选的实现方式中的一些应用场景下，用于训练得到上述非线性子模型的机器学习模型的数量大于或等于3。
在上述可选的实现方式中的另一些应用场景下，用于训练得到上述非线性子模型的机器学习模型包括：
基于提升树算法的机器学习模型、基于随机森林算法的机器学习模型和神经网络模型。
作为示例，在该应用场景下，非线性子模型可以采用如下方式表征：
M(X)＝A(X)+B(X)+C(X)
其中，M()可以表征非线性子模型。A()可以表征基于提升树算法的机器学习模型。B()可以表征基于随机森林算法的机器学习模型。C()可以表征神经网络模型。X可以表征目标历史数据集合。
作为又一示例，在该应用场景下，非线性子模型也可以采用如下方式表征：
M(X)＝A(B(C(X)))
其中，M()可以表征非线性子模型。A()可以表征基于提升树算法的机器学习模型。B()可以表征基于随机森林算法的机器学习模型。C()可以表征神经网络模型。X可以表征目标历史数据集合。
实践中，可以采用有监督、无监督或者半监督的训练方式，训练得到上述非线性子模型。
本公开实施例提供的预测方法，通过获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据，之后，将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系，上述目标模型包括线性子模型和非线性子模型，上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。由本方案，可以采用包括线性子模型和非线性子模型的目标模型，来预测数据，从而提高了数据预测的准确度。
图2为本公开实施例提供的另一种预测方法的流程示意图，如图2所示，该方法具体包括：
201、获取历史时间段包括的历史时刻对应的目标历史数据集合。
在本公开实施例中，预测方法的执行主体(例如服务器、预测装置等)，可以获取历史时间段包括的历史时刻对应的目标历史数据集合。
其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据。
在本公开实施例中，步骤201的执行方式可以参照上述步骤101，在此不再赘述。
202、将上述目标历史数据集合输入至预先确定的目标模型包括的线性子模型，经由上述线性子模型输出线性数据。
在本公开实施例中，上述执行主体可以将上述目标历史数据集合输入至预先确定的目标模型包括的线性子模型，经由上述线性子模型输出线性数据。
其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系。上述目标模型包括线性子模型和非线性子模型。上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系。上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。
203、将上述目标历史数据集合输入至预先确定的目标模型包括的非线性子模型，经由上述非线性子模型输出非线性数据。
在本公开实施例中，上述执行主体可以将上述目标历史数据集合输入至预先确定的目标模型包括的非线性子模型，经由上述非线性子模型输出非线性数据。
204、基于上述线性数据和上述非线性数据，生成待预测时刻的预测数据。
在本公开实施例中，上述执行主体可以基于上述线性数据和上述非线性数据，生成待预测时刻的预测数据。
在本实施例的一些可选的实现方式中，上述目标模型由线性部分和残差部分组成。上述线性部分采用上述线性子模型表征。上述残差部分包括上述非线性子模型。由此，上述目标模型可以采用如下公式(3)表征：
G＝aX+M(X)b+c 公式(3)
其中，G可以表征目标模型，G的取值可以是目标模型计算得到的预测数据。aX可以表征线性子模型，也即线性部分。aX的取值可以是预测数据的线性数据。a可以表征线性子模型的拟合系数，a的取值可以采用拟合等方式确定，X可以表征目标历史数据集合。M(X)可以表征非线性子模型。M(X)的取值可以是预测数据的非线性数据。b可以表征非线性子模型的模型参数。b的取值可以采用拟合、机器学习等方式确定。c表征残差，c的取值可以采用拟合、机器学习等方式确定。残差部分可以表征为M(X)b+c，或者，残差部分也可以表征为c。
这里，上述a、X、b、c等参数可以采用向量、矩阵等方式来表征。
可选的，上述目标模型也可以采用如下公式(4)表征：
G＝aX+M(X) 公式(4)
其中，G可以表征目标模型，G的取值可以是目标模型计算得到的预测数据。aX可以表征线性子模型，aX的取值可以是预测数据的线性数据。a可以表征线性子模型的拟合系数，a的取值可以采用拟合等方式确定，X可以表征目标历史数据集合。M(X)可以表征非线性子模型。M(X)的取值可以是预测数据的非线性数据。
这里，上述a、X等参数可以采用向量、矩阵等方式来表征。
本公开实施例提供的预测方法中，目标模型包括的线性子模型和非线性子模型的输入数据相同，均为目标历史数据集合，这样，可以提高确定线性子模型和非线性子模型的目标历史数据集合的速度，并且，在所确定的目标历史数据集合对预测数据影响较大的情况下，可以提高数据预测的准确度。
图3为本公开实施例提供的又一种预测方法的流程示意图，本方法可以应用于股票收益预测、产品价格预测等场景中。本方法可以应用在终端、服务端等一类电子设备上。
进一步地如图3所示，该方法具体包括：
301、获取目标产品信息在历史时间段包括的历史时刻对应的目标历史数据集合。
在本公开实施例中，预测方法的执行主体(例如服务器、预测装置等)，可以获取目标产品信息在历史时间段包括的历史时刻对应的目标历史数据集合。
其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据。
这里，目标产品信息，可以指示实物商品、虚拟商品、股票、基金、数字货币、期货等。
在本公开实施例中，步骤301的执行方式可以参照上述步骤101，在此不再赘述。
302、将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据。
在本公开实施例中，上述执行主体可以将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据。
在本公开实施例中，步骤302的执行方式可以参照上述步骤102或步骤202-204，在此不再赘述。
303、向上述目标产品信息的关联用户终端发送上述预测数据。
在本公开实施例中，上述执行主体可以向上述目标产品信息的关联用户终端发送上述预测数据。
其中，上述目标产品信息的关联用户终端可以是关注、买入或者卖出目标产品信息指示的产品的用户所使用的终端，也可以是关注、买入或者卖出目标产品信息指示的产品的同类产品的用户所使用的终端。
304、基于上述预测数据，生成针对上述目标产品信息指示的产品的操作信息。
在本公开实施例中，上述执行主体可以基于上述预测数据，生成针对上述目标产品信息指示的产品的操作信息。
其中，操作信息可以表征针对目标产品信息指示的产品的买入或者卖出操作的时间点。
在本实施例的一些可选的实现方式中，如果上述目标产品信息指示股票、基金、数字货币、期货，那么，上述执行主体还可以基于用户的当前持有资金和/或历史持有资金，以及上述预测数据，来生成针对上述目标产品信息指示的产品的、用于指示买入或者卖出操作的时间点并且指示买入或者卖出的资金量的操作信息。
可选的，除执行上述步骤303、步骤304之外，上述执行主体还可以基于上述预测数据，控制上述目标产品信息的关联用户终端。
其中，上述目标产品信息的关联用户终端可以是关注、买入或者卖出目标产品信息指示的产品的用户所使用的终端，也可以是关注、买入或者卖出目标产品信息指示的产品的同类产品的用户所使用的终端。
作为示例，如果上述预测数据指示股票价格在目标时刻上涨，那么，上述执行主体可以控制目标产品信息的关联用户终端在目标时刻卖出目标产品信息指示的产品；如果上述预测数据指示股票价格在目标时刻下跌，那么，上述执行主体可以控制目标产品信息的关联用户终端在目标时刻买入目标产品信息指示的产品。
本公开实施例提供的预测方法，可以通过向上述目标产品信息的关联用户终端发送上述预测数据，来实现预测数据的推送，从而提升用户粘性、实现更为及时的预警提示。或者，基于上述预测数据，生成针对上述目标产品信息指示的产品的操作信息，从而提高用户进行相应操作的及时性。
图4为本公开实施例提供的一种预测装置的结构示意图，具体包括：
获取单元401，被配置成获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据；
第一生成单元402，被配置成将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系，上述目标模型包括线性子模型和非线性子模型，上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。
可选地，在本公开任一实施例的装置中，上述第一生成单元402包括：
第一输入子单元(图中未示出)，被配置成将上述目标历史数据集合输入至预先确定的目标模型包括的线性子模型，经由上述线性子模型输出线性数据；
第二输入子单元(图中未示出)，被配置成将上述目标历史数据集合输入至预先确定的目标模型包括的非线性子模型，经由上述非线性子模型输出非线性数据；
生成子单元(图中未示出)，被配置成基于上述线性数据和上述非线性数据，生成待预测时刻的预测数据。
可选地，在本公开任一实施例的装置中，上述目标模型由线性部分和残差部分组成，上述线性部分采用上述线性子模型表征，上述残差部分包括上述非线性子模型。
可选地，在本公开任一实施例的装置中，上述非线性子模型基于机器学习模型训练得到。
可选地，在本公开任一实施例的装置中，用于训练得到上述非线性子模型的机器学习模型的数量大于或等于3。
可选地，在本公开任一实施例的装置中，用于训练得到上述非线性子模型的机器学习模型包括：
基于提升树算法的机器学习模型、基于随机森林算法的机器学习模型和神经网络模型。
可选地，在本公开任一实施例的装置中，上述获取历史时间段包括的历史时刻对应的目标历史数据集合，包括：
获取目标产品信息在历史时间段包括的历史时刻对应的目标历史数据集合；以及
上述装置还包括以下至少一项：
发送单元(图中未示出)，被配置成向上述目标产品信息的关联用户终端发送上述预测数据；
第二生成单元(图中未示出)，被配置成基于上述预测数据，生成针对上述目标产品信息指示的产品的操作信息；
控制单元(图中未示出)，被配置成基于上述预测数据，控制上述目标产品信息的关联用户终端。
本实施例提供的预测装置可以是如图4中所示的预测装置，可执行如图1-3中预测方法的所有步骤，进而实现图1-3所示预测方法的技术效果，具体请参照图1-3相关描述，为简洁描述，在此不作赘述。
图5为本公开实施例提供的一种电子设备的结构示意图，图5所示的电子设备500包括：至少一个处理器501、存储器502、至少一个网络接口504和其他用户接口503。电子设备500中的各个组件通过总线系统505耦合在一起。可理解，总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统505。
其中，用户接口503可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本公开实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本文描述的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器502存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统5021和应用程序5022。
其中，操作系统5021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序5022，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本公开实施例方法的程序可以包含在应用程序5022中。
在本公开实施例中，通过调用存储器502存储的程序或指令，具体的，可以是应用程序5022中存储的程序或指令，处理器501用于执行各方法实施例所提供的方法步骤，例如包括：获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据；将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系，上述目标模型包括线性子模型和非线性子模型，上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。
可选地，在本公开任一实施例的方法中，上述将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，包括：
将上述目标历史数据集合输入至预先确定的目标模型包括的线性子模型，经由上述线性子模型输出线性数据；
将上述目标历史数据集合输入至预先确定的目标模型包括的非线性子模型，经由上述非线性子模型输出非线性数据；
基于上述线性数据和上述非线性数据，生成待预测时刻的预测数据。
可选地，在本公开任一实施例的方法中，上述目标模型由线性部分和残差部分组成，上述线性部分采用上述线性子模型表征，上述残差部分包括上述非线性子模型。
可选地，在本公开任一实施例的方法中，上述非线性子模型基于机器学习模型训练得到。
可选地，在本公开任一实施例的方法中，用于训练得到上述非线性子模型的机器学习模型的数量大于或等于3。
可选地，在本公开任一实施例的方法中，用于训练得到上述非线性子模型的机器学习模型包括：
基于提升树算法的机器学习模型、基于随机森林算法的机器学习模型和神经网络模型。
可选地，在本公开任一实施例的方法中，上述获取历史时间段包括的历史时刻对应的目标历史数据集合，包括：
获取目标产品信息在历史时间段包括的历史时刻对应的目标历史数据集合；以及
上述方法还包括以下至少一项：
向上述目标产品信息的关联用户终端发送上述预测数据；
基于上述预测数据，生成针对上述目标产品信息指示的产品的操作信息；
基于上述预测数据，控制上述目标产品信息的关联用户终端。
上述本公开实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSPDevice，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请上述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文上述功能的单元来实现本文上述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本实施例提供的电子设备可以是如图5中所示的电子设备，可执行如图1-3中预测方法的所有步骤，进而实现图1-3所示预测方法的技术效果，具体请参照图1-3相关描述，为简洁描述，在此不作赘述。
本公开实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在电子设备侧执行的预测方法。
上述处理器用于执行存储器中存储的预测程序，以实现以下在电子设备侧执行的预测方法的步骤：获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，上述目标历史数据集合中的历史数据为影响预测数据的取值的数据；将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，上述目标模型表征目标历史数据集合与预测数据之间的对应关系，上述目标模型包括线性子模型和非线性子模型，上述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，上述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。
可选地，在本公开任一实施例的方法中，上述将上述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，包括：
将上述目标历史数据集合输入至预先确定的目标模型包括的线性子模型，经由上述线性子模型输出线性数据；
将上述目标历史数据集合输入至预先确定的目标模型包括的非线性子模型，经由上述非线性子模型输出非线性数据；
基于上述线性数据和上述非线性数据，生成待预测时刻的预测数据。
可选地，在本公开任一实施例的方法中，上述目标模型由线性部分和残差部分组成，上述线性部分采用上述线性子模型表征，上述残差部分包括上述非线性子模型。
可选地，在本公开任一实施例的方法中，上述非线性子模型基于机器学习模型训练得到。
可选地，在本公开任一实施例的方法中，用于训练得到上述非线性子模型的机器学习模型的数量大于或等于3。
可选地，在本公开任一实施例的方法中，用于训练得到上述非线性子模型的机器学习模型包括：
基于提升树算法的机器学习模型、基于随机森林算法的机器学习模型和神经网络模型。
可选地，在本公开任一实施例的方法中，上述获取历史时间段包括的历史时刻对应的目标历史数据集合，包括：
获取目标产品信息在历史时间段包括的历史时刻对应的目标历史数据集合；以及
上述方法还包括以下至少一项：
向上述目标产品信息的关联用户终端发送上述预测数据；
基于上述预测数据，生成针对上述目标产品信息指示的产品的操作信息；
基于上述预测数据，控制上述目标产品信息的关联用户终端。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施方式而已，并不用于限定本公开的保护范围，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种预测方法，其特征在于，所述方法包括：
获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，所述目标历史数据集合中的历史数据为影响预测数据的取值的数据；
将所述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，所述目标模型表征目标历史数据集合与预测数据之间的对应关系，所述目标模型包括线性子模型和非线性子模型，所述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，所述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。
2.根据权利要求1所述的方法，其特征在于，所述将所述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，包括：
将所述目标历史数据集合输入至预先确定的目标模型包括的线性子模型，经由所述线性子模型输出线性数据；
将所述目标历史数据集合输入至预先确定的目标模型包括的非线性子模型，经由所述非线性子模型输出非线性数据；
基于所述线性数据和所述非线性数据，生成待预测时刻的预测数据。
3.根据权利要求2所述的方法，其特征在于，所述目标模型由线性部分和残差部分组成，所述线性部分采用所述线性子模型表征，所述残差部分包括所述非线性子模型。
4.根据权利要求1所述的方法，其特征在于，所述非线性子模型基于机器学习模型训练得到。
5.根据权利要求4所述的方法，其特征在于，用于训练得到所述非线性子模型的机器学习模型的数量大于或等于3。
6.根据权利要求4所述的方法，其特征在于，用于训练得到所述非线性子模型的机器学习模型包括：
基于提升树算法的机器学习模型、基于随机森林算法的机器学习模型和神经网络模型。
7.根据权利要求1-6之一所述的方法，其特征在于，所述获取历史时间段包括的历史时刻对应的目标历史数据集合，包括：
获取目标产品信息在历史时间段包括的历史时刻对应的目标历史数据集合；以及
所述方法还包括以下至少一项：
向所述目标产品信息的关联用户终端发送所述预测数据；
基于所述预测数据，生成针对所述目标产品信息指示的产品的操作信息；
基于所述预测数据，控制所述目标产品信息的关联用户终端。
8.一种预测装置，其特征在于，所述装置包括：
获取单元，被配置成获取历史时间段包括的历史时刻对应的目标历史数据集合，其中，所述目标历史数据集合中的历史数据为影响预测数据的取值的数据；
第一生成单元，被配置成将所述目标历史数据集合输入至预先确定的目标模型，生成待预测时刻的预测数据，其中，所述目标模型表征目标历史数据集合与预测数据之间的对应关系，所述目标模型包括线性子模型和非线性子模型，所述线性子模型表征目标历史数据集合与预测数据的线性数据之间的对应关系，所述非线性子模型表征目标历史数据集合与预测数据的非线性数据之间的对应关系。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现上述权利要求1-7任一所述的方法。
10.一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，所述计算机程序被处理器执行时，实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111489282.2A CN114328652A (zh) | 2021-12-07 | 2021-12-07 | 预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111489282.2A CN114328652A (zh) | 2021-12-07 | 2021-12-07 | 预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114328652A true CN114328652A (zh) | 2022-04-12 |
Family
ID=81051156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111489282.2A Pending CN114328652A (zh) | 2021-12-07 | 2021-12-07 | 预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114328652A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423535A (zh) * | 2022-10-17 | 2022-12-02 | 深圳市秦丝科技有限公司 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
-
2021
- 2021-12-07 CN CN202111489282.2A patent/CN114328652A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423535A (zh) * | 2022-10-17 | 2022-12-02 | 深圳市秦丝科技有限公司 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
| CN115423535B (zh) * | 2022-10-17 | 2023-07-18 | 深圳市秦丝科技有限公司 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cumming et al. | An investigation into the use of reinforcement learning techniques within the algorithmic trading domain | |
| US11763049B1 (en) | Systems and methods for time series simulation | |
| WO2021139335A1 (zh) | 物理机销售数据预测方法、装置、计算机设备及存储介质 | |
| CN112561681A (zh) | 确定潜在贷款企业的方法、装置、电子设备及存储介质 | |
| CN114328652A (zh) | 预测方法、装置、电子设备及存储介质 | |
| Unadkat et al. | Deep learning for financial prediction | |
| Biswas et al. | Forecasting the United State Dollar (USD)/Bangladeshi Taka (BDT) exchange rate with deep learning models: Inclusion of macroeconomic factors influencing the currency exchange rates | |
| Donadio et al. | Learn Algorithmic Trading: Build and deploy algorithmic trading systems and strategies using Python and advanced data analysis | |
| Wiiava et al. | Stock price prediction with golden cross and death cross on technical analysis indicators using long short term memory | |
| US20220343402A1 (en) | Grey market orders detection | |
| Tswei | Is transaction price more value relevant compared to accounting information? An investigation of a time-series approach | |
| Xi et al. | Yield curve modelling using a multivariate higher-order HMM | |
| JP6861437B2 (ja) | 取引市場予測システム、取引市場予測方法、および取引市場予測プログラム | |
| CN113554184A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN110795232A (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
| Corona-Bermudez et al. | On the Computation of Optimized Trading Policies Using Deep Reinforcement Learning | |
| US12032652B1 (en) | Attribution analysis | |
| CN103544371A (zh) | 评估模型稳定性和拟合度的方法和装置 | |
| Ahnouch et al. | Model risk in financial derivatives and the transformative impact of deep learning: A systematic review | |
| Alymova et al. | The Application of a Neural Network and Elements of Regression Analysis in the Development of a Methodology for Effective Foreign Exchange Trading | |
| Liu et al. | On Calibration Neural Networks for extracting implied information from American options | |
| Zakhwan et al. | Comparative Analysis of Cryptocurrency Price Prediction Using Deep Learning | |
| Mushunje et al. | Estimating short-term returns with volatilities for high frequency stock trades in emerging economies using Gaussian processes (GPs) | |
| Cruz et al. | An Algorithmic Trading Strategy for the Colombian US Dollar Inter-bank Bulk Market SET-FX Based on an Evolutionary TPOT AutoML Predictive Model | |
| Savchenko et al. | Increasing Investment Portfolio Profitability with Computer Analysis Trading Strategies |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220412 |
|
| RJ01 | Rejection of invention patent application after publication |