CN115208775A - 手机银行流量预测方法及装置 - Google Patents
手机银行流量预测方法及装置 Download PDFInfo
- Publication number
- CN115208775A CN115208775A CN202210718348.9A CN202210718348A CN115208775A CN 115208775 A CN115208775 A CN 115208775A CN 202210718348 A CN202210718348 A CN 202210718348A CN 115208775 A CN115208775 A CN 115208775A
- Authority
- CN
- China
- Prior art keywords
- data
- flow
- scene
- daily
- day
- 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 30
- 230000000306 recurrent effect Effects 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000001932 seasonal effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种手机银行流量预测方法及装置,可用于金融领域,其中方法包括:获得手机银行流量历史数据和流量影响事件信息;根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。本发明可以进行手机银行流量预测,提高预测准确率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及手机银行流量预测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着互联网技术的兴起,手机银行用户规模持续攀升。手机银行流量预测对手机银行的性能优化等方面有着很重要的作用,精准的手机银行流量预测有助于开发人员预估未来的流量变化,针对可能出现的各类问题提前采取相应的措施。
现有的手机银行流量预测并不能精准发现每日流量峰值,并且对于一些特殊的非日常、偶发性事件对手机银行流量数据也会造成影响,这也导致现有的手机银行流量预测准确率较低。
因此,亟需一种可以克服上述问题的手机银行流量预测方案。
发明内容
本发明实施例提供一种手机银行流量预测方法,用以进行手机银行流量预测,提高预测准确率,该方法包括:
获得手机银行流量历史数据和流量影响事件信息;
根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;
对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;
对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;
根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;
利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。
本发明实施例提供一种手机银行流量预测装置,用以进行手机银行流量预测,提高预测准确率,该装置包括:
数据获得模块,用于获得手机银行流量历史数据和流量影响事件信息;
场景分类模块,用于根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;
第一特征提取模块,用于对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;
第二特征提取模块,用于对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;
预测模型构建模块,用于根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;
流量预测模块,用于利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述手机银行流量预测方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述手机银行流量预测方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述手机银行流量预测方法。
本发明实施例通过获得手机银行流量历史数据和流量影响事件信息;根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。本发明实施例根据流量影响事件信息对手机银行流量历史数据进行场景分类,有效区分了日常场景和特殊场景影响下的流量数据,并根据分别提取的不同特征数据构建基于循环神经网络的手机银行流量预测模型进行预测,有效提高手机银行流量预测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。在附图中:
图1为本发明实施例中手机银行流量预测方法示意图;
图2为本发明实施例中手机银行流量预测方法示意图;
图3为本发明具体实施例中手机银行流量预测流程图;
图4为本发明实施例中手机银行流量预测装置结构图;
图5是本发明实施例的计算机设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
为了进行手机银行流量预测,提高预测准确率,本发明实施例提供一种手机银行流量预测方法,如图1所示,该方法可以包括:
步骤101、获得手机银行流量历史数据和流量影响事件信息;
步骤102、根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;
步骤103、对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;
步骤104、对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;
步骤105、根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;
步骤106、利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。
由图1所示可以得知,本发明实施例通过获得手机银行流量历史数据和流量影响事件信息;根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。本发明实施例根据流量影响事件信息对手机银行流量历史数据进行场景分类,有效区分了日常场景和特殊场景影响下的流量数据,并根据分别提取的不同特征数据构建基于循环神经网络的手机银行流量预测模型进行预测,有效提高手机银行流量预测准确率。
下面对每个步骤进行详细分析。
在步骤101~步骤102中,获得手机银行流量历史数据和流量影响事件信息。根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据。
具体实施时,收集手机银行流量的历史数据,区分手机银行流量历史数据中的日常场景下的流量数据和特殊场景下的流量数据。需要说明的是,特殊场景是指区别于手机银行常见业务的对手机银行流量数据带来影响的特定场景,例如手机银行大型营销活动、纪念币预约等特殊场景的流量影响事件信息。将手机银行流量数据划分为日常流量数据和特殊流量数据。
在步骤103中,对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据。
在一个实施例中,如图2所示,对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据,包括:
步骤201、将手机银行自然日内的日常场景流量数据划分为多个周期,将每个周期内的日常场景流量数据作为日内特征数据;
步骤202、分别将手机银行每周内和每月内的日常场景流量数据划分为多个周期,将每个周期内的日常场景流量数据作为日内特征数据。
具体实施时,对于日常流量数据,特征构建主要从日内特征和日间特征两部分来进行。首先,以15分钟为时间间隔,将手机银行自然日内的流量数据划分为96个周期,记录不同周期内的流量信息。此部分数据主要作为日内特征,用于分析某一日内手机银行流量数据变化。其次,采集基于周的季节性特征和基于月的季节性特征信息。此外,使用one-hot编码方式区分是否为法定节假日、该日是否存在特殊场景等信息。此部分信息作为日间特征,主要用于分析手机银行流量数据的周期性和季节性变化。
在步骤105中,对所述特殊场景流量数据进行特征提取,得到影响周期特征数据。
在一个实施例中,对所述特殊场景流量数据进行特征提取,得到影响周期特征数据,包括:
根据流量影响事件开始时间点,获得特殊场景流量数据在时间点前的第一预设时长流量数据和时间点后的第二预设时长流量数据;
将所述第一预设时长流量数据和第二预设时长流量数据划分为多个周期;
将每个周期内的特殊场景流量数据作为影响周期特征数据。
具体实施时,对于特殊流量数据采取特殊的处理方式。在实际的场景中,一些特殊的业务场景一般有特点的开始时间,这些开始时间往往不同。因此对于特殊流量数据不以自然日维度进行统计分析,取该业务场景开始的前12小时数据和后12小时数据,同样以15分钟为时间间隔进行划分,记录不同周期内的流量信息,评估该事件发生前和发生后对手机银行流量数据的影响。
在步骤106~步骤107中,根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型。利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。
在一个实施例中,根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型,包括:
将所述日内特征数据和日间特征数据输入循环神经网络模型进行训练,构建日常场景模型;
将所述影响周期特征数据输入循环神经网络模型进行训练,构建特殊场景模型;
对日常场景模型和特殊场景模型进行融合,得到基于循环神经网络的手机银行流量预测模型。
具体实施时,均基于循环神经网络(RNN)模型进行训练。首先,建立基于日常流量数据的模型,该部分模型主要评估预测手机银行日常流量数据,发掘历史数据的季节性和规律性。其次,基于特殊流量数据建立模型,该部分模型主要是为了评估某些特定事件对手机银行流量数据的影响。最后,通过模型融合的方式,组合两部分的模型,实现对手机银行流量数据的精准预测。
下面给出一个具体实施例,说明本发明实施例中手机银行流量预测的具体应用。如图3所示,在本具体实施例中按如下步骤进行手机银行流量预测:
步骤1:收集手机银行流量的历史数据。
步骤2:数据处理。区分手机银行流量历史数据中的日常场景下的流量数据和特殊场景下的流量数据。本发明所指的特殊场景,是指区别于手机银行常见业务的对手机银行流量数据带来影响的特定场景,例如手机银行大型营销活动、纪念币预约等特殊场景。将手机银行流量数据划分为日常流量数据和特殊流量数据。
步骤3:针对日常流量数据和特殊流量数据,采取不同的方式进行特征构建。①对于日常流量数据,特征构建主要从日内特征和日间特征两部分来进行。首先,以15分钟为时间间隔,将手机银行自然日内的流量数据划分为96个周期,记录不同周期内的流量信息。此部分数据主要作为日内特征,用于分析某一日内手机银行流量数据变化。其次,采集基于周的季节性特征和基于月的季节性特征信息。此外,使用one-hot编码方式区分是否为法定节假日、该日是否存在特殊场景等信息。此部分信息作为日间特征,主要用于分析手机银行流量数据的周期性和季节性变化。②对于特殊流量数据,采取特殊的处理方式。在实际的场景中,一些特殊的业务场景一般有特点的开始时间,这些开始时间往往不同。因此对于特殊流量数据不以自然日维度进行统计分析,取该业务场景开始的前12小时数据和后12小时数据,同样以15分钟为时间间隔进行划分,记录不同周期内的流量信息,评估该事件发生前和发生后对手机银行流量数据的影响。
步骤4:模型构建。本文所建立的模型主要由两部分构成,均基于循环神经网络(RNN)模型进行训练。首先,建立基于日常流量数据的模型,该部分模型主要评估预测手机银行日常流量数据,发掘历史数据的季节性和规律性。其次,基于特殊流量数据建立模型,该部分模型主要是为了评估某些特定事件对手机银行流量数据的影响。最后,通过模型融合的方式,组合两部分的模型,实现对手机银行流量数据的精准预测。
具体实施时,通过Stacking的方式进行模型融合。在得到基于日常流量数据训练的模型(以下简称日常模型)和基于特殊流量数据建立的模型(以下简称特殊模型)的基础上,结合区分是否存在特殊场景的特征,将日常模型和特殊模型的输出数据作为训练数据,训练线性模型,实现模型融合。
最终的模型构成如下:
Model=α×Model1+β×x×Model2
其中,Model1为基于日常流量数据训练的模型,Model2为基于特殊流量数据建立的模型,x为区分是否存在特殊场景的特征,用one-hot编码表示,若存在则取值为1,若不存在则取值为0。α、β为训练线性模型得到的模型参数。
本发明实施例提供一种基于循环神经网络(RNN)的手机银行流量预测方法,一方面,将手机银行日流量数据进一步细化到更短的时间周期,基于更小的时间间隔划分手机银行流量数据,更容易发现手机银行流量峰值与变化趋势。另一方面,区分不同场景,区分日常场景和有特殊交易场景影响下的手机银行流量数据,构建不同特征训练模型,评估特殊交易场景给手机银行流量数据带来的影响。首先,基于手机银行历史流量数据,挖掘不同维度的特征入模,本发明提出了一种区分场景的特征工程方式。其次,进行手机银行流量预测模型的训练,本发明主要基于循环神经网络(RNN)建立模型来实现手机银行流量预测。本发明通过分析历史的手机银行流量数据,构建不同维度的特征并进行模型训练。由于手机银行的流量数据存在时序性,因此本发明使用循环神经网络(RNN)建立模型实现对未来手机银行流量数据的预测。
基于同一发明构思,本发明实施例还提供了一种手机银行流量预测装置,如下面的实施例所述。由于这些解决问题的原理与手机银行流量预测方法相似,因此手机银行流量预测装置的实施可以参见方法的实施,重复之处不再赘述。
图4为本发明实施例中手机银行流量预测装置的结构图,如图4所示,该手机银行流量预测装置包括:
数据获得模块401,用于获得手机银行流量历史数据和流量影响事件信息;
场景分类模块402,用于根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;
第一特征提取模块403,用于对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;
第二特征提取模块404,用于对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;
预测模型构建模块405,用于根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;
流量预测模块406,用于利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。
一个实施例中,所述第一特征提取模块403进一步用于:
将手机银行自然日内的日常场景流量数据划分为多个周期,将每个周期内的日常场景流量数据作为日内特征数据;
分别将手机银行每周内和每月内的日常场景流量数据划分为多个周期,将每个周期内的日常场景流量数据作为日内特征数据。
一个实施例中,所述第二特征提取模块404进一步用于:
根据流量影响事件开始时间点,获得特殊场景流量数据在时间点前的第一预设时长流量数据和时间点后的第二预设时长流量数据;
将所述第一预设时长流量数据和第二预设时长流量数据划分为多个周期;
将每个周期内的特殊场景流量数据作为影响周期特征数据。
一个实施例中,所述预测模型构建模块405进一步用于:
将所述日内特征数据和日间特征数据输入循环神经网络模型进行训练,构建日常场景模型;
将所述影响周期特征数据输入循环神经网络模型进行训练,构建特殊场景模型;
对日常场景模型和特殊场景模型进行融合,得到基于循环神经网络的手机银行流量预测模型。
基于前述发明构思,如图5所示,本发明实施例还提供一种计算机设备500,包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530,所述处理器520执行所述计算机程序530时实现上述手机银行流量预测方法。
基于前述发明构思,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述手机银行流量预测方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述手机银行流量预测方法。
本发明实施例通过获得手机银行流量历史数据和流量影响事件信息;根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。本发明实施例根据流量影响事件信息对手机银行流量历史数据进行场景分类,有效区分了日常场景和特殊场景影响下的流量数据,并根据分别提取的不同特征数据构建基于循环神经网络的手机银行流量预测模型进行预测,有效提高手机银行流量预测准确率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,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)
1.一种手机银行流量预测方法,其特征在于,包括:
获得手机银行流量历史数据和流量影响事件信息;
根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;
对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;
对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;
根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;
利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。
2.如权利要求1所述的手机银行流量预测方法,其特征在于,对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据,包括:
将手机银行自然日内的日常场景流量数据划分为多个周期,将每个周期内的日常场景流量数据作为日内特征数据;
分别将手机银行每周内和每月内的日常场景流量数据划分为多个周期,将每个周期内的日常场景流量数据作为日内特征数据。
3.如权利要求1所述的手机银行流量预测方法,其特征在于,对所述特殊场景流量数据进行特征提取,得到影响周期特征数据,包括:
根据流量影响事件开始时间点,获得特殊场景流量数据在时间点前的第一预设时长流量数据和时间点后的第二预设时长流量数据;
将所述第一预设时长流量数据和第二预设时长流量数据划分为多个周期;
将每个周期内的特殊场景流量数据作为影响周期特征数据。
4.如权利要求1所述的手机银行流量预测方法,其特征在于,根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型,包括:
将所述日内特征数据和日间特征数据输入循环神经网络模型进行训练,构建日常场景模型;
将所述影响周期特征数据输入循环神经网络模型进行训练,构建特殊场景模型;
对日常场景模型和特殊场景模型进行融合,得到基于循环神经网络的手机银行流量预测模型。
5.一种手机银行流量预测装置,其特征在于,包括:
数据获得模块,用于获得手机银行流量历史数据和流量影响事件信息;
场景分类模块,用于根据所述流量影响事件信息,对所述手机银行流量历史数据进行场景分类,得到日常场景流量数据和特殊场景流量数据;
第一特征提取模块,用于对所述日常场景流量数据进行特征提取,得到日内特征数据和日间特征数据;
第二特征提取模块,用于对所述特殊场景流量数据进行特征提取,得到影响周期特征数据;
预测模型构建模块,用于根据所述日内特征数据,日间特征数据和影响周期特征数据,构建基于循环神经网络的手机银行流量预测模型;
流量预测模块,用于利用所述基于循环神经网络的手机银行流量预测模型,进行手机银行流量预测。
6.如权利要求5所述的手机银行流量预测装置,其特征在于,所述第一特征提取模块进一步用于:
将手机银行自然日内的日常场景流量数据划分为多个周期,将每个周期内的日常场景流量数据作为日内特征数据;
分别将手机银行每周内和每月内的日常场景流量数据划分为多个周期,将每个周期内的日常场景流量数据作为日内特征数据。
7.如权利要求5所述的手机银行流量预测装置,其特征在于,所述第二特征提取模块进一步用于:
根据流量影响事件开始时间点,获得特殊场景流量数据在时间点前的第一预设时长流量数据和时间点后的第二预设时长流量数据;
将所述第一预设时长流量数据和第二预设时长流量数据划分为多个周期;
将每个周期内的特殊场景流量数据作为影响周期特征数据。
8.如权利要求5所述的手机银行流量预测装置,其特征在于,所述预测模型构建模块进一步用于:
将所述日内特征数据和日间特征数据输入循环神经网络模型进行训练,构建日常场景模型;
将所述影响周期特征数据输入循环神经网络模型进行训练,构建特殊场景模型;
对日常场景模型和特殊场景模型进行融合,得到基于循环神经网络的手机银行流量预测模型。
9.一种计算机设备,包括存储器、处理器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,所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至4任一所述方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至4任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210718348.9A CN115208775A (zh) | 2022-06-23 | 2022-06-23 | 手机银行流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210718348.9A CN115208775A (zh) | 2022-06-23 | 2022-06-23 | 手机银行流量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115208775A true CN115208775A (zh) | 2022-10-18 |
Family
ID=83577631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210718348.9A Pending CN115208775A (zh) | 2022-06-23 | 2022-06-23 | 手机银行流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115208775A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
CN113259158A (zh) * | 2021-05-11 | 2021-08-13 | 北京沃东天骏信息技术有限公司 | 网络流量预测方法和设备、模型构建及训练方法和装置 |
CN113971479A (zh) * | 2021-10-01 | 2022-01-25 | 浙江省机电设计研究院有限公司 | 一种融合节假日影响的日交通流参数预测方法 |
CN113971495A (zh) * | 2021-11-02 | 2022-01-25 | 中国银行股份有限公司 | 日间批量处理方法及装置 |
-
2022
- 2022-06-23 CN CN202210718348.9A patent/CN115208775A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
CN113259158A (zh) * | 2021-05-11 | 2021-08-13 | 北京沃东天骏信息技术有限公司 | 网络流量预测方法和设备、模型构建及训练方法和装置 |
CN113971479A (zh) * | 2021-10-01 | 2022-01-25 | 浙江省机电设计研究院有限公司 | 一种融合节假日影响的日交通流参数预测方法 |
CN113971495A (zh) * | 2021-11-02 | 2022-01-25 | 中国银行股份有限公司 | 日间批量处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200202449A1 (en) | Risk identification model building and risk identification | |
CN111275491A (zh) | 一种数据处理方法及装置 | |
CN111143578B (zh) | 基于神经网络抽取事件关系的方法、装置和处理器 | |
CN110781960B (zh) | 视频分类模型的训练方法、分类方法、装置及设备 | |
CN106356077B (zh) | 一种笑声检测方法及装置 | |
CN112085541A (zh) | 基于浏览消费时序数据的用户需求分析方法及装置 | |
CN111369299A (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
CN113434685B (zh) | 一种资讯分类处理的方法及系统 | |
CN115713715B (zh) | 一种基于深度学习的人体行为识别方法及识别系统 | |
CN115840802A (zh) | 服务处理方法及装置 | |
CN111444677A (zh) | 基于大数据的阅读模型优化方法、装置、设备及介质 | |
CN113988195A (zh) | 一种私域流量线索挖掘方法、装置、车辆、可读介质 | |
CN111931852B (zh) | 目标物的定价方法及装置 | |
CN113379528A (zh) | 风控模型建立方法、装置和风险控制方法 | |
CN109800887B (zh) | 预测流程模型的生成方法、装置、存储介质和电子设备 | |
CN110610697B (zh) | 一种语音识别方法及装置 | |
CN115208775A (zh) | 手机银行流量预测方法及装置 | |
CN111858911A (zh) | 工单描述信息的生成方法、装置、电子设备及存储介质 | |
CN115774784A (zh) | 一种文本对象的识别方法及装置 | |
CN114842382A (zh) | 一种生成视频的语义向量的方法、装置、设备及介质 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN115965456A (zh) | 数据变动分析方法及装置 | |
CN113971495A (zh) | 日间批量处理方法及装置 | |
CN110309047B (zh) | 一种测试点生成方法、装置及系统 | |
CN111767435A (zh) | 用户行为分析方法及装置 |
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 |