CN116843216A - 一种指标预警方法、装置、计算机设备及存储介质 - Google Patents
一种指标预警方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116843216A CN116843216A CN202310790543.7A CN202310790543A CN116843216A CN 116843216 A CN116843216 A CN 116843216A CN 202310790543 A CN202310790543 A CN 202310790543A CN 116843216 A CN116843216 A CN 116843216A
- Authority
- CN
- China
- Prior art keywords
- index
- prediction
- model
- result
- early warning
- 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 63
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 44
- 238000003062 neural network model Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 21
- 230000000737 periodic effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- JDDHUROHDHPVIO-UHFFFAOYSA-N Piperazine citrate Chemical compound C1CNCCN1.C1CNCCN1.C1CNCCN1.OC(=O)CC(O)(C(O)=O)CC(O)=O.OC(=O)CC(O)(C(O)=O)CC(O)=O JDDHUROHDHPVIO-UHFFFAOYSA-N 0.000 claims 2
- 229940103147 propet Drugs 0.000 claims 2
- 230000002159 abnormal effect Effects 0.000 abstract description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000001976 improved effect Effects 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Technology Law (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本申请公开一种指标预警方法、装置、计算机设备及存储介质,属于人工智能技术领域和产险金融技术领域。本申请通过对历史指标数据按照时间顺序进行排序,得到指标数据序列,基于指标数据序列和时序预测算法训练指标预测模型,使用指标预测模型预测待预测指标在预测时间周期内的指标预测值,获取待预测指标在历史时间周期内的指标真实值,比对指标预测值和指标真实值,根据比对结果生成指标预警结果。此外,本申请还涉及区块链技术,指标预测值可存储于区块链中。本申请通过时序预测算法训练指标预测模型,用于指标值的预测,并将预测值与实际值进行比较来判断指标是否异常,提高指标预警的效率,实现指标预警的自动化处理。
Description
技术领域
本申请属于人工智能技术领域和产险金融技术领域,具体涉及一种指标预警方法、装置、计算机设备及存储介质。
背景技术
随着公司的数据化转型,需要通过指标看板来呈现金融产险产品的经营数据,以便更好地监控业务情况。而金融产险领域存在着大量的数据,包括保费收入、赔付率、风险指标等,这些指标对于评估公司的经营状况和风险控制至关重要,需要实时监测和预警。然而,在实践过程中,经常会面临各种原因导致指标异常的情况,比如,外部市场需求的变化可能会导致保险产品的销售量和保费收入出现波动;业务流程问题可能导致理赔处理时间延长或者赔付率异常;服务器故障可能导致数据采集和报告的延迟;数据采集和清洗过程中出现错误可能导致指标的不准确等等。当这些异常情况发生时,如果不能及时识别并采取相应措施,就可能会给公司带来业务损失和风险。
目前,传统的指标预警预测方法,主要依靠规则和阈值的设定,具体步骤包括确定监控指标、设定阈值以及触发相应的预警机制。然而,传统方法的不足之处在于:首先,传统方法难以处理复杂关系,例如多个指标的联合预警或指标之间的非线性关系。其次,传统方法缺乏自动化,通常需要手动设置和维护阈值,工作量大且效率低,难以实现自动化处理。
发明内容
本申请实施例的目的在于提出一种指标预警方法、装置、计算机设备及存储介质,以解决传统的指标预警预测方案存储在的需要手动设置和维护阈值,导致工作量大且效率低,以及难以处理复杂指标之间的关系的技术问题。
为了解决上述技术问题,本申请实施例提供一种指标预警方法,采用了如下所述的技术方案:
一种指标预警方法,包括:
获取历史指标数据,并对历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列;
基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型;
获取指标预警指令,并解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期;
使用指标预测模型预测待预测指标在预测时间周期内的指标预测值;
确定与预测时间周期对应的历史时间周期,并获取待预测指标在历史时间周期内的指标真实值;
比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果。
进一步地,时序预测算法为Prophet算法,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,具体包括:
创建Prophet对象模型,并对Prophet对象模型进行参数配置;
提取指标数据序列中的趋势特征、周期特征和特殊事件特征;
基于趋势特征、周期特征和特殊事件特征对Prophet对象模型进行迭代,输出迭代结果;
根据迭代结果对Prophet对象模型的参数配置进行调整,直至模型拟合,得到指标预测模型。
进一步地,Prophet对象模型包括趋势预测子模型、周期预测子模型和特殊事件预测子模型,基于趋势特征、周期特征和特殊事件特征对Prophet对象模型进行迭代,输出迭代结果,具体包括:
通过趋势特征和预设的非线性函数来迭代趋势预测子模型,得到趋势预测迭代结果;
通过周期特征和预设的傅里叶变换算法来迭代周期预测子模型,得到周期预测迭代结果;
通过特殊事件特征对特殊事件预测子模型进行迭代,得到特殊事件预测迭代结果;
整合趋势预测迭代结果、周期预测迭代结果和特殊事件预测迭代结果,得到迭代结果。
进一步地,根据迭代结果对Prophet对象模型的参数配置进行调整,直至模型拟合,得到指标预测模型,具体包括:
比对迭代结果和历史指标数据,并使用Prophet对象模型的损失函数计算迭代结果和历史指标数据之间的误差,得到第一预测误差;
在Prophet对象模型中传递第一预测误差,并比对第一预测误差与预设第一误差阈值;
若第一预测误差大于预设第一误差阈值,则对Prophet对象模型的参数配置进行持续调优处理,直至第一预测误差小于或等于预设第一误差阈值为止,得到训练好的指标预测模型。
进一步地,时序预测算法为循环神经网络算法,时序预测模型基于预设的循环神经网络结构搭建,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,具体包括:
获取指标数据序列中每一个历史指标数据对应的历史真实值,并基于每一个历史指标数据对应的历史真实值对指标数据序列进行标注,得到序列标注结果;
对指标数据序列进行时序特征提取,得到指标数据序列的时序特征;
将时序特征导入初始循环神经网络模型,并基于初始循环神经网络模型对时序特征进行时序预测,输出时序预测结果;
根据时序预测结果和序列标注结果对初始循环神经网络模型进行迭代,得到训练好的指标预测模型。
进一步地,根据时序预测结果和序列标注结果对初始循环神经网络模型进行迭代,得到训练好的指标预测模型,具体包括:
使用初始循环神经网络模型的损失函数计算时序预测结果和序列标注结果之间的误差,得到第二预测误差;
在初始循环神经网络模型中传递第二预测误差,并比对第二预测误差与预设第二误差阈值;
若第二预测误差大于预设第二误差阈值,则对初始循环神经网络模型进行迭代更新,直至第二预测误差小于或等于预设第二误差阈值为止,得到训练好的指标预测模型。
进一步地,比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果,具体包括:
计算指标预测值和指标真实值之间的差值,得到指标差值;
根据指标差值和预设差值阈值判断是否需要进行指标异常预警;
若指标差值大于或等于预设差值阈值,则生成第一指标预警结果,并输出第一指标预警结果,其中,第一指标预警结果为指标异常;
若指标差值小于预设差值阈值,则生成第二指标预警结果,并输出第二指标预警结果,其中,第二指标预警结果为指标正常。
为了解决上述技术问题,本申请实施例还提供一种指标预警装置,采用了如下所述的技术方案:
一种指标预警装置,包括:
数据处理模块,用于获取历史指标数据,并对历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列;
模型训练模块,用于基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型;
预警指令模块,用于获取指标预警指令,并解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期;
指标预测模块,用于使用指标预测模型预测待预测指标在预测时间周期内的指标预测值;
真实值获取模块,用于确定与预测时间周期对应的历史时间周期,并获取待预测指标在历史时间周期内的指标真实值;
指标预警模块,用于比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述任一项所述的指标预警方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述中任一项所述的指标预警方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开一种指标预警方法、装置、计算机设备及存储介质,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史指标数据,并对历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,获取指标预警指令,并解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期,使用指标预测模型预测待预测指标在预测时间周期内的指标预测值,确定与预测时间周期对应的历史时间周期,并获取待预测指标在历史时间周期内的指标真实值,比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果。本申请通过时序预测算法训练指标预测模型,用于指标值的自动化预测,通过指标预测模型实现指标数据预测,同时可以获得多个指标之间的非线性关系,并将预测值与实际值进行比较来判断指标是否异常,提高金融产险产品销售系统各个指标预警的效率,实现指标预警的自动化处理。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1示出了本申请可以应用于其中的示例性系统架构图;
图2示出了根据本申请的指标预警方法的一个实施例的流程图;
图3示出了根据本申请的指标预警装置的一个实施例的结构示意图;
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请实施例所提供的指标预警方法一般由服务器执行,相应地,指标预警装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的指标预警方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
目前,传统的指标预警预测方法,主要依靠规则和阈值的设定,具体步骤包括确定监控指标、设定阈值以及触发相应的预警机制。然而,传统方法的不足之处在于:首先,传统方法难以处理复杂关系,例如多个指标的联合预警或指标之间的非线性关系。其次,传统方法缺乏自动化,通常需要手动设置和维护阈值,工作量大且效率低,难以实现自动化处理。
为了解决上述技术问题,本申请公开一种指标预警方法,属于人工智能技术领域和产险金融技术领域,本申请通过时序预测算法训练指标预测模型,用于指标值的自动化预测,通过指标预测模型实现指标数据预测,同时可以获得多个指标之间的非线性关系,并将预测值与实际值进行比较来判断指标是否异常,提高指标预警的效率,实现指标预警的自动化处理。
所述的指标预警方法,包括以下步骤:
S201,获取历史指标数据,并对历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列。
在本实施例中,从业务系统获取历史指标数据,并对历史指标数据进行预处理,预处理可以包括数据清洗、异常值处理、缺失值填充等步骤,以确保数据的质量和完整性。将预处理后的历史指标数据按照时间顺序进行排序,以形成指标数据序列,这样可以确保机器学习模型在训练时按照时间顺序学习数据的模式和趋势。
S202,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型。
时序预测算法是一类用于处理时间序列数据的机器学习算法。时间序列数据是按照时间顺序排列的观测值或测量结果,时序预测算法旨在分析时间序列数据的模式、趋势和周期性,并基于这些信息来预测未来的数值。
时序预测算法通常假设时间序列数据具有一定的规律性和可预测性,因此可以通过历史数据的分析来推断未来的走势,这些算法通过学习时间序列数据的特征和模式,建立数学模型,以便能够对未来的数值进行预测。
时序预测算法可以使用Prophet算法、神经网络模型、指数平滑法、自回归移动平均模型(ARMA)、自回归积分移动平均模型(ARIMA)、季节性自回归积分移动平均模型(SARIMA)等算法模型中的任意一种,对此本申请并不做限制。
在本实施例中,当获得指标数据序列后,服务器基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,指标预测模型可以用于指标值的自动化预测和获取指标之间的非线性关系,以便后续进行指标异常分析。
S203,获取指标预警指令,并解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期。
在本实施例中,当服务器获取到指标预警指令后,解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期。指标预警指令包含待预测指标和预测时间周期等信息,指标预警指令通常会触发对相应指标的预测和预警操作。
S204,使用指标预测模型预测待预测指标在预测时间周期内的指标预测值。
在本实施例中,服务器触发指标预警指令后,调用已经训练好的指标预测模型预测待预测指标在预测时间周期内的指标预测值。指标预测模型会根据历史数据的模式和趋势,给出相应时间周期内待预测指标对应的指标预测值。
S205,确定与预测时间周期对应的历史时间周期,并获取待预测指标在历史时间周期内的指标真实值。
在本实施例中,在获得指标预测值后,服务器会查找与预测时间周期相对应的历史时间周期,并从历史指标数据中获取待预测指标在该历史时间周期内的真实值,这些真实值用于与预测值进行比较。
S206,比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果。
在本实施例中,将指标预测值与指标真实值进行比对,可以通过计算指标差值来评估指标是否异常,根据比对结果生成指标预警结果,如指标差值超过预设差值阈值或预警条件的情况下触发预警,并输出相应的预警信息。
在上述实施例中,本申请公开一种指标预警方法,属于人工智能技术领域和产险金融技术领域。本申请通过时序预测算法训练指标预测模型,用于指标值的自动化预测,通过指标预测模型实现指标数据预测,同时可以获得多个指标之间的非线性关系,并将预测值与实际值进行比较来判断指标是否异常,提高指标预警的效率,实现指标预警的自动化处理。
在本申请一种具体的实施例中,以金融产险产品相关指标预警为例,服务器收集金融产险产品相关的历史数据,包括每个时间点的指标值,对数据进行清洗,包括处理缺失值、异常值和噪声等,再将数据按时间顺序排序,确保时序的正确性。
然后选择合适的时序预测算法,如Prophet算法,作为初始模型进行训练和预测,将历史数据集划分为训练集和验证集,通常可以使用反向传播算法或者交叉验证方法来评估模型的性能,使用训练集来训练时序预测模型,根据历史数据的趋势、周期性和特殊事件进行模型训练,利用训练好的模型对未来一段时间内的金融产险产品相关指标进行预测,根据预测值与实际值之间的偏差,判断指标是否出现异常。可以定义一个阈值或使用统计方法来确定异常的程度。设计预警机制,当指标异常超过一定阈值时,触发预警通知,通知方式可以是发送邮件、短信或生成报警信息。
在上述实施例中,本申请通过合理的数据准备、模型选择和训练、异常检测以及预警通知等步骤,结合金融产险产品的特点,基于机器学习的指标预测、预警方案能够有效提升业务监控和风险控制的能力,且基于机器学习的指标预测、预警方案能可以处理指标之间的非线性关系、多指标的联合预警等复杂关系,能够更好地适应不同的业务场景和变化,帮助企业更好地应对指标异常情况,并采取相应的措施来降低潜在的业务损失。
进一步地,时序预测算法为Prophet算法,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,具体包括:
创建Prophet对象模型,并对Prophet对象模型进行参数配置;
提取指标数据序列中的趋势特征、周期特征和特殊事件特征;
基于趋势特征、周期特征和特殊事件特征对Prophet对象模型进行迭代,输出迭代结果;
根据迭代结果对Prophet对象模型的参数配置进行调整,直至模型拟合,得到指标预测模型。
在本申请一种具体的实施例中,时序预测算法以Prophet算法为例,Prophet是由Facebook开发的一种时序预测算法,用于对时间序列数据进行趋势预测和季节性分析。Prophet算法是一种基于加性模型的非线性回归算法,特别适用于具有多种季节性模式、趋势变化和特殊事件影响的数据。
在本实施例中,服务器先创建一个Prophet对象模型,并对其进行必要的参数配置,例如设置时间周期、节假日、季节模式等。然后对指标数据序列进行特征提取,主要识别出其中的趋势特征、周期性特征和特殊事件特征,例如趋势的上升或下降、每周的周期性、每月的周期性等。利用上面的趋势特征、周期性特征和特殊事件特征,对Prophet对象模型进行迭代训练,得到模型迭代结果。根据迭代结果使用匹配的模型调整算法对Prophet对象模型的参数配置进行调整,模型调整算法如反向传播算法或者交叉验证算法等等,直至模型拟合,得到指标预测模型。
进一步地,Prophet对象模型包括趋势预测子模型、周期预测子模型和特殊事件预测子模型,基于趋势特征、周期特征和特殊事件特征对Prophet对象模型进行迭代,输出迭代结果,具体包括:
通过趋势特征和预设的非线性函数来迭代趋势预测子模型,得到趋势预测迭代结果;
通过周期特征和预设的傅里叶变换算法来迭代周期预测子模型,得到周期预测迭代结果;
通过特殊事件特征对特殊事件预测子模型进行迭代,得到特殊事件预测迭代结果;
整合趋势预测迭代结果、周期预测迭代结果和特殊事件预测迭代结果,得到迭代结果。
在本实施例中,本申请使用灵活的非线性函数来建模趋势部分,如分段线性函数或S型函数,通过优化算法拟合趋势模型,学习趋势的变化规律,根据学习到的趋势模型,生成未来一段时间内的趋势预测结果。例如,对于金融产险产品的指标预测,Prophet模型可以通过拟合历史数据的趋势,预测未来几个月或几年的指标趋势,例如预测未来产险保单数的增长或下降趋势。
本申请通过傅里叶变换等方法,从数据中提取出周期性成分,使用季节性模型来建模周期性成分,如周、月或年的季节性模型,根据周期性模型,生成未来一段时间内的周期性预测结果。举例来说,假设金融产险产品的指标在每年末出现明显的季节性增长,Prophet模型可以通过拟合历史数据的季节性模式,预测未来每年末的指标增长趋势。
如果数据中存在特殊事件(如假期、促销活动等),Prophet模型可以通过建模特殊事件对指标的影响来预测未来的特殊事件效应。根据特殊事件的时间点和持续时间,构建特殊事件模型,通过对特殊事件进行建模,预测特殊事件对指标的影响程度和持续时间,根据特殊事件模型,生成未来一段时间内特殊事件的预测结果。举例来说,如果金融产险产品在某个节假日期间出现明显的销售增长,Prophet模型可以通过拟合历史数据中的节假日销售数据,预测未来节假日期间的销售增长情况。
在上述实施例中,本申请通过Prophet算法训练一个指标预测模型,这个指标预测模型可以预测出待预测指标在预测时间周期内的指标数据,预测的指标数据包括趋势数据、周期数据和是否存在特殊事件。
进一步地,根据迭代结果对Prophet对象模型的参数配置进行调整,直至模型拟合,得到指标预测模型,具体包括:
比对迭代结果和历史指标数据,并使用Prophet对象模型的损失函数计算迭代结果和历史指标数据之间的误差,得到第一预测误差;
在Prophet对象模型中传递第一预测误差,并比对第一预测误差与预设第一误差阈值;
若第一预测误差大于预设第一误差阈值,则对所述初始循环神经网络模型进行迭代更新,直至第一预测误差小于或等于预设第一误差阈值为止,得到训练好的指标预测模型。
在本实施例中,可以使用反向传播算法或者交叉验证算法对Prophet对象模型进行调整。以反向传播算法为例,比对迭代结果和历史指标数据,并使用Prophet对象模型的损失函数计算迭代结果和历史指标数据之间的误差,得到第一预测误差;在Prophet对象模型中传递第一预测误差,并比对第一预测误差与预设第一误差阈值;若第一预测误差大于预设第一误差阈值,则对所述初始循环神经网络模型进行迭代更新,直至第一预测误差小于或等于预设第一误差阈值为止,得到训练好的指标预测模型。
在上述实施例中,本申请通过反向传播算法对Prophet对象模型的参数配置进行调整,可以使得训练过程中的Prophet对象模型逐步趋于拟合,最终得到训练好的指标预测模型。
需要说明的是,使用Prophet算法实现指标预测时,不需要对历史指标数据进行额外标注,可以降低人工干预,降低人力使用成本,提高效率以及保证预测结果的准确性。
进一步地,时序预测算法为循环神经网络算法,时序预测模型基于预设的循环神经网络结构搭建,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,具体包括:
获取指标数据序列中每一个历史指标数据对应的历史真实值,并基于每一个历史指标数据对应的历史真实值对指标数据序列进行标注,得到序列标注结果;
对指标数据序列进行时序特征提取,得到指标数据序列的时序特征;
将时序特征导入初始循环神经网络模型,并基于初始循环神经网络模型对时序特征进行时序预测,输出时序预测结果;
根据时序预测结果和序列标注结果对初始循环神经网络模型进行迭代,得到训练好的指标预测模型。
在本申请另一种具体的实施例中,时序预测算法以循环神经网络算法为例,基于神经网络的模型,如循环神经网络(RNN)和长短期记忆网络(LSTM),能够捕捉时间序列数据的长期依赖关系和复杂模式。
在本实施例中,服务器获取指标数据序列中每一个历史指标数据对应的历史真实值,并基于每一个历史指标数据对应的历史真实值对指标数据序列进行标注,得到序列标注结果;对指标数据序列进行时序特征提取,得到指标数据序列的时序特征;将时序特征导入初始循环神经网络模型,并基于初始循环神经网络模型对时序特征进行时序预测,输出时序预测结果;根据时序预测结果和序列标注结果对初始循环神经网络模型进行迭代,得到训练好的指标预测模型。其中,初始循环神经网络模型可以选用循环神经网络(RNN)和长短期记忆网络(LSTM)来构建。
在上述实施例中,本申请通过循环神经网络算法来构建指标预测模型,该指标预测模型可以根据历史指标数据预测出未来的指标数据,并且基于循环神经网络算法构建指标预测模型更加容易获取多个指标之间的非线性关系,能够更好地适应不同的业务场景和数据变化,能够自动调整模型参数,对于复杂的关系能够更好地预测和识别异常情况。
进一步地,根据时序预测结果和序列标注结果对初始循环神经网络模型进行迭代,得到训练好的指标预测模型,具体包括:
使用初始循环神经网络模型的损失函数计算时序预测结果和序列标注结果之间的误差,得到第二预测误差;
在初始循环神经网络模型中传递第二预测误差,并比对第二预测误差与预设第二误差阈值;
若第二预测误差大于预设第二误差阈值,则对所述初始循环神经网络模型进行迭代更新,直至第二预测误差小于或等于预设第二误差阈值为止,得到训练好的指标预测模型。
在本实施例中,可以使用反向传播算法或者交叉验证算法对初始循环神经网络模型进行调整。以反向传播算法为例,使用初始循环神经网络模型的损失函数计算时序预测结果和序列标注结果之间的误差,得到第二预测误差;在初始循环神经网络模型中传递第二预测误差,并比对第二预测误差与预设第二误差阈值;若第二预测误差大于预设第二误差阈值,则对所述初始循环神经网络模型进行迭代更新,直至第二预测误差小于或等于预设第二误差阈值为止,得到训练好的指标预测模型。
在上述实施例中,本申请通过反向传播算法对初始循环神经网络模型的参数配置进行调整,可以使得训练过程中的初始循环神经网络模型逐步趋于拟合,最终得到训练好的指标预测模型,训练好的指标预测模型可以直接应用于指标数据预测。
进一步地,比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果,具体包括:
计算指标预测值和指标真实值之间的差值,得到指标差值;
根据指标差值和预设差值阈值判断是否需要进行指标异常预警;
若指标差值大于或等于预设差值阈值,则生成第一指标预警结果,并输出第一指标预警结果,其中,第一指标预警结果为指标异常;
若指标差值小于预设差值阈值,则生成第二指标预警结果,并输出第二指标预警结果,其中,第二指标预警结果为指标正常。
在本实施例中,通过将预测值与真实值进行减法运算,并取计算结果的绝对值,计算得到指标差值,差值表示预测值与真实值之间的偏差或误差。将计算得到的指标差值与预设的差值阈值进行比较,如果差值大于或等于预设差值阈值,表示指标偏离了正常范围,需要进行异常预警,如果差值小于预设差值阈值,表示指标仍在正常范围内,不需要进行异常预警。将计算得到的指标差值与预设的差值阈值进行比较,如果差值大于或等于预设差值阈值,表示指标偏离了正常范围,需要进行异常预警,如果差值小于预设差值阈值,表示指标仍在正常范围内,不需要进行异常预警。
在本申请一种具体的实施例中,在金融产险产品的指标预警中,例如保险公司的理赔率是一个重要的指标。通过预测理赔率并与实际值进行比较,可以得到理赔率的差值,如果差值大于或等于预设差值阈值,表示理赔率异常偏高或偏低,可能存在风险或问题,需要触发第一指标预警结果,通知相关部门进行调查和处理。如果差值小于预设差值阈值,表示理赔率正常,不需要额外的预警处理,当然也可以生成第二指标预警结果,并发送给相关人员,以确认指标正常。
在上述实施例中,本申请公开一种指标预警方法,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史指标数据,并对历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,获取指标预警指令,并解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期,使用指标预测模型预测待预测指标在预测时间周期内的指标预测值,确定与预测时间周期对应的历史时间周期,并获取待预测指标在历史时间周期内的指标真实值,比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果。本申请通过时序预测算法训练指标预测模型,用于指标值的自动化预测,通过指标预测模型实现指标数据预测,同时可以获得多个指标之间的非线性关系,并将预测值与实际值进行比较来判断指标是否异常,提高金融产险产品销售系统各个指标预警的效率,实现指标预警的自动化处理。
在本实施例中,指标预警方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收指令或获取数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是,为进一步保证上述指标预测值的私密和安全性,上述指标预测值还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种指标预警装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的指标预警装置300包括:
数据处理模块301,用于获取历史指标数据,并对历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列;
模型训练模块302,用于基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型;
预警指令模块303,用于获取指标预警指令,并解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期;
指标预测模块304,用于使用指标预测模型预测待预测指标在预测时间周期内的指标预测值;
真实值获取模块305,用于确定与预测时间周期对应的历史时间周期,并获取待预测指标在历史时间周期内的指标真实值;
指标预警模块306,用于比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果。
进一步地,时序预测算法为Prophet算法,模型训练模块302具体包括:
Prophet模型构建单元,用于创建Prophet对象模型,并对Prophet对象模型进行参数配置;
第一特征提取单元,用于提取指标数据序列中的趋势特征、周期特征和特殊事件特征;
Prophet模型迭代单元,用于基于趋势特征、周期特征和特殊事件特征对Prophet对象模型进行迭代,输出迭代结果;
Prophet模型调整单元,用于根据迭代结果对Prophet对象模型的参数配置进行调整,直至模型拟合,得到指标预测模型。
进一步地,Prophet对象模型包括趋势预测子模型、周期预测子模型和特殊事件预测子模型,Prophet模型迭代单元具体包括:
趋势预测子单元,用于通过趋势特征和预设的非线性函数来迭代趋势预测子模型,得到趋势预测迭代结果;
周期预测子单元,用于通过周期特征和预设的傅里叶变换算法来迭代周期预测子模型,得到周期预测迭代结果;
特殊事件预测子单元,用于通过特殊事件特征对特殊事件预测子模型进行迭代,得到特殊事件预测迭代结果;
迭代结果整合子单元,用于整合趋势预测迭代结果、周期预测迭代结果和特殊事件预测迭代结果,得到迭代结果。
进一步地,Prophet模型调整单元具体包括:
第一误差计算子单元,用于比对迭代结果和历史指标数据,并使用Prophet对象模型的损失函数计算迭代结果和历史指标数据之间的误差,得到第一预测误差;
第一误差传递子单元,用于在Prophet对象模型中传递第一预测误差,并比对第一预测误差与预设第一误差阈值;
Prophet模型调整子单元,用于当第一预测误差大于预设第一误差阈值时,对Prophet对象模型的参数配置进行持续调优处理,直至第一预测误差小于或等于预设第一误差阈值为止,得到训练好的指标预测模型。
进一步地,时序预测算法为循环神经网络算法,时序预测模型基于预设的循环神经网络结构搭建,模型训练模块302还包括:
序列标注单元,用于获取指标数据序列中每一个历史指标数据对应的历史真实值,并基于每一个历史指标数据对应的历史真实值对指标数据序列进行标注,得到序列标注结果;
第二特征提取单元,用于对指标数据序列进行时序特征提取,得到指标数据序列的时序特征;
时序预测单元,用于将时序特征导入初始循环神经网络模型,并基于初始循环神经网络模型对时序特征进行时序预测,输出时序预测结果;
循环迭代单元,用于根据时序预测结果和序列标注结果对初始循环神经网络模型进行迭代,得到训练好的指标预测模型。
进一步地,循环迭代单元具体包括:
第二误差计算子单元,用于使用初始循环神经网络模型的损失函数计算时序预测结果和序列标注结果之间的误差,得到第二预测误差;
第二误差传递子单元,用于在初始循环神经网络模型中传递第二预测误差,并比对第二预测误差与预设第二误差阈值;
循环迭代子单元,用于若第一预测误差大于预设第二误差阈值,则对所述初始循环神经网络模型进行迭代更新,直至第二预测误差小于或等于预设第二误差阈值为止,得到训练好的指标预测模型。
进一步地,指标预警模块306具体包括:
指标差值计算单元,用于计算指标预测值和指标真实值之间的差值,得到指标差值;
异常预警判断单元,用于根据指标差值和预设差值阈值判断是否需要进行指标异常预警;
第一预警判断单元,用于当指标差值大于或等于预设差值阈值时,生成第一指标预警结果,并输出第一指标预警结果,其中,第一指标预警结果为指标异常;
第二预警判断单元,用于当指标差值小于预设差值阈值时,生成第二指标预警结果,并输出第二指标预警结果,其中,第二指标预警结果为指标正常。
在上述实施例中,本申请公开一种指标预警装置,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史指标数据,并对历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,获取指标预警指令,并解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期,使用指标预测模型预测待预测指标在预测时间周期内的指标预测值,确定与预测时间周期对应的历史时间周期,并获取待预测指标在历史时间周期内的指标真实值,比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果。本申请通过时序预测算法训练指标预测模型,用于指标值的自动化预测,通过指标预测模型实现指标数据预测,同时可以获得多个指标之间的非线性关系,并将预测值与实际值进行比较来判断指标是否异常,提高金融产险产品销售系统各个指标预警的效率,实现指标预警的自动化处理。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如指标预警方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述指标预警方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
在上述实施例中,本申请公开一种计算机设备,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史指标数据,并对历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,获取指标预警指令,并解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期,使用指标预测模型预测待预测指标在预测时间周期内的指标预测值,确定与预测时间周期对应的历史时间周期,并获取待预测指标在历史时间周期内的指标真实值,比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果。本申请通过时序预测算法训练指标预测模型,用于指标值的自动化预测,通过指标预测模型实现指标数据预测,同时可以获得多个指标之间的非线性关系,并将预测值与实际值进行比较来判断指标是否异常,提高金融产险产品销售系统各个指标预警的效率,实现指标预警的自动化处理。
本申请还提供了另一种实施方式,即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可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的指标预警方法的步骤。
在上述实施例中,本申请公开一种计算机可读存储介质,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史指标数据,并对历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列,基于指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,获取指标预警指令,并解析指标预警指令,获取指标预警指令对应的待预测指标和预测时间周期,使用指标预测模型预测待预测指标在预测时间周期内的指标预测值,确定与预测时间周期对应的历史时间周期,并获取待预测指标在历史时间周期内的指标真实值,比对指标预测值和指标真实值,根据比对结果生成指标预警结果,并输出指标预警结果。本申请通过时序预测算法训练指标预测模型,用于指标值的自动化预测,通过指标预测模型实现指标数据预测,同时可以获得多个指标之间的非线性关系,并将预测值与实际值进行比较来判断指标是否异常,提高金融产险产品销售系统各个指标预警的效率,实现指标预警的自动化处理。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种指标预警方法,其特征在于,包括:
获取历史指标数据,并对所述历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列;
基于所述指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型;
获取指标预警指令,并解析所述指标预警指令,获取所述指标预警指令对应的待预测指标和预测时间周期;
使用所述指标预测模型预测所述待预测指标在所述预测时间周期内的指标预测值;
确定与所述预测时间周期对应的历史时间周期,并获取所述待预测指标在所述历史时间周期内的指标真实值;
比对所述指标预测值和所述指标真实值,根据比对结果生成指标预警结果,并输出所述指标预警结果。
2.如权利要求1所述的指标预警方法,其特征在于,所述时序预测算法为Prophet算法,所述基于所述指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,具体包括:
创建Prophet对象模型,并对所述Prophet对象模型进行参数配置;
提取所述指标数据序列中的趋势特征、周期特征和特殊事件特征;
基于所述趋势特征、周期特征和特殊事件特征对所述Prophet对象模型进行迭代,输出迭代结果;
根据所述迭代结果对所述Prophet对象模型的参数配置进行调整,直至模型拟合,得到所述指标预测模型。
3.如权利要求2所述的指标预警方法,其特征在于,所述Prophet对象模型包括趋势预测子模型、周期预测子模型和特殊事件预测子模型,所述基于所述趋势特征、周期特征和特殊事件特征对所述Prophet对象模型进行迭代,输出迭代结果,具体包括:
通过所述趋势特征和预设的非线性函数来迭代所述趋势预测子模型,得到趋势预测迭代结果;
通过所述周期特征和预设的傅里叶变换算法来迭代所述周期预测子模型,得到周期预测迭代结果;
通过特殊事件特征对所述特殊事件预测子模型进行迭代,得到特殊事件预测迭代结果;
整合所述趋势预测迭代结果、所述周期预测迭代结果和所述特殊事件预测迭代结果,得到所述迭代结果。
4.如权利要求2所述的指标预警方法,其特征在于,所述根据所述迭代结果对所述Prophet对象模型的参数配置进行调整,直至模型拟合,得到所述指标预测模型,具体包括:
比对所述迭代结果和所述历史指标数据,并使用所述Prophet对象模型的损失函数计算所述迭代结果和所述历史指标数据之间的误差,得到第一预测误差;
在所述Prophet对象模型中传递所述第一预测误差,并比对所述第一预测误差与预设第一误差阈值;
若所述第一预测误差大于预设第一误差阈值,则对所述Prophet对象模型的参数配置进行持续调优处理,直至所述第一预测误差小于或等于预设第一误差阈值为止,得到训练好的所述指标预测模型。
5.如权利要求1所述的指标预警方法,其特征在于,所述时序预测算法为循环神经网络算法,所述时序预测模型基于预设的循环神经网络结构搭建,所述基于所述指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型,具体包括:
获取所述指标数据序列中每一个历史指标数据对应的历史真实值,并基于每一个历史指标数据对应的历史真实值对所述指标数据序列进行标注,得到序列标注结果;
对所述指标数据序列进行时序特征提取,得到所述指标数据序列的时序特征;
将所述时序特征导入初始循环神经网络模型,并基于所述初始循环神经网络模型对所述时序特征进行时序预测,输出时序预测结果;
根据所述时序预测结果和所述序列标注结果对所述初始循环神经网络模型进行迭代,得到训练好的所述指标预测模型。
6.如权利要求5所述的指标预警方法,其特征在于,所述根据所述时序预测结果和所述序列标注结果对所述初始循环神经网络模型进行迭代,得到训练好的所述指标预测模型,具体包括:
使用所述初始循环神经网络模型的损失函数计算所述时序预测结果和所述序列标注结果之间的误差,得到第二预测误差;
在所述初始循环神经网络模型中传递所述第二预测误差,并比对所述第二预测误差与预设第二误差阈值;
若所述第二预测误差大于预设第二误差阈值,则对所述初始循环神经网络模型进行迭代更新,直至所述第二预测误差小于或等于预设第二误差阈值为止,得到训练好的所述指标预测模型。
7.如权利要求1至6任意一项所述的指标预警方法,其特征在于,所述比对所述指标预测值和所述指标真实值,根据比对结果生成指标预警结果,并输出所述指标预警结果,具体包括:
计算所述指标预测值和所述指标真实值之间的差值,得到指标差值;
根据所述指标差值和预设差值阈值判断是否需要进行指标异常预警;
若所述指标差值大于或等于预设差值阈值,则生成第一指标预警结果,并输出所述第一指标预警结果,其中,所述第一指标预警结果为指标异常;
若所述指标差值小于预设差值阈值,则生成第二指标预警结果,并输出所述第二指标预警结果,其中,所述第二指标预警结果为指标正常。
8.一种指标预警装置,其特征在于,包括:
数据处理模块,用于获取历史指标数据,并对所述历史指标数据进行预处理,对预处理后的历史指标数据按照时间顺序进行排序,得到指标数据序列;
模型训练模块,用于基于所述指标数据序列和预设的时序预测算法训练预测指标值的时序预测模型,得到指标预测模型;
预警指令模块,用于获取指标预警指令,并解析所述指标预警指令,获取所述指标预警指令对应的待预测指标和预测时间周期;
指标预测模块,用于使用所述指标预测模型预测所述待预测指标在所述预测时间周期内的指标预测值;
真实值获取模块,用于确定与所述预测时间周期对应的历史时间周期,并获取所述待预测指标在所述历史时间周期内的指标真实值;
指标预警模块,用于比对所述指标预测值和所述指标真实值,根据比对结果生成指标预警结果,并输出所述指标预警结果。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的指标预警方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的指标预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310790543.7A CN116843216A (zh) | 2023-06-29 | 2023-06-29 | 一种指标预警方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310790543.7A CN116843216A (zh) | 2023-06-29 | 2023-06-29 | 一种指标预警方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843216A true CN116843216A (zh) | 2023-10-03 |
Family
ID=88171986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310790543.7A Pending CN116843216A (zh) | 2023-06-29 | 2023-06-29 | 一种指标预警方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843216A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575685A (zh) * | 2024-01-17 | 2024-02-20 | 之江实验室科技控股有限公司 | 数据分析预警系统及方法 |
CN117933827A (zh) * | 2024-03-13 | 2024-04-26 | 深圳市吉方工控有限公司 | 计算机终端工控信息数据处理方法、电子设备及存储介质 |
-
2023
- 2023-06-29 CN CN202310790543.7A patent/CN116843216A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575685A (zh) * | 2024-01-17 | 2024-02-20 | 之江实验室科技控股有限公司 | 数据分析预警系统及方法 |
CN117933827A (zh) * | 2024-03-13 | 2024-04-26 | 深圳市吉方工控有限公司 | 计算机终端工控信息数据处理方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10248528B2 (en) | System monitoring method and apparatus | |
CN116843216A (zh) | 一种指标预警方法、装置、计算机设备及存储介质 | |
CN112116184A (zh) | 使用历史检验数据的工厂风险估计 | |
CN114971748B (zh) | 预测数据生成、模型训练方法、计算机设备以及存储介质 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN112925911A (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
WO2023137484A1 (en) | Sustainability management systems and methods | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN117391866A (zh) | 一种数据处理方法、装置、设备及其存储介质 | |
CN117522538A (zh) | 招投标信息处理方法、装置、计算机设备及存储介质 | |
CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
CN116596662A (zh) | 基于企业舆情信息的风险预警的方法、装置、电子设备和介质 | |
CN117312991B (zh) | 一种分类识别系统的构建方法及其相关设备 | |
CN117611352A (zh) | 一种车险理赔处理方法、装置、计算机设备及存储介质 | |
CN116934512A (zh) | 一种财务月结审核方法、装置、计算机设备及存储介质 | |
CN117236707A (zh) | 一种资产优化配置方法、装置、计算机设备及存储介质 | |
CN116957411A (zh) | 项目开发能效评估方法、系统、计算机设备及存储介质 | |
CN116308468A (zh) | 客户对象分类方法、装置、计算机设备及存储介质 | |
CN118154330A (zh) | 风控策略管控方法、装置、计算机设备及存储介质 | |
CN116756147A (zh) | 一种数据归类方法、装置、计算机设备及存储介质 | |
Sseguya | Forecasting anomalies in time series data from online production environments | |
CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 | |
CN117350868A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN116934506A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 |
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 |