CN117670066A - 基于智能决策的司库管理方法、系统、设备及存储介质 - Google Patents
基于智能决策的司库管理方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117670066A CN117670066A CN202410131975.1A CN202410131975A CN117670066A CN 117670066 A CN117670066 A CN 117670066A CN 202410131975 A CN202410131975 A CN 202410131975A CN 117670066 A CN117670066 A CN 117670066A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- market
- transaction data
- decision
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 98
- 238000012502 risk assessment Methods 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000003066 decision tree Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013433 optimization analysis Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 49
- 230000008569 process Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000003339 best practice Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012043 cost effectiveness analysis Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013349 risk mitigation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能决策技术领域,公开了一种基于智能决策的司库管理方法、系统、设备及存储介质。所述方法包括:获取待处理的目标市场数据和目标交易数据;进行时序建模,得到时序市场数据以及时序交易数据;进行特征提取,得到市场数据特征集合以及交易数据特征集合;构建二维时序超网络模型并进行风险节点识别和分析,得到多个风险节点评价指标;通过智能风险评估模型进行智能风险评估和预测,得到风险评估预测数据;根据风险评估预测数据生成第一司库管理决策策略,并通过蜂群算法对第一司库管理决策策略进行策略优化,得到第二司库管理决策策略,本申请采用深度学习技术进行司库管理决策,提高了智能决策的准确率。
Description
技术领域
本申请涉及智能决策技术领域,尤其涉及一种基于智能决策的司库管理方法、系统、设备及存储介质。
背景技术
随着金融市场的不断复杂化和全球经济的快速发展,司库管理在企业运营中扮演着愈发重要的角色。传统的司库管理方法在面对多源数据、市场波动、复杂风险等挑战时显得力不从心,需要更具智能决策能力的方法来提高管理效能。
然而,当前基于智能决策的司库管理方法仍然面临一系列挑战。多源数据的异构性和实时性给数据获取和预处理带来了困难,需要更有效的数据处理手段来应对这一问题。其次,时序建模在面对不断变化的市场和交易数据时,需要更灵活、适应性强的模型结构。智能风险评估在处理多样化的风险因素时,还需要更深入的研究,以提高风险评估的准确性和实用性。
发明内容
本申请提供了一种基于智能决策的司库管理方法、系统、设备及存储介质,本申请采用深度学习技术进行司库管理决策,提高了智能决策的准确率。
第一方面,本申请提供了一种基于智能决策的司库管理方法,所述基于智能决策的司库管理方法包括:
通过多源数据库获取待处理的初始市场数据和初始交易数据,并对所述初始市场数据和所述初始交易数据进行预处理,得到目标市场数据和目标交易数据;
通过预置的自回归积分滑动平均模型,对所述目标市场数据和所述目标交易数据进行时序建模,得到时序市场数据以及时序交易数据;
对所述时序市场数据以及所述时序交易数据进行特征提取,得到市场数据特征集合以及交易数据特征集合;
根据所述市场数据特征集合以及所述交易数据特征集合构建对应的二维时序超网络模型,并对所述二维时序超网络模型进行风险节点识别和分析,得到多个风险节点评价指标;
将所述多个风险节点评价指标输入预置的智能风险评估模型进行智能风险评估和预测,得到风险评估预测数据;
根据所述风险评估预测数据生成第一司库管理决策策略,并通过预置的蜂群算法对所述第一司库管理决策策略进行策略优化,得到第二司库管理决策策略。
第二方面,本申请提供了一种基于智能决策的司库管理系统,所述基于智能决策的司库管理系统包括:
获取模块,用于通过多源数据库获取待处理的初始市场数据和初始交易数据,并对所述初始市场数据和所述初始交易数据进行预处理,得到目标市场数据和目标交易数据;
建模模块,用于通过预置的自回归积分滑动平均模型,对所述目标市场数据和所述目标交易数据进行时序建模,得到时序市场数据以及时序交易数据;
特征提取模块,用于对所述时序市场数据以及所述时序交易数据进行特征提取,得到市场数据特征集合以及交易数据特征集合;
构建模块,用于根据所述市场数据特征集合以及所述交易数据特征集合构建对应的二维时序超网络模型,并对所述二维时序超网络模型进行风险节点识别和分析,得到多个风险节点评价指标;
预测模块,用于将所述多个风险节点评价指标输入预置的智能风险评估模型进行智能风险评估和预测,得到风险评估预测数据;
生成模块,用于根据所述风险评估预测数据生成第一司库管理决策策略,并通过预置的蜂群算法对所述第一司库管理决策策略进行策略优化,得到第二司库管理决策策略。
本申请第三方面提供了一种计算机设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行上述的基于智能决策的司库管理方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于智能决策的司库管理方法。
本申请提供的技术方案中,通过使用多源数据库,方法能够从不同数据源中获取丰富的市场数据和交易数据。这有助于提高数据的全面性和多样性,使得司库管理决策更为准确和全面。引入了自回归积分滑动平均模型,有效地对时序数据进行建模。这一模型不仅考虑了时间序列的自相关性、趋势和季节性,还通过动态权重的使用更好地适应不同时间点的数据特征,提高了模型的适应性。通过对时序市场数据和时序交易数据进行特征提取,并将其作为节点构建二维时序超网络模型,实现了对数据特征的更全面和复杂的捕捉。这有助于更准确地识别风险节点和分析其关联性。引入了智能风险评估模型,该模型结合了多个决策树网络,能够更全面、深入地对风险节点进行评估。通过考虑不同决策树网络的权重,提高了风险评估的准确性和鲁棒性。利用预置的蜂群算法对第一司库管理决策策略进行优化。这种算法能够搜索决策空间,找到最优的决策策略,从而提高了决策的效果和性能。通过多个步骤的整合,方法实现了全面的风险评估和策略优化。这有助于使司库管理决策更加智能、灵活,并更好地适应不断变化的市场条件。通过对目标市场数据和目标交易数据进行时序建模,方法更好地考虑了时间维度对于风险识别和评估的重要性。这有助于更好地捕捉数据的演变趋势,提高风险预测的准确性,采用深度学习技术进行司库管理决策,提高了智能决策的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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,还可以基于这些附图获得其他的附图。
图1为本申请实施例中基于智能决策的司库管理方法的一个实施例示意图;
图2为本申请实施例中基于智能决策的司库管理系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于智能决策的司库管理方法、系统、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中基于智能决策的司库管理方法的一个实施例包括:
步骤101、通过多源数据库获取待处理的初始市场数据和初始交易数据,并对初始市场数据和初始交易数据进行预处理,得到目标市场数据和目标交易数据;
可以理解的是,本申请的执行主体可以为基于智能决策的司库管理系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,通过多源数据库获取待处理的原始数据集,从多个数据源中收集涵盖广泛市场和交易信息的原始数据。确定原始数据集中的市场数据属性标签和交易数据属性标签,对数据进行有效分类并识别数据的关键特征。市场数据属性标签关注于宏观经济指标和行业趋势,而交易数据属性标签则聚焦于单个交易的细节,如交易时间、数量和价值。根据这些属性标签,将原始数据集分为初始市场数据和初始交易数据。分类之后,对这些初始数据进行进一步处理,以提高数据质量和可用性。包括去除异常值和进行缺失值插值。去除异常值的目的在于识别和剔除那些扭曲分析结果的离群点,这些点由录入错误、系统故障或非典型市场事件造成。进行缺失值插值则是为了填补数据集中的空白,确保数据完整性,通过统计方法或机器学习算法来估计缺失数据。对标准市场数据和标准交易数据进行标准化处理,使不同数据源的数据可以在同一基础上进行比较和分析。标准化是一种调整数据范围的技术,目的是消除不同量纲和数据范围带来的影响,使数据分布更加一致。这通常包括对数据进行归一化或变换,以确保数据在分析中的一致性和有效性。
步骤102、通过预置的自回归积分滑动平均模型,对目标市场数据和目标交易数据进行时序建模,得到时序市场数据以及时序交易数据;
具体的,将目标市场数据输入到预置的自回归积分滑动平均(ARIMA)模型中,并对目标市场数据进行时间单位扫描。时间单位扫描的作用是识别在每个时间单位内的市场数据的波动情况,这包括确定每个时间单位的第一最大值和第一最小值。这种扫描方法描述了不同时间段内市场数据的极端变化。通过这种扫描,生成了市场数据的最大值序列和最小值序列,这两个序列分别代表了市场在各个时间单位的极端波动情况。将这些序列输入ARIMA模型中,应用预设的第一数据动态权重。这些动态权重的作用是调整不同时间点数据的重要性,从而更准确地捕捉市场趋势和周期性变化。同时,将目标交易数据输入到ARIMA模型,并进行时间单位扫描,确定每个时间单位内的第二最大值和第二最小值。捕捉交易数据在不同时间单位的波动情况,从而深入了解交易活动的动态。基于扫描结果,生成交易数据的最大值序列和最小值序列,这些序列反映了交易数据在不同时间单位的极端波动情况。之后,根据预设的第二数据动态权重对交易数据最大值序列和交易数据最小值序列进行时序建模,得到时序交易数据。这些权重的调整是为了更准确地模拟交易数据的时间序列变化,从而为交易动态提供深入的分析。通过这样的时序建模,最终得到的时序交易数据为智能决策提供了一个基于时间变化的详细视图,这有助于理解交易模式和预测未来趋势。
步骤103、对时序市场数据以及时序交易数据进行特征提取,得到市场数据特征集合以及交易数据特征集合;
具体的,获取时序市场数据的第一时间戳数据集合,并获取时序交易数据的第二时间戳数据集合。对这两个数据集合进行曲线拟合,通过统计和数学方法找出数据中的潜在关系和模式。市场时间关系曲线是通过对第一时间戳数据集合的市场数据进行曲线拟合得到的,而交易时间关系曲线是通过对第二时间戳数据集合的市场数据进行曲线拟合得到的。这两个曲线反映了市场和交易数据随时间变化的规律。对这两个曲线进行特征区间的识别。对曲线进行分析,以识别出具有显著特征或规律性变化的区间。这些特征区间是市场和交易数据的关键部分,可以揭示重要的市场趋势和交易行为。市场曲线特征区间的识别有助于理解市场波动和趋势,而交易曲线特征区间的识别则有助于洞悉交易模式和行为。对特征区间进行变换调整和区间均值运算。对识别出的特征区间进行数学处理,以提取出更加准确和有用的信息。通过变换调整,标准化区间数据,使其更加一致,而区间均值运算则有助于提取出区间内数据的平均特性。最终,生成多个市场和交易特征区间均值,这些均值是对原始数据的高度概括。基于市场和交易特征区间均值,生成对应的市场数据特征集合和交易数据特征集合。这些特征集合是对原始时序数据的精炼和提炼,它们集中了数据中最关键的信息和模式。
步骤104、根据市场数据特征集合以及交易数据特征集合构建对应的二维时序超网络模型,并对二维时序超网络模型进行风险节点识别和分析,得到多个风险节点评价指标;
具体的,将市场数据特征集合和交易数据特征集合分别作为第一和第二网络节点集合。这两个集合的每个特征都被视为一个独立的节点,其中市场数据特征集合的节点包括价格波动、需求变化等,而交易数据特征集合的节点包括交易量、交易频率等。进行节点关系分析,识别这些节点之间的相互关系和相互作用。通过分析,可以确定哪些市场特征与交易特征之间存在显著的关联,根据第一网络节点集合、第二网络节点集合以及节点关系集合构建对应的二维时序超网络模型。这个模型是基于时间序列数据构建的,它不仅反映了节点之间的关系,还反映了这些关系随时间的变化。然后,对二维时序超网络模型进行风险节点识别,找出那些导致系统不稳定或性能下降的关键节点,即风险节点。通过分析超网络模型,可以识别出一系列初始风险节点。对这些初始风险节点进行节点聚类分析,可以帮助进一步理解这些风险节点的性质和特征。聚类分析的目的是将具有相似特征或行为的风险节点分组,从而更好地理解它们在网络中的作用和潜在影响。根据聚类结果进行风险节点校正。重新评估和调整初始风险节点的分类,以确保风险节点的识别更加准确和有意义。对目标风险节点进行特征指标量化分析,为每个风险节点生成一系列量化的评价指标。这些指标包括节点的影响力、其在网络中的位置重要性、以及与其他节点的关联强度等。通过这些量化分析,可以更准确地评估每个风险节点对整个系统的潜在影响。
步骤105、将多个风险节点评价指标输入预置的智能风险评估模型进行智能风险评估和预测,得到风险评估预测数据;
具体的,对多个风险节点评价指标进行归一化映射,将这些评价指标转换成统一的尺度,以便于后续处理和分析。归一化映射可以消除不同评价指标之间由于量纲或数值范围不同所带来的影响,使得每个指标都能在相同的基础上进行比较和分析。将归一化后的节点评价指标进行向量转换,将这些指标转化为一种适合输入到智能风险评估模型中的形式。向量转换涉及将每个归一化的指标转换为向量的组成部分,从而生成一个包含所有相关信息的风险评估输入向量。这个向量作为智能风险评估模型的输入,承载着关于各个风险节点的综合信息。智能风险评估模型的核心是由多个决策树网络组成。这些决策树网络各自独立地对风险评估输入向量进行智能风险评估和预测。每个决策树网络都通过其内部的决策规则和结构来分析输入向量,生成对应的初始评估预测数据。这些数据代表了从不同角度和基于不同决策逻辑得出的风险评估结果。为了获得最终的风险评估预测数据,考虑各个决策树网络的目标权重数据。这些目标权重数据反映了各个决策树网络在整个评估体系中的相对重要性。通过获取这些目标权重数据,可以对各个决策树网络生成的初始评估预测数据进行加权平均处理。将每个决策树网络的预测结果按照其相应的权重加权,然后进行综合,以得到一个综合所有决策树网络输出的风险评估预测数据。
步骤106、根据风险评估预测数据生成第一司库管理决策策略,并通过预置的蜂群算法对第一司库管理决策策略进行策略优化,得到第二司库管理决策策略。
具体的,获取预置的司库管理决策策略序列。这些策略序列通常是基于历史数据、市场分析和行业最佳实践预先设定的,包含了一系列的管理决策和操作步骤。根据所述风险评估预测数据对所述司库管理决策策略序列进行匹配。通过这个匹配过程,可以生成第一司库管理决策策略,这个策略基于当前的风险评估情况。通过预置的蜂群算法对第一司库管理决策策略进行策略群体初始化。蜂群算法是一种模拟自然界蜜蜂觅食行为的算法,它通过群体智能来找到最优解。在这个过程中,第一司库管理决策策略被用作生成多个第一候选决策策略的基础,这些候选策略代表了不同的管理决策和操作路径。分别计算每个第一候选决策策略的策略目标值,评估每个策略的效果和适用性。策略目标值是根据多种因素计算得出的,如策略的风险降低效果、成本效益分析以及对操作流程的影响等。根据这些策略目标值,将多个第一候选决策策略进一步划分为不同的目标决策策略群体,每个群体都包含具有相似目标值和特性的策略。对这些目标决策策略群体进行群体优化分析。在这个阶段,蜂群算法通过模拟蜜蜂的搜索行为,不断调整和优化各个群体中的策略,以寻找更有效的管理决策。通过策略之间的比较、选择和迭代,以确保找到的解决方案既实用又高效。最终,通过对多个第二候选决策策略进行最优化选择,得到第二司库管理决策策略。经过多轮优化和调整后,从所有候选策略中选择出最佳的管理决策。
本申请实施例中,通过使用多源数据库,方法能够从不同数据源中获取丰富的市场数据和交易数据。这有助于提高数据的全面性和多样性,使得司库管理决策更为准确和全面。引入了自回归积分滑动平均模型,有效地对时序数据进行建模。这一模型不仅考虑了时间序列的自相关性、趋势和季节性,还通过动态权重的使用更好地适应不同时间点的数据特征,提高了模型的适应性。通过对时序市场数据和时序交易数据进行特征提取,并将其作为节点构建二维时序超网络模型,实现了对数据特征的更全面和复杂的捕捉。这有助于更准确地识别风险节点和分析其关联性。引入了智能风险评估模型,该模型结合了多个决策树网络,能够更全面、深入地对风险节点进行评估。通过考虑不同决策树网络的权重,提高了风险评估的准确性和鲁棒性。利用预置的蜂群算法对第一司库管理决策策略进行优化。这种算法能够搜索决策空间,找到最优的决策策略,从而提高了决策的效果和性能。通过多个步骤的整合,方法实现了全面的风险评估和策略优化。这有助于使司库管理决策更加智能、灵活,并更好地适应不断变化的市场条件。通过对目标市场数据和目标交易数据进行时序建模,方法更好地考虑了时间维度对于风险识别和评估的重要性。这有助于更好地捕捉数据的演变趋势,提高风险预测的准确性,采用深度学习技术进行司库管理决策,提高了智能决策的准确率。
在一具体实施例中,执行步骤101的过程可以具体包括如下步骤:
(1)通过多源数据库获取待处理的原始数据集,并确定原始数据集的市场数据属性标签以及交易数据属性标签;
(2)根据市场数据属性标签以及交易数据属性标签对原始数据集进行数据分类,得到初始市场数据和初始交易数据;
(3)分别对初始市场数据和初始交易数据进行异常值去除和缺失值插值,得到标准市场数据和标准交易数据;
(4)分别对标准市场数据和标准交易数据进行标准化处理,得到目标市场数据和目标交易数据。
具体的,从多个数据库中获取待处理的原始数据集。这些数据库包含不同类型的数据,如交易记录、市场趋势报告、用户行为数据等。数据的获取可以通过API接口、数据库导出或直接数据读取等方式实现。获取到的数据往往是非结构化或半结构化的,需要进行进一步的处理以便于分析。确定原始数据集中的市场数据属性标签和交易数据属性标签。通过分析数据内容,识别出哪些数据属于市场数据,哪些数据属于交易数据。确定数据属性标签的过程可以通过自动化的数据分类算法来实现,如利用机器学习中的分类算法,根据预先定义的属性标签来自动对数据进行分类。对初始市场数据和初始交易数据进行异常值去除和缺失值插值。异常值是指那些不符合一般规律的数据点,它们由于错误的数据录入、传输错误或其他原因造成。去除异常值可以通过统计分析方法,如箱线图分析或Z-分数方法来实现。缺失值插值则是处理数据中缺失部分的过程,可以采用多种技术如均值插值、中位数插值或更复杂的机器学习算法(例如K近邻插值)来填补缺失值。将处理后的标准市场数据和标准交易数据进行标准化处理,以得到最终的目标市场数据和目标交易数据。标准化是指将数据调整到一个统一的标准,以便于比较和分析。这通常包括数据的归一化处理,如将所有的数值数据转换到0到1之间的范围,或进行Z-分数标准化,即减去平均值后除以标准差。标准化处理后的数据具有统一的规模和分布特征,有利于后续的数据分析和模型训练。
在一具体实施例中,执行步骤102的过程可以具体包括如下步骤:
(1)将目标市场数据输入自回归积分滑动平均模型,并对目标市场数据进行时间单位扫描,确定目标市场数据在每一时间单位的第一最大值和第一最小值,以及根据第一最大值和第一最小值生成对应的市场数据最大值序列和市场数据最小值序列;
(2)根据预设的第一数据动态权重对市场数据最大值序列和市场数据最小值序列进行时序建模,得到时序市场数据;
(3)将目标交易数据输入自回归积分滑动平均模型,并对目标交易数据进行时间单位扫描,确定目标交易数据在每一时间单位的第二最大值和第二最小值,以及根据第二最大值和第二最小值生成对应的交易数据最大值序列和交易数据最小值序列;
(4)根据预设的第二数据动态权重对交易数据最大值序列和交易数据最小值序列进行时序建模,得到时序交易数据。
具体的,将目标市场数据被输入到自回归积分滑动平均模型中。ARIMA模型是一种常用于时间序列分析的方法,它结合了自回归(AR)、差分(I)和移动平均(MA)三种技术,能够有效地分析和预测时间序列数据。输入数据后,模型将对目标市场数据进行时间单位扫描。模型会按照预设的时间单位检查数据,确定每个时间单位内的第一最大值和第一最小值。根据确定的第一最大值和第一最小值,生成相应的市场数据最大值序列和市场数据最小值序列。这两个序列分别记录了每个时间单位内市场数据的极值。对这两个序列进行时序建模。根据预设的第一数据动态权重调整市场数据的最大值序列和最小值序列。动态权重是指根据数据本身的特性和时间序列的变化趋势调整数据的重要性。这种权重调整可以增强模型对市场趋势变化的敏感性和适应性。时序建模的结果是时序市场数据,它反映了市场数据随时间的变化趋势。将目标交易数据输入自回归积分滑动平均模型中,并进行时间单位扫描,以确定每个时间单位内的第二最大值和第二最小值。根据这些极值,生成交易数据的最大值序列和最小值序列,记录了交易量等关键指标在每个时间单位内的极端表现。对这些交易数据序列进行时序建模。根据预设的第二数据动态权重对交易数据的最大值序列和最小值序列进行调整,以便更准确地捕捉交易数据的时间序列特征。这种时序建模可以帮助分析和预测交易活动的趋势。
在一具体实施例中,执行步骤103的过程可以具体包括如下步骤:
(1)获取时序市场数据的第一时间戳数据集合,并获取时序交易数据的第二时间戳数据集合;
(2)根据第一时间戳数据集合对时序市场数据进行曲线拟合,得到市场时间关系曲线,并根据第二时间戳数据集合对时序交易数据进行曲线拟合,得到交易时间关系曲线;
(3)对市场时间关系曲线进行曲线特征区间识别,得到多个市场曲线特征区间,并对交易时间关系曲线进行曲线特征区间识别,得到多个交易曲线特征区间;
(4)分别对多个市场曲线特征区间进行变换调整和区间均值运算,得到多个市场特征区间均值,并根据多个市场特征区间均值生成对应的市场数据特征集合;
(5)分别对多个交易曲线特征区间进行变换调整和区间均值运算,得到多个交易特征区间均值,并根据多个交易特征区间均值生成对应的交易数据特征集合。
具体的,从时序市场数据中获取第一时间戳数据集合,同时从时序交易数据中获取第二时间戳数据集合。时间戳数据集合包含了各个时间点上的关键数据信息,是进行时间序列分析的基础。根据第一时间戳数据集合对时序市场数据进行曲线拟合,以得到市场时间关系曲线。曲线拟合是一种统计技术,用于找出数据点之间的最佳拟合曲线,可以采用多项式拟合、线性回归或其他复杂的拟合算法。市场时间关系曲线揭示了市场数据随时间的变化趋势,帮助分析市场的动态行为。同样,根据第二时间戳数据集合对时序交易数据进行曲线拟合,得到交易时间关系曲线。这一曲线反映了交易数据如交易量、交易次数随时间的变化模式,有助于理解市场交易行为。对市场时间关系曲线进行曲线特征区间识别。识别曲线中具有显著特征或规律性的区间。通过使用数据分析技术,如峰值检测、趋势线分析等,可以从市场时间关系曲线中识别出多个具有特定特征的区间。对于交易时间关系曲线也执行类似的过程,以识别出多个具有显著特征的交易曲线特征区间。然后,分别对这些市场和交易的曲线特征区间进行变换调整和区间均值运算。变换调整包括缩放、平移或其他数学变换,以标准化区间内的数据,使其更适合于进一步分析。区间均值运算则是计算每个特征区间内数据点的平均值,以提取出该区间的主要特征。根据这些市场和交易特征区间的均值,分别生成对应的市场数据特征集合和交易数据特征集合。这些特征集合反映了市场和交易数据在不同时间区间内的关键特征和模式,为后续的数据分析、模型训练或决策支持提供了重要的信息基础。这些特征集合不仅包括了各个特征区间的均值,还包含其他统计数据,如方差、偏度、峰度等,这些统计量能够提供更全面的数据特征描述。
在一具体实施例中,执行步骤104的过程可以具体包括如下步骤:
(1)将市场数据特征集合作为第一网络节点集合,并将交易数据特征集合作为第二网络节点集合;
(2)对第一网络节点集合和第二网络节点集合进行节点关系分析,得到节点关系集合;
(3)根据第一网络节点集合、第二网络节点集合以及节点关系集合构建对应的二维时序超网络模型;
(4)对二维时序超网络模型进行风险节点识别,得到多个初始风险节点,并分别对多个初始风险节点进行节点聚类分析,得到每个初始风险节点的节点聚类结果;
(5)根据节点聚类结果对多个初始风险节点进行风险节点校正,得到多个目标风险节点;
(6)对多个目标风险节点进行特征指标量化分析,得到多个风险节点评价指标。
具体的,将市场数据特征集合作为第一网络节点集合,同时将交易数据特征集合作为第二网络节点集合。将从市场和交易数据中提取的特征转换为网络中的节点。在这个网络模型中,每一个节点代表了一个特定的市场或交易特征,对第一和第二网络节点集合进行节点关系分析,得到节点关系集合,确定不同节点之间的相互关系和依赖性。这包括识别哪些市场特征与特定的交易特征有强烈的相关性,或者哪些特征在时间序列上表现出类似的趋势。然后,根据第一网络节点集合、第二网络节点集合以及节点关系集合构建对应的二维时序超网络模型。二维时序超网络是一种复杂的网络模型,它不仅表现了节点之间的关系,还考虑了这些关系随时间的变化。在这个模型中,节点和节点之间的关系不是静态的,而是可以随时间发展和变化的。例如,市场的某个特征与交易的某个特征在不同时间段内的关联程度会发生变化。对二维时序超网络模型进行风险节点识别,得到多个初始风险节点。风险节点识别是在网络模型中寻找那些表示市场或交易风险的节点,识别这些节点需要运用网络分析的方法,如中心性分析或社区检测算法。然后,分别对这些初始风险节点进行节点聚类分析,得到每个初始风险节点的节点聚类结果。聚类分析是一种数据挖掘技术,用于将具有相似特征的节点分组在一起。通过这种方式,可以识别出具有相似风险特征的节点群体。根据节点聚类结果对多个初始风险节点进行风险节点校正,得到多个目标风险节点,优化和精确化风险节点的识别,确保所识别的风险节点真正代表了市场和交易中的潜在风险。风险节点校正是对初步识别的风险节点进行进一步的验证和调整。这包括考虑更多的数据源、应用更精细的分析方法或对初步识别的风险节点进行人工审核。例如,如果某个风险节点在聚类分析中与其他风险节点显著不同,需要重新评估该节点的风险特性,确保它真正反映了市场或交易中的重要风险因素。对多个目标风险节点进行特征指标量化分析,以得到多个风险节点评价指标。特征指标量化分析是指将风险节点的特性转换为可量化的指标,这样可以更直观地评估和比较不同风险节点的风险水平。例如,可以通过计算风险节点的中心性指标、影响力指标或其他网络指标来量化风险节点的重要性和潜在影响。通过这样的量化分析,可以得到一组风险节点评价指标,这些指标反映了每个风险节点在整个网络中的地位和重要性,以及它们对市场或交易造成的潜在影响。
在一具体实施例中,执行步骤105的过程可以具体包括如下步骤:
(1)对多个风险节点评价指标进行归一化映射,得到多个归一化节点评价指标;
(2)对多个归一化节点评价指标进行向量转换,得到风险评估输入向量;
(3)将风险评估输入向量输入预置的智能风险评估模型,智能风险评估模型包括:多个决策树网络;
(4)通过多个决策树网络分别对风险评估输入向量进行智能风险评估和预测,得到每个决策树网络的初始评估预测数据;
(5)获取多个决策树网络的目标权重数据,并根据目标权重数据对初始评估预测数据进行预测数据加权平均处理,得到风险评估预测数据。
具体的,对多个风险节点评价指标进行归一化映射,以得到归一化节点评价指标。归一化将不同量级或单位的数据转换到同一尺度,通常是0到1的范围内。每个风险节点的评价指标,比如中心性、影响力等,都会被转换成一个统一的比例尺度。归一化处理的目的是消除不同评价指标之间的量纲影响,使得这些指标可以在同一标准下进行比较和分析。将这些归一化的节点评价指标进行向量转换,以得到风险评估输入向量。向量转换是指将归一化后的数据转换为向量形式,这样便于输入到智能风险评估模型中进行处理。每个风险节点的归一化评价指标被转换为一个向量,这个向量代表了该风险节点的综合特征和属性。将这些风险评估输入向量输入到预置的智能风险评估模型中。这个模型包括多个决策树网络,每个决策树网络都是一个独立的模型,用于从输入的风险评估输入向量中提取特征,进行风险评估和预测。决策树是一种常用的机器学习算法,能够根据输入数据的特征进行分类或回归分析。每个决策树网络都被训练用于识别特定类型的风险模式和趋势。然后,通过多个决策树网络分别对风险评估输入向量进行智能风险评估和预测,得到每个决策树网络的初始评估预测数据。每个决策树网络都会独立地分析输入的风险评估输入向量,给出对应的风险预测结果。例如,一个决策树网络专注于分析市场波动风险,而另一个网络则专注于交易风险。获取多个决策树网络的目标权重数据,并根据目标权重数据对初始评估预测数据进行预测数据加权平均处理,得到风险评估预测数据。目标权重数据是对每个决策树网络重要性的量化表示,反映了不同网络在整体风险评估中的贡献程度。通过将每个网络的预测结果根据其重要性进行加权平均,可以综合考虑不同网络的预测,得到一个更全面、更可靠的风险评估结果。这种加权平均处理旨在综合不同决策树网络的优势,提高整体预测的准确性和可靠性。
在一具体实施例中,执行步骤106的过程可以具体包括如下步骤:
(1)获取预置的司库管理决策策略序列,并根据风险评估预测数据对司库管理决策策略序列进行匹配,生成第一司库管理决策策略;
(2)通过预置的蜂群算法对第一司库管理决策策略进行策略群体初始化,得到多个第一候选决策策略;
(3)分别计算每个第一候选决策策略的策略目标值,并根据策略目标值对多个第一候选决策策略进行策略群体划分,得到多个目标决策策略群体;
(4)对多个目标决策策略群体进行群体优化分析,生成多个第二候选决策策略;
(5)对多个第二候选决策策略进行最优化选择,得到第二司库管理决策策略
具体的,获取预置的司库管理决策策略序列。预置的策略序列是基于历史数据、专家知识或行业最佳实践形成的一系列管理操作和决策指导原则。根据风险评估预测数据对司库管理决策策略序列进行匹配。将从风险评估模型得到的预测结果应用于现有的策略中,以确定哪些策略最适合当前的风险状况。这种匹配可以基于风险的种类、程度和紧急性来进行。例如,如果预测数据显示市场波动风险增加,那么选择那些能够应对市场波动的策略。通过预置的蜂群算法对第一司库管理决策策略进行策略群体初始化。蜂群算法是一种基于自然界蜜蜂觅食行为的优化算法,它通过模拟蜜蜂群体的协作和信息共享机制来找到问题的最优解。蜂群算法被用于生成一系列的第一候选决策策略,每个策略都是对初始策略的一个的变体或调整。这些第一候选策略代表了不同的管理方法和操作的组合,每个策略都尝试以不同的方式来应对预测的风险。分别计算每个第一候选决策策略的策略目标值。这些目标值是评估每个策略效果的量化指标,包括成本效益、风险缓解效果、执行可行性等。计算这些目标值的过程需要综合考虑各种因素,如市场动态、内部资源限制、供应链状况等。然后,根据策略目标值对多个第一候选决策策略进行策略群体划分。将候选策略根据它们的目标值进行分类,形成不同的目标决策策略群体。每个群体都包含了相似或相关的策略,这种划分有助于后续的群体优化分析。对这些目标决策策略群体进行群体优化分析。蜂群算法通过模拟蜜蜂群体的搜索和信息交换行为,优化每个策略群体中的策略组合。优化的目的是在每个群体中找到最有效的策略组合,提升整体的管理效率和风险应对能力。例如,通过优化,可以发现一组策略在降低特定风险的同时,还能提高整体的操作效率或减少成本。对多个第二候选决策策略进行最优化选择,得到最终的第二司库管理决策策略。从经过优化的第二候选策略中选择最佳方案。选择过程基于多种标准,如策略的综合效果、实施难度、成本以及对当前和未来市场状况的适应性。最终选定的第二司库管理决策策略是经过多轮分析和优化后得到的,应能够有效应对预测的风险,同时在成本和操作上保持可行性和效率。
上面对本申请实施例中基于智能决策的司库管理方法进行了描述,下面对本申请实施例中基于智能决策的司库管理系统进行描述,请参阅图2,本申请实施例中基于智能决策的司库管理系统一个实施例包括:
获取模块201,用于通过多源数据库获取待处理的初始市场数据和初始交易数据,并对所述初始市场数据和所述初始交易数据进行预处理,得到目标市场数据和目标交易数据;
建模模块202,用于通过预置的自回归积分滑动平均模型,对所述目标市场数据和所述目标交易数据进行时序建模,得到时序市场数据以及时序交易数据;
特征提取模块203,用于对所述时序市场数据以及所述时序交易数据进行特征提取,得到市场数据特征集合以及交易数据特征集合;
构建模块204,用于根据所述市场数据特征集合以及所述交易数据特征集合构建对应的二维时序超网络模型,并对所述二维时序超网络模型进行风险节点识别和分析,得到多个风险节点评价指标;
预测模块205,用于将所述多个风险节点评价指标输入预置的智能风险评估模型进行智能风险评估和预测,得到风险评估预测数据;
生成模块206,用于根据所述风险评估预测数据生成第一司库管理决策策略,并通过预置的蜂群算法对所述第一司库管理决策策略进行策略优化,得到第二司库管理决策策略。
通过上述各个组成部分的协同合作,通过使用多源数据库,方法能够从不同数据源中获取丰富的市场数据和交易数据。这有助于提高数据的全面性和多样性,使得司库管理决策更为准确和全面。引入了自回归积分滑动平均模型,有效地对时序数据进行建模。这一模型不仅考虑了时间序列的自相关性、趋势和季节性,还通过动态权重的使用更好地适应不同时间点的数据特征,提高了模型的适应性。通过对时序市场数据和时序交易数据进行特征提取,并将其作为节点构建二维时序超网络模型,实现了对数据特征的更全面和复杂的捕捉。这有助于更准确地识别风险节点和分析其关联性。引入了智能风险评估模型,该模型结合了多个决策树网络,能够更全面、深入地对风险节点进行评估。通过考虑不同决策树网络的权重,提高了风险评估的准确性和鲁棒性。利用预置的蜂群算法对第一司库管理决策策略进行优化。这种算法能够搜索决策空间,找到最优的决策策略,从而提高了决策的效果和性能。通过多个步骤的整合,方法实现了全面的风险评估和策略优化。这有助于使司库管理决策更加智能、灵活,并更好地适应不断变化的市场条件。通过对目标市场数据和目标交易数据进行时序建模,方法更好地考虑了时间维度对于风险识别和评估的重要性。这有助于更好地捕捉数据的演变趋势,提高风险预测的准确性,采用深度学习技术进行司库管理决策,提高了智能决策的准确率。
本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于智能决策的司库管理方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于智能决策的司库管理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于智能决策的司库管理方法,其特征在于,所述基于智能决策的司库管理方法包括:
通过多源数据库获取待处理的初始市场数据和初始交易数据,并对所述初始市场数据和所述初始交易数据进行预处理,得到目标市场数据和目标交易数据;
通过预置的自回归积分滑动平均模型,对所述目标市场数据和所述目标交易数据进行时序建模,得到时序市场数据以及时序交易数据;
对所述时序市场数据以及所述时序交易数据进行特征提取,得到市场数据特征集合以及交易数据特征集合;
根据所述市场数据特征集合以及所述交易数据特征集合构建对应的二维时序超网络模型,并对所述二维时序超网络模型进行风险节点识别和分析,得到多个风险节点评价指标;
将所述多个风险节点评价指标输入预置的智能风险评估模型进行智能风险评估和预测,得到风险评估预测数据;
根据所述风险评估预测数据生成第一司库管理决策策略,并通过预置的蜂群算法对所述第一司库管理决策策略进行策略优化,得到第二司库管理决策策略。
2.根据权利要求1所述的基于智能决策的司库管理方法,其特征在于,所述通过多源数据库获取待处理的初始市场数据和初始交易数据,并对所述初始市场数据和所述初始交易数据进行预处理,得到目标市场数据和目标交易数据,包括:
通过多源数据库获取待处理的原始数据集,并确定所述原始数据集的市场数据属性标签以及交易数据属性标签;
根据所述市场数据属性标签以及所述交易数据属性标签对所述原始数据集进行数据分类,得到初始市场数据和初始交易数据;
分别对所述初始市场数据和所述初始交易数据进行异常值去除和缺失值插值,得到标准市场数据和标准交易数据;
分别对所述标准市场数据和所述标准交易数据进行标准化处理,得到目标市场数据和目标交易数据。
3.根据权利要求1所述的基于智能决策的司库管理方法,其特征在于,所述通过预置的自回归积分滑动平均模型,对所述目标市场数据和所述目标交易数据进行时序建模,得到时序市场数据以及时序交易数据,包括:
将所述目标市场数据输入自回归积分滑动平均模型,并对所述目标市场数据进行时间单位扫描,确定所述目标市场数据在每一时间单位的第一最大值和第一最小值,以及根据所述第一最大值和所述第一最小值生成对应的市场数据最大值序列和市场数据最小值序列;
根据预设的第一数据动态权重对所述市场数据最大值序列和所述市场数据最小值序列进行时序建模,得到时序市场数据;
将所述目标交易数据输入自回归积分滑动平均模型,并对所述目标交易数据进行时间单位扫描,确定所述目标交易数据在每一时间单位的第二最大值和第二最小值,以及根据所述第二最大值和所述第二最小值生成对应的交易数据最大值序列和交易数据最小值序列;
根据预设的第二数据动态权重对所述交易数据最大值序列和所述交易数据最小值序列进行时序建模,得到时序交易数据。
4.根据权利要求3所述的基于智能决策的司库管理方法,其特征在于,所述对所述时序市场数据以及所述时序交易数据进行特征提取,得到市场数据特征集合以及交易数据特征集合,包括:
获取所述时序市场数据的第一时间戳数据集合,并获取所述时序交易数据的第二时间戳数据集合;
根据所述第一时间戳数据集合对所述时序市场数据进行曲线拟合,得到市场时间关系曲线,并根据所述第二时间戳数据集合对所述时序交易数据进行曲线拟合,得到交易时间关系曲线;
对所述市场时间关系曲线进行曲线特征区间识别,得到多个市场曲线特征区间,并对所述交易时间关系曲线进行曲线特征区间识别,得到多个交易曲线特征区间;
分别对所述多个市场曲线特征区间进行变换调整和区间均值运算,得到多个市场特征区间均值,并根据所述多个市场特征区间均值生成对应的市场数据特征集合;
分别对所述多个交易曲线特征区间进行变换调整和区间均值运算,得到多个交易特征区间均值,并根据所述多个交易特征区间均值生成对应的交易数据特征集合。
5.根据权利要求1所述的基于智能决策的司库管理方法,其特征在于,所述根据所述市场数据特征集合以及所述交易数据特征集合构建对应的二维时序超网络模型,并对所述二维时序超网络模型进行风险节点识别和分析,得到多个风险节点评价指标,包括:
将所述市场数据特征集合作为第一网络节点集合,并将所述交易数据特征集合作为第二网络节点集合;
对所述第一网络节点集合和所述第二网络节点集合进行节点关系分析,得到节点关系集合;
根据所述第一网络节点集合、所述第二网络节点集合以及所述节点关系集合构建对应的二维时序超网络模型;
对所述二维时序超网络模型进行风险节点识别,得到多个初始风险节点,并分别对所述多个初始风险节点进行节点聚类分析,得到每个初始风险节点的节点聚类结果;
根据所述节点聚类结果对所述多个初始风险节点进行风险节点校正,得到多个目标风险节点;
对所述多个目标风险节点进行特征指标量化分析,得到多个风险节点评价指标。
6.根据权利要求5所述的基于智能决策的司库管理方法,其特征在于,所述将所述多个风险节点评价指标输入预置的智能风险评估模型进行智能风险评估和预测,得到风险评估预测数据,包括:
对所述多个风险节点评价指标进行归一化映射,得到多个归一化节点评价指标;
对所述多个归一化节点评价指标进行向量转换,得到风险评估输入向量;
将所述风险评估输入向量输入预置的智能风险评估模型,所述智能风险评估模型包括:多个决策树网络;
通过所述多个决策树网络分别对所述风险评估输入向量进行智能风险评估和预测,得到每个决策树网络的初始评估预测数据;
获取所述多个决策树网络的目标权重数据,并根据所述目标权重数据对所述初始评估预测数据进行预测数据加权平均处理,得到风险评估预测数据。
7.根据权利要求6所述的基于智能决策的司库管理方法,其特征在于,所述根据所述风险评估预测数据生成第一司库管理决策策略,并通过预置的蜂群算法对所述第一司库管理决策策略进行策略优化,得到第二司库管理决策策略,包括:
获取预置的司库管理决策策略序列,并根据所述风险评估预测数据对所述司库管理决策策略序列进行匹配,生成第一司库管理决策策略;
通过预置的蜂群算法对所述第一司库管理决策策略进行策略群体初始化,得到多个第一候选决策策略;
分别计算每个第一候选决策策略的策略目标值,并根据所述策略目标值对所述多个第一候选决策策略进行策略群体划分,得到多个目标决策策略群体;
对所述多个目标决策策略群体进行群体优化分析,生成多个第二候选决策策略;
对所述多个第二候选决策策略进行最优化选择,得到第二司库管理决策策略。
8.一种基于智能决策的司库管理系统,其特征在于,所述基于智能决策的司库管理系统包括:
获取模块,用于通过多源数据库获取待处理的初始市场数据和初始交易数据,并对所述初始市场数据和所述初始交易数据进行预处理,得到目标市场数据和目标交易数据;
建模模块,用于通过预置的自回归积分滑动平均模型,对所述目标市场数据和所述目标交易数据进行时序建模,得到时序市场数据以及时序交易数据;
特征提取模块,用于对所述时序市场数据以及所述时序交易数据进行特征提取,得到市场数据特征集合以及交易数据特征集合;
构建模块,用于根据所述市场数据特征集合以及所述交易数据特征集合构建对应的二维时序超网络模型,并对所述二维时序超网络模型进行风险节点识别和分析,得到多个风险节点评价指标;
预测模块,用于将所述多个风险节点评价指标输入预置的智能风险评估模型进行智能风险评估和预测,得到风险评估预测数据;
生成模块,用于根据所述风险评估预测数据生成第一司库管理决策策略,并通过预置的蜂群算法对所述第一司库管理决策策略进行策略优化,得到第二司库管理决策策略。
9.一种计算机设备,其特征在于,所述计算机设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行如权利要求1-7中任一项所述的基于智能决策的司库管理方法。
10.一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指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于智能决策的司库管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410131975.1A CN117670066B (zh) | 2024-01-31 | 2024-01-31 | 基于智能决策的司库管理方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410131975.1A CN117670066B (zh) | 2024-01-31 | 2024-01-31 | 基于智能决策的司库管理方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117670066A true CN117670066A (zh) | 2024-03-08 |
CN117670066B CN117670066B (zh) | 2024-05-17 |
Family
ID=90068333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410131975.1A Active CN117670066B (zh) | 2024-01-31 | 2024-01-31 | 基于智能决策的司库管理方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670066B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973704A (zh) * | 2024-04-01 | 2024-05-03 | 深圳市天富利信息技术有限公司 | 基于大数据的数据分析处理方法及系统 |
CN117993912A (zh) * | 2024-04-07 | 2024-05-07 | 杭州大鱼网络科技有限公司 | 一种保险在线交易存证方法及系统 |
CN118052558A (zh) * | 2024-04-15 | 2024-05-17 | 万联易达物流科技有限公司 | 基于人工智能的风控模型决策方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150170168A1 (en) * | 2013-12-18 | 2015-06-18 | Bank Of America Corporation | Macro-Economic Indicator System |
CN112749827A (zh) * | 2020-07-23 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 金融信息处理方法、装置、电子设备及存储介质 |
CN113934780A (zh) * | 2021-12-15 | 2022-01-14 | 南京迪塔维数据技术有限公司 | 一种基于数据中台的资产管理系统及方法 |
CN114841598A (zh) * | 2022-05-19 | 2022-08-02 | 建信金融科技有限责任公司 | 针对操作风险的决策方法、装置、设备和程序产品 |
CN117252688A (zh) * | 2023-10-31 | 2023-12-19 | 陕西老财臣财务管理有限公司 | 一种金融风险评估方法、系统、终端设备及存储介质 |
-
2024
- 2024-01-31 CN CN202410131975.1A patent/CN117670066B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150170168A1 (en) * | 2013-12-18 | 2015-06-18 | Bank Of America Corporation | Macro-Economic Indicator System |
CN112749827A (zh) * | 2020-07-23 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 金融信息处理方法、装置、电子设备及存储介质 |
CN113934780A (zh) * | 2021-12-15 | 2022-01-14 | 南京迪塔维数据技术有限公司 | 一种基于数据中台的资产管理系统及方法 |
CN114841598A (zh) * | 2022-05-19 | 2022-08-02 | 建信金融科技有限责任公司 | 针对操作风险的决策方法、装置、设备和程序产品 |
CN117252688A (zh) * | 2023-10-31 | 2023-12-19 | 陕西老财臣财务管理有限公司 | 一种金融风险评估方法、系统、终端设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973704A (zh) * | 2024-04-01 | 2024-05-03 | 深圳市天富利信息技术有限公司 | 基于大数据的数据分析处理方法及系统 |
CN117973704B (zh) * | 2024-04-01 | 2024-06-11 | 深圳市天富利信息技术有限公司 | 基于大数据的数据分析处理方法及系统 |
CN117993912A (zh) * | 2024-04-07 | 2024-05-07 | 杭州大鱼网络科技有限公司 | 一种保险在线交易存证方法及系统 |
CN118052558A (zh) * | 2024-04-15 | 2024-05-17 | 万联易达物流科技有限公司 | 基于人工智能的风控模型决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117670066B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
US20020169735A1 (en) | Automatic mapping from data to preprocessing algorithms | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
CN116955936A (zh) | 企业大数据算法属性数据预测方法 | |
CN116823496A (zh) | 基于人工智能的智能保险风险评估和定价系统 | |
CN117522607A (zh) | 一种企业财务管理系统 | |
CN117422181B (zh) | 一种基于模糊标签的代发客户流失预警方法及系统 | |
CN117725537A (zh) | 实时计量数据处理平台 | |
CN117668205A (zh) | 智慧物流客服处理方法、系统、设备及存储介质 | |
Ahmed et al. | Enhancing stock portfolios for enterprise management and investment in energy industry | |
KR102005952B1 (ko) | 기계학습 모델링에서 잡음 데이터 제거를 위한 데이터 정제 장치 및 방법 | |
Wu et al. | Customer churn prediction for commercial banks using customer-value-weighted machine learning models | |
Kumar et al. | Cryptocurrency price forecasting in a volatile landscape: Sarimax modeling and short-term strategies | |
Huang et al. | An enhanced approach to optimizing the stock portfolio selection based on Modified Markowitz MV Method | |
Luthfiarta et al. | Prediction on deposit subscription of customer based on bank telemarketing using Decision Tree with entropy comparison | |
CN113064944A (zh) | 数据的处理方法和装置 | |
CN113742472B (zh) | 一种基于客服营销场景下的数据挖掘方法及装置 | |
CN117495109B (zh) | 一种基于神经网络的窃电用户识别系统 | |
Ramos et al. | Data Mining Techniques Applied to Power Systems | |
CN117951457B (zh) | 基于生物炭的负碳产品碳减排量核算方法及系统 | |
CN117593101B (zh) | 基于多维数据的金融风险数据处理分析方法及系统 | |
CN112836926B (zh) | 基于电力大数据的企业经营状况评估方法 | |
Huang et al. | Application of enhanced cluster validity index function to automatic stock portfolio selection system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |