CN116797270A - 一种资源转移量预测方法、装置、设备及介质 - Google Patents
一种资源转移量预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116797270A CN116797270A CN202310437388.0A CN202310437388A CN116797270A CN 116797270 A CN116797270 A CN 116797270A CN 202310437388 A CN202310437388 A CN 202310437388A CN 116797270 A CN116797270 A CN 116797270A
- Authority
- CN
- China
- Prior art keywords
- resource
- historical
- resource transfer
- history
- period
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据分析技术领域，具体涉及一种资源转移量预测方法、装置、设备及介质，用于解决预测的资源转移量的准确率较低的问题。该方法包括：基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征，将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量，根据历史资源转移数据集对应的历史特征集和预测时段对应的资源增长率数据来预测资源转移量的方式，提升了预测的准确率。
Description
技术领域
本申请涉及数据分析技术领域，具体涉及一种资源转移量预测方法、装置、设备及介质。
背景技术
现有技术中，需要预先获知未来的资源转移量，进而根据上述资源转移量来制定针对账户的活动策略和营销计划等等。目前，业内常常根据账户的历史资源转移量的某些特征来预测未来的资源转移量，导致预测的准确率较低。
发明内容
本申请实施例提供一种资源转移量预测方法、装置、设备及介质，用于解决预测的资源转移量的准确率较低的问题。
第一方面，一种资源转移量预测方法，包括：
基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征；
将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量。
本申请实施例中，基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征，将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量，该方法能够全面的利用历史资源转移数据集确定出包括多个维度历史特征的历史特征集，并结合预测时段对应的资源增长率数据来预测未来的资源转移量，进而提升了预测的准确性。
在一种可能的实施例中，趋势历史特征通过以下方式确定：
将目标账户的历史资源转移数据集划分为至少两个连续的资源数据子序列，其中，资源数据子序列表征目标账户在各个自然日的资源转移的数值；
基于至少两个连续的资源数据子序列和线性回归模型，确定趋势历史特征。
在一种可能的实施例中，周期历史特征通过以下方式确定：
基于傅里叶级数，确定目标账户的历史资源转移数据集在预设周期对应的周期历史特征，其中，预设周期的单位长度为星期、月份或年份。
在一种可能的实施例中，指定日期历史特征通过以下方式确定：
将预先设置的指定日期序列按照与历史资源转移数据集对应的历史时段相同的长度进行截取，得到目标指定日期序列，其中，指定日期序列是将一年内的各个指定日期按照已标记的非工作日的先后顺序排列成的以自然日为单位的序列；
基于目标指定日期序列中已标记的非工作日的先后顺序，将历史资源转移数据集对应的历史时段以自然日为单位进行标记，得到的标记结果作为指定日期历史特征，其中，标记结果表征各个自然日为工作日或非工作日。
在一种可能的实施例中，资源增长率历史特征通过以下方式确定：
确定历史资源转移数据集对应的历史时段所包含的各个自然日的资源增长率值和资源增长变动值，并将同一个自然日的资源增长率值和资源增长变动值进行绑定；
将绑定后的资源增长率值和资源增长变动值按照自然日的时间先后排列成资源增长率历史特征。
在一种可能的实施例中，通过下列方式对机器学习模型进行训练：
将第一历史资源转移样本对应的特征集和第二历史资源转移样本对应的时段的资源增长率数据作为原始机器学习模型的输入，将第二历史资源转移样本作为原始机器学习模型的输出，对原始机器学习模型进行训练，得到机器学习模型；
其中，第一历史资源转移样本对应的时段早于第二历史资源转移样本对应的时段。
第二方面，一种资源转移量预测装置，包括：
确定单元，用于基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征；
预测单元，用于将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量。
在一种可能的实施例中，趋势历史特征通过以下方式确定，确定单元用于：
将目标账户的历史资源转移数据集划分为至少两个连续的资源数据子序列，其中，资源数据子序列表征目标账户在各个自然日的资源转移的数值；
基于至少两个连续的资源数据子序列和线性回归模型，确定趋势历史特征。
在一种可能的实施例中，周期历史特征通过以下方式确定，确定单元用于：
基于傅里叶级数，确定目标账户的历史资源转移数据集在预设周期对应的周期历史特征，其中，预设周期的单位长度为星期、月份或年份。
在一种可能的实施例中，指定日期历史特征通过以下方式确定，确定单元用于：
将预先设置的指定日期序列按照与历史资源转移数据集对应的历史时段相同的长度进行截取，得到目标指定日期序列，其中，指定日期序列是将一年内的各个指定日期按照已标记的非工作日的先后顺序排列成的以自然日为单位的序列；
基于目标指定日期序列中已标记的非工作日的先后顺序，将历史资源转移数据集对应的历史时段以自然日为单位进行标记，得到的标记结果作为指定日期历史特征，其中，标记结果表征各个自然日为工作日或非工作日。
在一种可能的实施例中，资源增长率历史特征通过以下方式确定，确定单元用于：
确定历史资源转移数据集对应的历史时段所包含的各个自然日的资源增长率值和资源增长变动值，并将同一个自然日的资源增长率值和资源增长变动值进行绑定；
将绑定后的资源增长率值和资源增长变动值按照自然日的时间先后排列成资源增长率历史特征。
在一种可能的实施例中，通过下列方式对机器学习模型进行训练：
将第一历史资源转移样本对应的特征集和第二历史资源转移样本对应的时段的资源增长率数据作为原始机器学习模型的输入，将第二历史资源转移样本作为原始机器学习模型的输出，对原始机器学习模型进行训练，得到机器学习模型；
其中，第一历史资源转移样本对应的时段早于第二历史资源转移样本对应的时段。
第三方面，本申请提供一种服务器，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行第一方面中任一项所述的方法包括的步骤。
第四方面，本申请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，所述计算机程序包括程序指令，所述程序指令当被计算机执行时，使所述计算机执行第一方面中任一项所述的方法。
第五方面，本申请提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行第一方面中任一项所述的方法。
附图说明
图1为本申请实施例提供的一种资源转移量预测方法的流程图；
图2为本申请实施例提供的另一种资源转移量预测方法的流程图；
图3为本申请实施例提供的一种资源转移量预测装置的结构图；
图4为本申请实施例提供的一种服务器的结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以按不同于此处的顺序执行所示出或描述的步骤。
本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本申请实施例不做限制。
本申请技术方案中，对数据的采集、传播、使用等，均符合国家相关法律法规要求。
在介绍本申请实施例所提供的一种资源转移量预测方法之前，为了便于理解，首先对本申请实施例的技术背景进行详细介绍。
为了能根据未来的资源转移量来制定针对账户的活动策略和营销计划等等，需要根据账户已有的历史资源转移数据来进行预测。在现有的对未来的资源转移量进行预测的过程中，常常仅根据账户的历史资源转移量的某些特征来预测未来的资源转移量，导致预测的准确率较低。
为了解决上述预测的资源转移量的准确率较低的问题，下面结合附图对本公开优选的实施方式进行详细说明。
参阅图1所示，本公开实施例中，一种资源转移量预测方法的具体流程如下：
步骤201：基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征。
考虑到实际情况中的资源转移(包括资源的存入和资源的取出)都是以账户为单位进行的，因此，本申请实施例中，以任意一个账户为对象来进行资源转移量预测的说明，以下描述中将任意一个账户称为目标账户。
实施过程中，为了对目标账户的资源转移量进行预测，需要先对目标账户的历史资源转移数据集进行分析，以获得目标账户的与资源转移相关的历史特征。需要说明的是，目标账户的历史资源转移数据集即为目标账户在过去一段时间的资源转移数据的汇总，历史资源转移数据集的格式为时间序列数据，上述过去一段时间是与预测时段等长的一段时长，通常，上述过去一段时间的时间单位与预测时段对应的时间单位也相同，例如，均为一个自然日、一个星期或者一个月份等。
本申请实施例中，为了能够使预测出来的资源转移量更加准确，会依据目标账户的历史资源转移数据集确定出更为全面的历史特征，优选地，历史特征包括：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征，并且，将确定出来的各个历史特征都归纳到历史特征集中。
下面分别介绍一下上述历史特征集中的各个历史特征的确定过程，首先趋势历史特征通过以下方式确定：
(1)将目标账户的历史资源转移数据集划分为至少两个连续的资源数据子序列，其中，资源数据子序列表征目标账户在各个自然日的资源转移的数值。
考虑到目标账户的资源转移具有连续性的趋势特征，而上述连续性的趋势特征会影响资源转移量的数值，实施过程中，先要对历史资源转移数据集的趋势特征进行分析。
基于此，将目标账户的历史资源转移数据集划分为至少两个连续的资源数据子序列，即将历史资源转移数据集这一个时间序列数据划分为两个、三个甚至更多个连续的子序列。为了便于统一进行对比，本申请实施例中，划分后的每一个资源数据子序列表征目标账户在各个自然日的资源转移的数值，即每个子序列都是以自然日为单位的时间序列数据。
(2)基于至少两个连续的资源数据子序列和线性回归模型，确定趋势历史特征。
在确定出了资源数据子序列后，运用线性回归模型拟合每个资源数据子序列中资源转移数据的变化值，并在运用线性回归模型对至少两个连续的资源数据子序列分别进行拟合后，得到至少两个资源转移数据的变化值，根据距离当前时刻较远的资源数据子序列的变化值与距离当前时刻较近的资源数据子序列的变化值，确定出趋势历史特征。
优选地，当资源数据子序列的个数为多个，相应的变化值的个数也为多个时，先根据上述任意相邻的两个变化值即可确定出多个趋势历史特征，并对上述多个趋势历史特征取平均，得到最终的趋势历史特征。
由于，历史资源转移数据集本身是一个时间序列数据，而时间序列本身具备一定的周期性，即历史资源转移数据通常会随着周、月、年等呈周期性变化，基于此，本申请实施例中会进一步分析历史资源转移数据集中的历史资源转移数据随时间而变化的周期性规律即周期历史特征，上述周期历史特征通过以下方式确定：
基于傅里叶级数，确定目标账户的历史资源转移数据集在预设周期对应的周期历史特征，其中，预设周期的单位长度为星期、月份或年份。
实施过程中，选择使用傅里叶级数中的正弦函数和余弦函数来模拟历史资源转移数据的变化，傅里叶级数由下述公式(1)来表示。
f(x)＝a0+∑(a cos(nωx)+b sin(nωx)) 公式(1)
其中，ω＝2π/T，a0、a和b是常数，n为正整数。
在公式(1)中，使用T＝7的傅里叶级数表示以周为周期的周期历史特征；使用T＝30.5的傅里叶级数表示以月为周期的周期历史特征；使用T＝365.25的傅里叶级数表示以年为周期的周期历史特征。
另外，考虑到目标账户的历史资源转移数据是与账户对应的人员的自由时间相关联的，例如，目标账户在对应的人员自由时间充裕的时候的转移量较大，而在对应的人员自由时间不充裕的时候的转移量较小。基于此，上述指定日期历史特征通过以下方式确定：
1)将预先设置的指定日期序列按照与历史资源转移数据集对应的历史时段相同的长度进行截取，得到目标指定日期序列，其中，指定日期序列是将一年内的各个指定日期按照已标记的非工作日的先后顺序排列成的以自然日为单位的序列。
本申请实施例中，将人员自由时间等价为非工作日(具体包括周六、周日、阳历的法定节假日和农历的法定节假日等等)来处理。考虑到一年中的非工作日都是预先设定好的，实施过程中，将一年内的各个指定日期按照已标记的非工作日的先后顺序排列成以自然日为单位的序列，即将一年内的为非工作日的各个自然日都预先进行标记，从而得到指定日期序列，该指定日期序列可作为历史资源转移数据集对应的历史时段中的各个自然日是否需要标记为非工作日的标准。
考虑到上述历史时段通常都是一年中的一段时间，实施过程中，先将指定日期序列按照与上述历史时段相同的长度来进行截取，从而得到目标指定日期序列，进一步将作为历史资源转移数据集对应的历史时段中的各个自然日是否需要标记为非工作日的标准更为准确。
2)基于目标指定日期序列中已标记的非工作日的先后顺序，将历史资源转移数据集对应的历史时段以自然日为单位进行标记，得到的标记结果作为指定日期历史特征，其中，标记结果表征各个自然日为工作日或非工作日。
在确定了目标指定日期序列后，将历史资源转移数据集对应的历史时段以自然日为单位进行为工作日或非工作日的标记，实施过程中，当作为基准的目标指定日期序列中的某个自然日已被标记为工作日时，将上述历史时段对应的同一个自然日也标记为工作日；当作为基准的目标指定日期序列中的某个自然日已被标记为非工作日时，将上述历史时段对应的同一个自然日也标记为非工作日，在对上述历史时段的各个自然日都标记完成后得到的标记结果即为指定日期历史特征。
假设，上述历史时段为5月1号到5月31号，在目标指定日期序列预先标记了5月1号、5月2号、5月3号、5月7号、5月13号、5月14号、5月20号、5月21号、5月27号、5月28号为非工作日的前提下，得到的指定日期历史特征为标记了5月1号、5月2号、5月3号、5月7号、5月13号、5月14号、5月20号、5月21号、5月27号、5月28号为非工作日，其他日期为工作日的时间序列数据。
另外，考虑到资源转移数据量的大小除了与资源本身有关，还与资源增长率有关。因此，在对历史资源转移数据集进行特征分析的时候还要考虑到资源增长率历史特征，上述资源增长率历史特征通过以下方式确定：
[1]确定历史资源转移数据集对应的历史时段所包含的各个自然日的资源增长率值和资源增长变动值，并将同一个自然日的资源增长率值和资源增长变动值进行绑定。
通常，资源增长率值和资源增长变动值都是与自然日一一对应的，在历史时段的各个自然日中，资源增长率值和资源增长变动值都是既定值。基于此，实施过程中，需要分别确定出历史资源转移数据集对应的历史时段所包含的各个自然日的资源增长率值和资源增长变动值，这里的资源增长变动值是根据历史时段的两个相邻的自然日的资源增长率值确定的。在确定出资源增长率值和资源增长变动值后，进一步将同一个自然日的资源增长率值和资源增长变动值进行绑定，即将资源增长率值和资源增长变动值与自然日对应起来。
[2]将绑定后的资源增长率值和资源增长变动值按照自然日的时间先后排列成资源增长率历史特征。
在确定了与每个自然日对应的资源增长率值和资源增长变动值后，按照自然日的时间先后将上述绑定的资源增长率值和资源增长变动值进行排列，得到资源增长率历史特征。
步骤202：将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量。
实施过程中，在根据历史资源转移数据集得到包括趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征等的历史特征集后，进一步得到预测时段对应的资源增长率数据，需要说明的是，上述预测时段对应的资源增长率数据通常是预先设定好的，类似的，这里的资源增长率数据也包括资源增长率值和资源增长变动值。
在预测过程中，将上述资源增长率数据和历史特征集输入预先训练好的机器学习模型中进行学习，从而得到目标账户在预测时段的资源转移量，这里的机器学习模型的类型可以是随机森林Random forest、极端梯度提升树Xgboost、线性回归Linear regression等等。
需要补充说明的是，为了使预测出的资源转移量更为准确，需要预先对所使用的机器学习模型进行训练。参阅图2所示，通过下列方式对机器学习模型进行训练：
步骤200：将第一历史资源转移样本对应的特征集和第二历史资源转移样本对应的时段的资源增长率数据作为原始机器学习模型的输入，将第二历史资源转移样本作为原始机器学习模型的输出，对原始机器学习模型进行训练，得到机器学习模型；
其中，第一历史资源转移样本对应的时段早于第二历史资源转移样本对应的时段。
在对原始机器学习模型进行训练的过程中，可以先根据目标账户的历史资源转移数据集确定出第一历史资源转移样本和第二历史资源转移样本，通常，第一历史资源转移样本和第二历史资源转移样本对应的时间单位与历史资源转移数据集对应的时间单位相同。
并且，第一历史资源转移样本对应的时段早于第二历史资源转移样本对应的时段，这样，可以模拟在原始机器学习模型中输入第一历史资源转移样本，而得到第二历史资源转移样本的过程，训练过程中，将第一历史资源转移样本对应的特征集和第二历史资源转移样本对应的时段的资源增长率数据作为原始机器学习模型的输入，将第二历史资源转移样本作为原始机器学习模型的输出，对原始机器学习模型的参数进行训练，从而得到训练好的机器学习模型。
在得到训练好的机器学习模型之后，即可基于目标账户的历史资源转移数据集确定历史特征集和预测时段对应的资源增长率数据，来预测未来的资源转移量。
基于同一发明构思，本申请实施例提供一种资源转移量预测装置，参阅图3所示，该装置包括：
确定单元301，用于基于目标账户的历史资源转移数据集确定历史特征集，其中，历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征；
预测单元302，用于将预测时段对应的资源增长率数据和历史特征集输入预先训练好的机器学习模型中，得到目标账户在预测时段的资源转移量。
在一种可能的实施例中，趋势历史特征通过以下方式确定：
将目标账户的历史资源转移数据集划分为至少两个连续的资源数据子序列，其中，资源数据子序列表征目标账户在各个自然日的资源转移的数值；
基于至少两个连续的资源数据子序列和线性回归模型，确定趋势历史特征。
在一种可能的实施例中，周期历史特征通过以下方式确定：
基于傅里叶级数，确定目标账户的历史资源转移数据集在预设周期对应的周期历史特征，其中，预设周期的单位长度为星期、月份或年份。
在一种可能的实施例中，指定日期历史特征通过以下方式确定：
将预先设置的指定日期序列按照与历史资源转移数据集对应的历史时段相同的长度进行截取，得到目标指定日期序列，其中，指定日期序列是将一年内的各个指定日期按照已标记的非工作日的先后顺序排列成的以自然日为单位的序列；
基于目标指定日期序列中已标记的非工作日的先后顺序，将历史资源转移数据集对应的历史时段以自然日为单位进行标记，得到的标记结果作为指定日期历史特征，其中，标记结果表征各个自然日为工作日或非工作日。
在一种可能的实施例中，资源增长率历史特征通过以下方式确定：
确定历史资源转移数据集对应的历史时段所包含的各个自然日的资源增长率值和资源增长变动值，并将同一个自然日的资源增长率值和资源增长变动值进行绑定；
将绑定后的资源增长率值和资源增长变动值按照自然日的时间先后排列成资源增长率历史特征。
在一种可能的实施例中，通过下列方式对机器学习模型进行训练：
将第一历史资源转移样本对应的特征集和第二历史资源转移样本对应的时段的资源增长率数据作为原始机器学习模型的输入，将第二历史资源转移样本作为原始机器学习模型的输出，对原始机器学习模型进行训练，得到机器学习模型；
其中，第一历史资源转移样本对应的时段早于第二历史资源转移样本对应的时段。
基于同一发明构思，本申请实施例提供一种服务器，该服务器可以实现前文论述的资源转移量预测的功能，参阅图4所示，包括存储器401和处理器402，其中，存储器401存储有程序代码，当程序代码被处理器执行时，使得处理器402执行本说明书上述描述的根据本申请各种示例性实施方式的资源转移量预测方法中的步骤。
基于同一发明构思，本申请实施例提供一种计算机可读存储介质，计算机程序产品包括：计算机程序代码，当计算机程序代码在计算机上运行时，使得计算机执行如前文论述任一的资源转移量预测方法。由于上述计算机可读存储介质解决问题的原理与资源转移量预测方法相似，因此上述计算机可读存储介质的实施可以参见方法的实施，重复之处不再赘述。
基于同一发明构思，本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行如前文论述任一的资源转移量预测方法。由于上述计算机程序产品解决问题的原理与资源转移量预测方法相似，因此上述计算机程序产品的实施可以参见方法的实施，重复之处不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请的方法、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用户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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种资源转移量预测方法，其特征在于，所述方法包括：
基于目标账户的历史资源转移数据集确定历史特征集，其中，所述历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，所述历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征；
将所述预测时段对应的资源增长率数据和所述历史特征集输入预先训练好的机器学习模型中，得到所述目标账户在所述预测时段的资源转移量。
2.如权利要求1所述的方法，其特征在于，所述趋势历史特征通过以下方式确定：
将所述目标账户的所述历史资源转移数据集划分为至少两个连续的资源数据子序列，其中，所述资源数据子序列表征所述目标账户在各个自然日的资源转移的数值；
基于至少两个连续的所述资源数据子序列和线性回归模型，确定所述趋势历史特征。
3.如权利要求1所述的方法，其特征在于，所述周期历史特征通过以下方式确定：
基于傅里叶级数，确定所述目标账户的历史资源转移数据集在预设周期对应的所述周期历史特征，其中，所述预设周期的单位长度为星期、月份或年份。
4.如权利要求1所述的方法，其特征在于，所述指定日期历史特征通过以下方式确定：
将预先设置的指定日期序列按照与所述历史资源转移数据集对应的历史时段相同的长度进行截取，得到目标指定日期序列，其中，所述指定日期序列是将一年内的各个指定日期按照已标记的非工作日的先后顺序排列成的以自然日为单位的序列；
基于所述目标指定日期序列中已标记的非工作日的先后顺序，将所述历史资源转移数据集对应的历史时段以自然日为单位进行标记，得到的标记结果作为所述指定日期历史特征，其中，所述标记结果表征各个自然日为工作日或非工作日。
5.如权利要求1所述的方法，其特征在于，所述资源增长率历史特征通过以下方式确定：
确定所述历史资源转移数据集对应的历史时段所包含的各个自然日的资源增长率值和资源增长变动值，并将同一个自然日的所述资源增长率值和所述资源增长变动值进行绑定；
将绑定后的所述资源增长率值和所述资源增长变动值按照自然日的时间先后排列成所述资源增长率历史特征。
6.如权利要求1～5任一项所述的方法，其特征在于，通过下列方式对所述机器学习模型进行训练：
将第一历史资源转移样本对应的特征集和第二历史资源转移样本对应的时段的资源增长率数据作为原始机器学习模型的输入，将所述第二历史资源转移样本作为原始机器学习模型的输出，对原始机器学习模型进行训练，得到所述机器学习模型；
其中，所述第一历史资源转移样本对应的时段早于所述第二历史资源转移样本对应的时段。
7.一种资源转移量预测装置，其特征在于，包括：
确定单元，用于基于目标账户的历史资源转移数据集确定历史特征集，其中，所述历史资源转移数据集是时间单位与预测时段对应的时间单位相同的时间序列数据，所述历史特征集包括以下特征中的部分或者全部：趋势历史特征、周期历史特征、指定日期历史特征和资源增长率历史特征；
预测单元，用于将所述预测时段对应的资源增长率数据和所述历史特征集输入预先训练好的机器学习模型中，得到所述目标账户在所述预测时段的资源转移量。
8.一种服务器，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行权利要求1-6中任一项所述的方法包括的步骤。
9.一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，所述计算机程序包括程序指令，所述程序指令当被计算机执行时，使所述计算机执行如权利要求1-6中任一项所述的方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310437388.0A CN116797270A (zh) | 2023-04-23 | 2023-04-23 | 一种资源转移量预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310437388.0A CN116797270A (zh) | 2023-04-23 | 2023-04-23 | 一种资源转移量预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116797270A true CN116797270A (zh) | 2023-09-22 |
Family
ID=88042879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310437388.0A Pending CN116797270A (zh) | 2023-04-23 | 2023-04-23 | 一种资源转移量预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797270A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391763A (zh) * | 2023-12-12 | 2024-01-12 | 百融至信(北京)科技有限公司 | 申请信息趋势确定方法、装置、电子设备和存储介质 |
-
2023
- 2023-04-23 CN CN202310437388.0A patent/CN116797270A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391763A (zh) * | 2023-12-12 | 2024-01-12 | 百融至信(北京)科技有限公司 | 申请信息趋势确定方法、装置、电子设备和存储介质 |
| CN117391763B (zh) * | 2023-12-12 | 2024-04-12 | 百融至信(北京)科技有限公司 | 申请信息趋势确定方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Larsen et al. | A framework for dynamic rescheduling problems | |
| Pfeiffer et al. | Stability-oriented evaluation of rescheduling strategies, by using simulation | |
| US20220027744A1 (en) | Resource data modeling, forecasting and simulation | |
| CN103310286A (zh) | 一种具有时间序列特性的产品订单预测方法及装置 | |
| Englberger et al. | Two-stage stochastic master production scheduling under demand uncertainty in a rolling planning environment | |
| CN106650992A (zh) | 一种量化投资策略的生成方法及装置 | |
| CN110019401A (zh) | 件量预测方法、装置、设备及其存储介质 | |
| Yin et al. | Four single-machine scheduling problems involving due date determination decisions | |
| CN116797270A (zh) | 一种资源转移量预测方法、装置、设备及介质 | |
| CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
| Liu et al. | An integrated preventive maintenance and production planning model with sequence‐dependent setup costs and times | |
| Abello et al. | Using the k-chaining approach to solve a stochastic days-off-scheduling problem in a retail store | |
| CN115423450A (zh) | 排班数据的处理方法、装置和计算机设备 | |
| Ivănescu et al. | Bootstrapping to solve the limited data problem in production control: an application in batch process industries | |
| Salhab et al. | Accounting for variability: identifying critical activities as a supplement to the critical path | |
| CN111435472A (zh) | 件量预测方法、装置、设备及存储介质 | |
| CN112598443A (zh) | 一种基于深度学习的线上渠道业务数据处理方法及系统 | |
| Overbeck et al. | Development and analysis of digital twins of production systems | |
| Sobaszek et al. | The algorithms for robust scheduling of production jobs under machine failure and variable technological operation times | |
| CN115796330A (zh) | 基于Prophet模型的预测方法、设备和存储介质 | |
| CN116341740A (zh) | 一种基于比例拆分的城市燃气逐时负荷多步预测方法和系统 | |
| CN113065797B (zh) | 多任务的执行期限优化方法、装置、终端设备及介质 | |
| Leyer et al. | Comparing concepts for shop floor control of information-processing services in a job shop setting: a case from the financial services sector | |
| Rusin et al. | Improving equipment reliability and system maintenance and repair efficiency | |
| Han et al. | Dynamic project management: An application of system dynamics in construction engineering and management |
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 |