TW201941120A - 交易量的預測方法及裝置 - Google Patents
交易量的預測方法及裝置 Download PDFInfo
- Publication number
- TW201941120A TW201941120A TW108100360A TW108100360A TW201941120A TW 201941120 A TW201941120 A TW 201941120A TW 108100360 A TW108100360 A TW 108100360A TW 108100360 A TW108100360 A TW 108100360A TW 201941120 A TW201941120 A TW 201941120A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- transaction
- day
- volume
- transaction volume
- Prior art date
Links
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
- G06Q30/0203—Market surveys; Market polls
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本說明書的實施例提供一種交易量的預測方法及裝置,在交易量的預測方法中,獲取當天過去時刻的交易資料以及與當天的交易相關的輿情資料。對交易資料、輿情資料以及預設的影響資料進行預處理,得到預處理後的資料。將預處理後的資料輸入根據歷史資料得到的預測模型,以預測當天的總交易量。
Description
本說明書的一個或多個實施例涉及電腦技術領域,尤其涉及一種交易量的預測方法及裝置。
為了提供更好的應對業務需求,交易平台通常需要在某一天開始之前,對當天的總交易量進行預測。傳統技術中,通常是通過時間序列模型對當天之前的歷史交易資料進行學習,來預測當天的總交易量。
因此,需要提供一種更準確的交易量的預測方法。
因此,需要提供一種更準確的交易量的預測方法。
本說明書的一個或多個實施例描述了一種交易量的預測方法及裝置,可以提高預測的交易量的準確性。
第一方面,提供了一種交易量的預測方法,包括:
獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料;
對所述第一交易資料、所述第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料;所述預設的影響資料是指預先估計的會對交易量產生影響的資料;
將所述預處理後的資料輸入預測模型,以預測當天的總交易量;所述預測模型是根據經典時間序列預測演算法或者機器學習演算法、當天之前的第二交易資料、第二輿情資料以及所述預設的影響資料獲得的;所述預測模型用於根據歷史資料來預測未來發展變化趨勢。
第二方面,提供了一種交易量的預測裝置,包括:
獲取單元,用於獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料;
預處理單元,用於對所述獲取單元獲取的所述第一交易資料、所述第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料;所述預設的影響資料是指預先估計的會對交易量產生影響的資料;
預測單元,用於將所述預處理單元預處理後的資料輸入預測模型,以預測當天的總交易量;所述預測模型是根據經典時間序列預測演算法或者機器學習演算法、當天之前的第二交易資料、第二輿情資料以及所述預設的影響資料獲得的;所述預測模型用於根據歷史資料來預測未來發展變化趨勢。
本說明書的一個或多個實施例提供的交易量的預測方法及裝置,獲取當天過去時刻的交易資料以及與當天的交易相關的輿情資料。對交易資料、輿情資料以及預設的影響資料進行預處理,得到預處理後的資料。將預處理後的資料輸入根據歷史資料得到的預測模型,以預測當天的總交易量。由此可以看出,本說明書在預測當天的總交易量時,綜合考慮了當天資料以及歷史資料,從而可以提高預測的交易量的準確性。
第一方面,提供了一種交易量的預測方法,包括:
獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料;
對所述第一交易資料、所述第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料;所述預設的影響資料是指預先估計的會對交易量產生影響的資料;
將所述預處理後的資料輸入預測模型,以預測當天的總交易量;所述預測模型是根據經典時間序列預測演算法或者機器學習演算法、當天之前的第二交易資料、第二輿情資料以及所述預設的影響資料獲得的;所述預測模型用於根據歷史資料來預測未來發展變化趨勢。
第二方面,提供了一種交易量的預測裝置,包括:
獲取單元,用於獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料;
預處理單元,用於對所述獲取單元獲取的所述第一交易資料、所述第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料;所述預設的影響資料是指預先估計的會對交易量產生影響的資料;
預測單元,用於將所述預處理單元預處理後的資料輸入預測模型,以預測當天的總交易量;所述預測模型是根據經典時間序列預測演算法或者機器學習演算法、當天之前的第二交易資料、第二輿情資料以及所述預設的影響資料獲得的;所述預測模型用於根據歷史資料來預測未來發展變化趨勢。
本說明書的一個或多個實施例提供的交易量的預測方法及裝置,獲取當天過去時刻的交易資料以及與當天的交易相關的輿情資料。對交易資料、輿情資料以及預設的影響資料進行預處理,得到預處理後的資料。將預處理後的資料輸入根據歷史資料得到的預測模型,以預測當天的總交易量。由此可以看出,本說明書在預測當天的總交易量時,綜合考慮了當天資料以及歷史資料,從而可以提高預測的交易量的準確性。
下面結合圖式,對本說明書提供的方案進行描述。
本說明書的一個實施例提供的交易量的預測方法可以應用於如圖1所示的預測系統中,圖1中,預測系統可以包括:爬蟲模組101、即時資料同步模組102、業務資料同步模組103、資料預處理模組104以及預測模組105。
爬蟲模組101用於高頻率地(如,每隔一分鐘)從網頁上爬取與交易相關的輿情資料。該輿情資料可以包括:商戶的即時活動資訊(如,促銷活動等)、匯率波動資訊以及極端天氣資訊(如,極寒天氣或者極熱天氣等)等。
需要說明的是,因為在商戶搞促銷活動的時候,通常會大大增加用戶的交易次數,從而會影響一天的交易量,所以本說明書在預測當天的總交易量時,將商戶的即時活動資訊作為交易量(也稱交易金額)的一個影響特徵。此外,由於匯率波動情況以及極端天氣均會影響一天的交易量,所以將該兩者也作為交易量的影響特徵。
通過爬蟲模組101,可以提前獲知商戶活動資訊。
即時資料同步模組102用於高頻率地(如,每隔一分鐘)獲取從當天開始時刻(如,零點)起所發生的每筆交易的交易資料。其中,一筆交易的交易資料可以包括:交易時間、交易金額、商戶資訊以及用戶資訊等等。
業務資料同步模組103用於同步資料庫中記錄的、可以對交易量產生影響的非交易資料(以下稱為影響資料)。上述影響資料可以包括:1)商戶的畫像資料:商戶的國別資訊、商戶的類型(如,實體商戶或者虛擬商戶等)、商戶的經營範圍以及商戶所在地的市場資訊(如,節假日資訊)等。2)交易筆數。3)用戶的畫像資料(如,學生、教師以及民工等)等。
需要說明的是,上述影響資料可以是人為預先收集的。
資料預處理模組104用於對上述輿情資料(爬蟲模組101獲取)、交易資料(即時資料同步模組102獲取)以及影響資料(業務資料同步模組103獲取)進行資料層融合。此處的資料層融合可以理解為將上述資料從低維度抽象化到高維度。如,將上述資料中商戶維度、用戶維度以及資金維度的資料轉化為交易量緯度表徵。資料預處理模組104還用於將融合後的資料進行資料格式轉化,如轉化為符合預測模型輸入參數標準的資料格式,該轉化過程可以包括資料歸一化等。
預測模組105,用於根據預處理後的資料,預測某一天的交易量。該預測模組105可以包括預測模型。該預測模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和歷史資料獲得的。其中,經典時間序列預測演算法是一種用於利用過去及現在的資料來預測未來發生變化趨勢的演算法。其例如可以為holt-winters演算法(一種資料平滑演算法)、自回歸積分滑動平均(Autoregressive Integrated Moving Average,ARIMA)演算法以及長短期記憶網路(Long Short-Term Memory,LSTM)演算法等。而歷史資料可以包括當天之前的交易資料(也稱歷史交易資料)、當天之前的交輿情資料(也稱歷史輿情資料)以及上述影響資料等。
需要說明的是,上述預測模型可以為單獨的一個模型,也可以包括多個子模型。當包括多個子模型時,可以結合輿情資料,來選擇相應的子模型。以輿情資料為商戶的即時活動資訊,預測模型包括兩個子模型:第一子模型和第二子模型為例來說。假設第一子模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和包含商戶的即時活動資訊的樣本獲得的;第二子模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和不包含商戶的即時活動資訊的樣本獲得的。那麼在預測某一天的交易量時,若當天有商戶活動,則可以通過第一子模型來預測當天的總交易量。若當天沒有商戶活動,則可以通過第二子模型來預測當天的總交易量。當然,在實際應用中,也可以同時通過兩個子模型來預測當天的總交易量。如,分別為兩個子模型設置不同的權重值,之後,根據各個子模型的輸出值以及對應的權重值,來預測當天的總交易量。
由此可以看出,上述預測系統在預測當天的總交易量時,綜合考慮了當天交易資料、與當天的交易相關的輿情資料以及預先估計的可能會對交易量產生影響的資料,從而可以提高預測的交易量的準確性。
可選地,圖1的預測系統還可以包括商家交易即時監控模組106,用於高頻率地對當天交易資料進行監控,以確定是否有對應的商戶活動。在一種實現方式中,上述監控過程可以為:高頻率地根據當天交易資料,統計如下資料:實際交易量、實際交易筆數以及實際交易客單價等。同理,根據歷史交易資料,統計如下資料:歷史同期交易量、歷史交易筆數以及歷史客單價等。然後可以分別將實際交易量與歷史同期交易量、實際交易筆數與歷史交易筆數、實際交易客單價與歷史客單價進行比對。當任意兩者差異較大(如,大於預設臨限值或者小於預設臨限值)時,發出對應的商戶活動警報資訊。如,在大於預設臨限值時,發出商戶活動驟升警報資訊。在小於預設臨限值時,發出商戶活動驟減警報資訊。
通過商家交易即時監控模組106,可以準確地識別出商戶活動資訊。從而可以使得預測系統在預測交易量時,綜合考慮商戶活動資訊,由此來進一步提高預測的交易量的準確性。
可選地,圖1的預測系統還可以包括異常檢測模組107。當還包括異常檢測模組107時,商家交易即時監控模組106識別出的商戶活動警報資訊可以輸入到異常檢測模組107中。
異常檢測模組107可以用於對當天的總交易量進行異常檢測,並用於在檢測到異常時,對當天的總交易量進行調節。在一種實現方式中,上述異常檢測以及調節過程可以為:根據歷史交易資料,統計如下資料:上周同期交易量、本周平均交易量以及昨日交易量等。然後分別將當天的總交易量與上周同期交易量、本周平均交易量以及昨日交易量進行一一比較。若當天的總交易量高於上述任一指定倍數(如,1.5倍),且沒有對應的商戶活動驟升警報資訊,則確定當天的總交易量存在異常。或者,若當天的總交易量低於上述任一指定倍數(如,0.5倍),且沒有對應的商戶活動驟減警報資訊,則確定當天的總交易量存在異常。在存在異常時,可以將存在異常的當天的總交易量乘以調節係數(可以根據上述指定倍數確定,如,1.5和0.5),從而保證預測的當天的總交易量在可靠範圍內,也即可以保障預測的當天的總交易量的穩健性。
可選地,圖1的預測系統還可以包括外部策略決策模組108,用於收集與交易相關的策略。以當天的總交易量用於確定外匯的需求量的場景為例來說,與交易相關的策略可以為外匯交易策略。該外匯交易策略可以為:本次購買的外匯只覆蓋60%倉位或者整體交易量低於真實交易量等等。
可選地,圖1的預測系統還可以包括輔助決策模組109。當還包括輔助決策模組109時,外部策略決策模組108收集的與交易相關的策略可以輸入到輔助決策模組109中。
輔助決策模組109,可以用於結合上述與交易相關的策略、當前交易趨勢、歷史交易趨勢以及業務關鍵績效指標(Key Performance Indicator,KPI)等資訊,對當天的總交易量進行調節。如前述例子,假設與交易相關的策略為:整體交易量低於真實交易量,則可以將當天的總交易量乘以懲罰函數,從而來保證得到最優的交易量。
需要說明的是,上述當前交易趨勢可以是根據從當天開始時刻(如,0點)起所發生的每筆交易的交易資料所確定的。上述歷史交易趨勢以及業務KPI可以是根據歷史交易資料所確定的。以根據當前交易趨勢對當天的總交易量進行調節為例來說,如果當前交易趨勢是上升趨勢,那麼當天的總交易量會按照預設比例放大,反之同理。上述預設比例可以根據目前交易量(根據當天過去時刻的交易資料確定)與日常交易量的比例確定。
當然,在實際應用中,上述預測系統還可以包括其它模組,如,輸出模組和展示模組,本說明書對此不作限定。
圖2為本說明書的一個實施例提供的交易量的預測方法流程圖。如圖2所示,所述方法具體可以包括:
步驟210,獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料。
此處,當天過去時刻的第一交易資料可以是指從當天開始時刻至目前時刻所產生的每筆交易的交易資料,其也可以稱為當天交易資料。假設一天的開始時刻為零點,而目前時刻為上午11點,則當天過去時刻的第一交易資料是指當天00:00-11:00之間所產生的每筆交易的交易資料。該交易資料可以包括:交易時間、交易金額、商戶資訊以及用戶資訊等等。具體地,可以是由即時資料同步模組102來獲取當天交易資料。
此外,上述與當天的交易相關的第一輿情資料(也稱當天輿情資料)可以包括:商戶即時活動資訊、匯率波動資訊以及極端天氣等,其可以是通過爬蟲模組101從網頁上獲取的。需要說明的是,由於商家通常會提前通知活動資訊,所以上述商戶即時活動資訊可以是根據當天之前的第二輿情資料(也稱歷史輿情資料)獲得的。總之,本說明書的實施例可以提前獲知商戶活動資訊。
步驟220,對第一交易資料、第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料。
此處的預設的影響資料可以是指上述記錄在數倉表的、預先估計的可能會對交易量產生影響的非交易資料,即由業務資料同步模組103獲取。上述預處理可以包括資料融合以及資料格式轉化等。
具體地,可以是由資料預處理模型104對第一交易資料、第一輿情資料以及預設的影響資料進行資料層融合。此處的資料層融合可以理解為將上述資料從低維度抽象化到高維度。如,將上述資料中商戶維度、用戶維度以及資金維度的資料轉化為交易量緯度表徵。之後,將融合後的資料進行資料格式轉化,如轉化為符合預測模型輸入參數標準的資料格式,該轉化過程可以包括資料歸一化等。
步驟230,將預處理後的資料輸入預測模型,以預測當天的總交易量。
此處的預測模型可以包含在預測模組105中,也即由預測模組105預測當天的總交易量。預測模型可以是根據當天之前的第二交易資料(歷史交易資料)、歷史輿情資料以及上述預設的影響資料獲得的,其可以用於根據歷史資料來預測未來發展變化趨勢。
具體地,可以將預先收集的歷史交易資料、歷史輿情資料以及上述預設的影響資料作為訓練樣本來訓練經典時間序列預測演算法或者機器學習演算法等。可以理解的是,在將經典時間序列預測演算法或者機器學習演算法訓練好之後,就可以得到上述預測模型。需要說明的是,訓練好的預測模型可以為單獨的一個模型,也可以包括多個子模型。
當為單獨的一個模型時,將預處理後的資料輸入該一個模型,就可以得到當天的總交易量。當包括多個子模型時,可以結合第一輿情資料,來選擇相應的子模型。之後將預處理後的資料輸入選擇的子模型,得到當天的總交易量。或者,將預處理後的資料分別輸入到多個子模型中,得到多個預測交易量。將多個預測交易量進行融合,得到當天的總交易量。
以第一輿情資料為商戶的即時活動資訊,預測模型包括兩個子模型:第一子模型和第二子模型為例來說。假設第一子模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和包含商戶的即時活動資訊的樣本獲得的;第二子模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和不包含商戶的即時活動資訊的樣本獲得的。那麼在預測某一天的交易量時,若當天有商戶活動,則可以通過第一子模型來預測當天的總交易量。若當天沒有商戶活動,則可以通過第二子模型來預測當天的總交易量。當然,在實際應用中,也可以同時通過兩個子模型來預測當天的總交易量。如,分別為兩個子模型設置不同的權重值,之後,根據各個子模型的輸出值以及對應的權重值,來預測當天的總交易量。
由此可以看出,本說明書的實施例在預測當天的總交易量時,綜合考慮了當天交易資料、與當天的交易相關的輿情資料以及預先估計的可能會對交易量產生影響的資料,從而可以提高預測的交易量的準確性。
可選地,在執行上述步驟210-步驟230的過程中,還可以同時執行如下過程:商家交易即時監控模組106高頻率地對當天交易資料進行監控,以確定是否有對應的商戶活動。在一種實現方式中,上述監控過程可以為:高頻率地根據當天交易資料,統計如下資料:實際交易量、實際交易筆數以及實際交易客單價等。同理,根據歷史交易資料,統計如下資料:歷史同期交易量、歷史交易筆數以及歷史客單價等。然後可以分別將實際交易量與歷史同期交易量、實際交易筆數與歷史交易筆數、實際交易客單價與歷史客單價進行比對。當任意兩者差異較大(如,大於預設臨限值或者小於預設臨限值)時,發出對應的商戶活動警報資訊。如,在大於預設臨限值時,發出商戶活動驟升警報資訊。在小於預設臨限值時,發出商戶活動驟減警報資訊。
通過對當天交易資料進行監控,可以準確地識別出商戶活動資訊。從而可以在預測交易量時,綜合考慮商戶活動資訊,由此來進一步提高預測的交易量的準確性。
在得到當天的交易量之後,商家交易即時監控模組106可以將識別出的商戶活動警報資訊輸入到異常檢測模組107中。從而由異常檢測模組107結合上述商戶活動警報資訊,來對當天的總交易量進行異常檢測,並在檢測到異常時,對當天的總交易量進行調節。在一種實現方式中,上述異常檢測以及調節過程可以為:根據歷史交易資料,統計如下資料:上周同期交易量、本周平均交易量以及昨日交易量等。然後分別將當天的總交易量與上周同期交易量、本周平均交易量以及昨日交易量進行一一比較。若當天的總交易量高於上述任一指定倍數(如,1.5倍),且沒有對應的商戶活動驟升警報資訊,則確定當天的總交易量存在異常。或者,若當天的總交易量低於上述任一指定倍數(如,0.5倍),且沒有對應的商戶活動驟減警報資訊,則確定當天的總交易量存在異常。在存在異常時,可以將存在異常的當天的總交易量乘以調節係數(可以根據上述指定倍數確定,如,1.5和0.5),從而保證預測的當天的總交易量在可靠範圍內。
當然,在實際應用中,也可以通過其它方式來對當天的總交易量進行異常檢測,如,可以通過箱線法來進行異常檢測,本說明書對此不作限定。
在另一種實現方式中,還可以由外部策略決策模組108收集與交易相關的策略。以當天的總交易量用於確定外匯的需求量的場景為例來說,與交易相關的策略可以為外匯交易策略。該外匯交易策略可以為:本次購買的外匯只覆蓋60%倉位或者整體交易量低於真實交易量等等。
之後,外部策略決策模組108可以將收集的與交易相關的策略輸入到輔助決策模組109中。輔助決策模組109可以結合與交易相關的策略,對當天的總交易量進行調節。如前述例子,假設與交易相關的策略為:整體交易量低於真實交易量,則可以將當天的總交易量乘以懲罰函數。從而來保證得到最優的交易量。
在再一種實現方式中,輔助決策模組109還可以結合前交易趨勢、歷史交易趨勢以及業務關鍵績效指標(Key Performance Indicator,KPI)等資訊,對當天的總交易量進行調節。當前交易趨勢可以是根據當天交易資料所確定的。上述歷史交易趨勢以及業務KPI可以是根據歷史交易資料所確定的。以根據當前交易趨勢對當天的總交易量進行調節為例來說,如果當前交易趨勢是上升趨勢,那麼當天的總交易量會按照預設比例放大,反之同理。上述預設比例可以根據目前交易量(根據當天過去時刻的交易資料確定)與日常交易量的比例確定。
需要說明的是,由於線上海外購,線下當面付業務的迅猛發展,支付寶支撐商戶,買家之間不同貨幣的支付與收款。支付寶每個工作日都購買相應的外匯以應對業務需求,因此,在預測的交易量的準確性提高的情況下,可以減少業務風險以及提高資金利用率。
綜上,本說明書的上述實施例可以實現在有商戶活動干擾的情況下,準確地對當天的總交易量進行預測。
與上述交易量的預測方法對應地,本說明書的一個實施例還提供的一種交易量的預測裝置,如圖3所示,該裝置包括:
獲取單元301,用於獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料。
預處理單元302,用於對獲取單元301獲取的第一交易資料、第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料。預設的影響資料是指預先估計的會對交易量產生影響的資料。
預測單元303,用於將預處理單元302預處理後的資料輸入預測模型,以預測當天的總交易量。預測模型是根據經典時間序列預測演算法或者機器學習演算法、當天之前的第二交易資料、第二輿情資料以及預設的影響資料獲得的。預測模型用於根據歷史資料來預測未來發展變化趨勢。
預測單元303具體可以用於:
根據預處理後的第一輿情資料,選擇對應的子模型。
將預處理後的資料輸入選擇的子模型,得到當天的總交易量。
或者,將預處理後的資料分別輸入到多個子模型中,得到多個預測交易量。
將多個預測交易量進行融合,得到當天的總交易量。
需要說明的是,上述獲取單元301可以由圖1中的爬蟲模組101和即時資料同步模組102來實現。預處理單元302可以由圖1中的資料預處理模組104來實現,預測單元303可以由圖1中的預測模組105來實現。
可選地,該裝置還可以包括:比較單元304和發送單元305。
獲取單元301,還用於週期性根據第二交易資料,獲取第一交易資料的歷史同期交易資料。
比較單元304,用於將第一交易資料與獲取單元301獲取的歷史同期交易資料進行比較。
發送單元305,用於當比較單元304比較第一交易資料與歷史同期交易資料的差異較大時,發出相應的商戶活動警報資訊。
需要說明的是,上述比較單元304和發送單元305可以由圖1中的商家交易即時監控模組106來實現。
可選地,該裝置還可以包括:
檢測單元306,用於對當天的總交易量進行異常檢測。
調節單元307,用於當檢測單元306檢測到當天的總交易量存在異常時,對當天的總交易量進行調節。
可選地,檢測單元306具體可以用於:
根據第二交易資料,統計當天的總交易量的歷史同期交易量。
將歷史同期交易量與當天的總交易量進行比較。
當歷史同期交易量與當天的總交易量的相差倍數大於臨限值且沒有相應的商戶活動警報資訊時,確定當天的總交易量存在異常。
調節單元307具體可以用於:
根據相差倍數,確定相應的調節係數。
根據調節係數,調節當天的總交易量。
可選地,該裝置還可以包括:
需要說明的是,上述檢測單元306和調節單元307可以由異常檢測模組107來實現。
確定單元308,用於根據第一交易資料,確定當前交易趨勢。
調節單元307,用於根據確定單元308確定的當前交易趨勢,調節當天的總交易量。
和/或,
確定單元308,用於根據第二交易資料,確定歷史交易趨勢。
調節單元307,用於根據確定單元308確定的歷史交易趨勢,調節當天的總交易量。
和/或,
獲取單元301,還用於獲取外部交易策略.
調節單元307,用於根據獲取單元301獲取的外部交易策略,調節當天的總交易量。
需要說明的是,上述確定單元308可以由圖1中的輔助決策模組109來實現。
本說明書的上述實施例裝置的各功能模組的功能,可以通過上述方法實施例的各步驟來實現,因此,本說明書的一個實施例提供的裝置的具體工作過程,在此不復贅述。
本說明書的一個實施例提供的交易量的預測裝置,獲取單元301獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料。預處理單元302對第一交易資料、第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料。預測單元303將預處理後的資料輸入預測模型,以預測當天的總交易量。由此,可以預測的交易量的準確性。
本領域技術人員應該可以意識到,在上述一個或多個示例中,本說明書所描述的功能可以用硬體、軟體、韌體或它們的任意組合來實現。當使用軟體實現時,可以將這些功能儲存在電腦可讀媒體中或者作為電腦可讀媒體上的一個或多個指令或程式碼進行傳輸。
以上所述的具體實施方式,對本說明書的目的、技術方案和有益效果進行了進一步詳細說明,所應理解的是,以上所述僅為本說明書的具體實施方式而已,並不用於限定本說明書的保護範圍,凡在本說明書的技術方案的基礎之上,所做的任何修改、等同替換、改進等,均應包括在本說明書的保護範圍之內。
本說明書的一個實施例提供的交易量的預測方法可以應用於如圖1所示的預測系統中,圖1中,預測系統可以包括:爬蟲模組101、即時資料同步模組102、業務資料同步模組103、資料預處理模組104以及預測模組105。
爬蟲模組101用於高頻率地(如,每隔一分鐘)從網頁上爬取與交易相關的輿情資料。該輿情資料可以包括:商戶的即時活動資訊(如,促銷活動等)、匯率波動資訊以及極端天氣資訊(如,極寒天氣或者極熱天氣等)等。
需要說明的是,因為在商戶搞促銷活動的時候,通常會大大增加用戶的交易次數,從而會影響一天的交易量,所以本說明書在預測當天的總交易量時,將商戶的即時活動資訊作為交易量(也稱交易金額)的一個影響特徵。此外,由於匯率波動情況以及極端天氣均會影響一天的交易量,所以將該兩者也作為交易量的影響特徵。
通過爬蟲模組101,可以提前獲知商戶活動資訊。
即時資料同步模組102用於高頻率地(如,每隔一分鐘)獲取從當天開始時刻(如,零點)起所發生的每筆交易的交易資料。其中,一筆交易的交易資料可以包括:交易時間、交易金額、商戶資訊以及用戶資訊等等。
業務資料同步模組103用於同步資料庫中記錄的、可以對交易量產生影響的非交易資料(以下稱為影響資料)。上述影響資料可以包括:1)商戶的畫像資料:商戶的國別資訊、商戶的類型(如,實體商戶或者虛擬商戶等)、商戶的經營範圍以及商戶所在地的市場資訊(如,節假日資訊)等。2)交易筆數。3)用戶的畫像資料(如,學生、教師以及民工等)等。
需要說明的是,上述影響資料可以是人為預先收集的。
資料預處理模組104用於對上述輿情資料(爬蟲模組101獲取)、交易資料(即時資料同步模組102獲取)以及影響資料(業務資料同步模組103獲取)進行資料層融合。此處的資料層融合可以理解為將上述資料從低維度抽象化到高維度。如,將上述資料中商戶維度、用戶維度以及資金維度的資料轉化為交易量緯度表徵。資料預處理模組104還用於將融合後的資料進行資料格式轉化,如轉化為符合預測模型輸入參數標準的資料格式,該轉化過程可以包括資料歸一化等。
預測模組105,用於根據預處理後的資料,預測某一天的交易量。該預測模組105可以包括預測模型。該預測模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和歷史資料獲得的。其中,經典時間序列預測演算法是一種用於利用過去及現在的資料來預測未來發生變化趨勢的演算法。其例如可以為holt-winters演算法(一種資料平滑演算法)、自回歸積分滑動平均(Autoregressive Integrated Moving Average,ARIMA)演算法以及長短期記憶網路(Long Short-Term Memory,LSTM)演算法等。而歷史資料可以包括當天之前的交易資料(也稱歷史交易資料)、當天之前的交輿情資料(也稱歷史輿情資料)以及上述影響資料等。
需要說明的是,上述預測模型可以為單獨的一個模型,也可以包括多個子模型。當包括多個子模型時,可以結合輿情資料,來選擇相應的子模型。以輿情資料為商戶的即時活動資訊,預測模型包括兩個子模型:第一子模型和第二子模型為例來說。假設第一子模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和包含商戶的即時活動資訊的樣本獲得的;第二子模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和不包含商戶的即時活動資訊的樣本獲得的。那麼在預測某一天的交易量時,若當天有商戶活動,則可以通過第一子模型來預測當天的總交易量。若當天沒有商戶活動,則可以通過第二子模型來預測當天的總交易量。當然,在實際應用中,也可以同時通過兩個子模型來預測當天的總交易量。如,分別為兩個子模型設置不同的權重值,之後,根據各個子模型的輸出值以及對應的權重值,來預測當天的總交易量。
由此可以看出,上述預測系統在預測當天的總交易量時,綜合考慮了當天交易資料、與當天的交易相關的輿情資料以及預先估計的可能會對交易量產生影響的資料,從而可以提高預測的交易量的準確性。
可選地,圖1的預測系統還可以包括商家交易即時監控模組106,用於高頻率地對當天交易資料進行監控,以確定是否有對應的商戶活動。在一種實現方式中,上述監控過程可以為:高頻率地根據當天交易資料,統計如下資料:實際交易量、實際交易筆數以及實際交易客單價等。同理,根據歷史交易資料,統計如下資料:歷史同期交易量、歷史交易筆數以及歷史客單價等。然後可以分別將實際交易量與歷史同期交易量、實際交易筆數與歷史交易筆數、實際交易客單價與歷史客單價進行比對。當任意兩者差異較大(如,大於預設臨限值或者小於預設臨限值)時,發出對應的商戶活動警報資訊。如,在大於預設臨限值時,發出商戶活動驟升警報資訊。在小於預設臨限值時,發出商戶活動驟減警報資訊。
通過商家交易即時監控模組106,可以準確地識別出商戶活動資訊。從而可以使得預測系統在預測交易量時,綜合考慮商戶活動資訊,由此來進一步提高預測的交易量的準確性。
可選地,圖1的預測系統還可以包括異常檢測模組107。當還包括異常檢測模組107時,商家交易即時監控模組106識別出的商戶活動警報資訊可以輸入到異常檢測模組107中。
異常檢測模組107可以用於對當天的總交易量進行異常檢測,並用於在檢測到異常時,對當天的總交易量進行調節。在一種實現方式中,上述異常檢測以及調節過程可以為:根據歷史交易資料,統計如下資料:上周同期交易量、本周平均交易量以及昨日交易量等。然後分別將當天的總交易量與上周同期交易量、本周平均交易量以及昨日交易量進行一一比較。若當天的總交易量高於上述任一指定倍數(如,1.5倍),且沒有對應的商戶活動驟升警報資訊,則確定當天的總交易量存在異常。或者,若當天的總交易量低於上述任一指定倍數(如,0.5倍),且沒有對應的商戶活動驟減警報資訊,則確定當天的總交易量存在異常。在存在異常時,可以將存在異常的當天的總交易量乘以調節係數(可以根據上述指定倍數確定,如,1.5和0.5),從而保證預測的當天的總交易量在可靠範圍內,也即可以保障預測的當天的總交易量的穩健性。
可選地,圖1的預測系統還可以包括外部策略決策模組108,用於收集與交易相關的策略。以當天的總交易量用於確定外匯的需求量的場景為例來說,與交易相關的策略可以為外匯交易策略。該外匯交易策略可以為:本次購買的外匯只覆蓋60%倉位或者整體交易量低於真實交易量等等。
可選地,圖1的預測系統還可以包括輔助決策模組109。當還包括輔助決策模組109時,外部策略決策模組108收集的與交易相關的策略可以輸入到輔助決策模組109中。
輔助決策模組109,可以用於結合上述與交易相關的策略、當前交易趨勢、歷史交易趨勢以及業務關鍵績效指標(Key Performance Indicator,KPI)等資訊,對當天的總交易量進行調節。如前述例子,假設與交易相關的策略為:整體交易量低於真實交易量,則可以將當天的總交易量乘以懲罰函數,從而來保證得到最優的交易量。
需要說明的是,上述當前交易趨勢可以是根據從當天開始時刻(如,0點)起所發生的每筆交易的交易資料所確定的。上述歷史交易趨勢以及業務KPI可以是根據歷史交易資料所確定的。以根據當前交易趨勢對當天的總交易量進行調節為例來說,如果當前交易趨勢是上升趨勢,那麼當天的總交易量會按照預設比例放大,反之同理。上述預設比例可以根據目前交易量(根據當天過去時刻的交易資料確定)與日常交易量的比例確定。
當然,在實際應用中,上述預測系統還可以包括其它模組,如,輸出模組和展示模組,本說明書對此不作限定。
圖2為本說明書的一個實施例提供的交易量的預測方法流程圖。如圖2所示,所述方法具體可以包括:
步驟210,獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料。
此處,當天過去時刻的第一交易資料可以是指從當天開始時刻至目前時刻所產生的每筆交易的交易資料,其也可以稱為當天交易資料。假設一天的開始時刻為零點,而目前時刻為上午11點,則當天過去時刻的第一交易資料是指當天00:00-11:00之間所產生的每筆交易的交易資料。該交易資料可以包括:交易時間、交易金額、商戶資訊以及用戶資訊等等。具體地,可以是由即時資料同步模組102來獲取當天交易資料。
此外,上述與當天的交易相關的第一輿情資料(也稱當天輿情資料)可以包括:商戶即時活動資訊、匯率波動資訊以及極端天氣等,其可以是通過爬蟲模組101從網頁上獲取的。需要說明的是,由於商家通常會提前通知活動資訊,所以上述商戶即時活動資訊可以是根據當天之前的第二輿情資料(也稱歷史輿情資料)獲得的。總之,本說明書的實施例可以提前獲知商戶活動資訊。
步驟220,對第一交易資料、第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料。
此處的預設的影響資料可以是指上述記錄在數倉表的、預先估計的可能會對交易量產生影響的非交易資料,即由業務資料同步模組103獲取。上述預處理可以包括資料融合以及資料格式轉化等。
具體地,可以是由資料預處理模型104對第一交易資料、第一輿情資料以及預設的影響資料進行資料層融合。此處的資料層融合可以理解為將上述資料從低維度抽象化到高維度。如,將上述資料中商戶維度、用戶維度以及資金維度的資料轉化為交易量緯度表徵。之後,將融合後的資料進行資料格式轉化,如轉化為符合預測模型輸入參數標準的資料格式,該轉化過程可以包括資料歸一化等。
步驟230,將預處理後的資料輸入預測模型,以預測當天的總交易量。
此處的預測模型可以包含在預測模組105中,也即由預測模組105預測當天的總交易量。預測模型可以是根據當天之前的第二交易資料(歷史交易資料)、歷史輿情資料以及上述預設的影響資料獲得的,其可以用於根據歷史資料來預測未來發展變化趨勢。
具體地,可以將預先收集的歷史交易資料、歷史輿情資料以及上述預設的影響資料作為訓練樣本來訓練經典時間序列預測演算法或者機器學習演算法等。可以理解的是,在將經典時間序列預測演算法或者機器學習演算法訓練好之後,就可以得到上述預測模型。需要說明的是,訓練好的預測模型可以為單獨的一個模型,也可以包括多個子模型。
當為單獨的一個模型時,將預處理後的資料輸入該一個模型,就可以得到當天的總交易量。當包括多個子模型時,可以結合第一輿情資料,來選擇相應的子模型。之後將預處理後的資料輸入選擇的子模型,得到當天的總交易量。或者,將預處理後的資料分別輸入到多個子模型中,得到多個預測交易量。將多個預測交易量進行融合,得到當天的總交易量。
以第一輿情資料為商戶的即時活動資訊,預測模型包括兩個子模型:第一子模型和第二子模型為例來說。假設第一子模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和包含商戶的即時活動資訊的樣本獲得的;第二子模型可以是根據經典時間序列預測演算法(或者機器學習演算法等)和不包含商戶的即時活動資訊的樣本獲得的。那麼在預測某一天的交易量時,若當天有商戶活動,則可以通過第一子模型來預測當天的總交易量。若當天沒有商戶活動,則可以通過第二子模型來預測當天的總交易量。當然,在實際應用中,也可以同時通過兩個子模型來預測當天的總交易量。如,分別為兩個子模型設置不同的權重值,之後,根據各個子模型的輸出值以及對應的權重值,來預測當天的總交易量。
由此可以看出,本說明書的實施例在預測當天的總交易量時,綜合考慮了當天交易資料、與當天的交易相關的輿情資料以及預先估計的可能會對交易量產生影響的資料,從而可以提高預測的交易量的準確性。
可選地,在執行上述步驟210-步驟230的過程中,還可以同時執行如下過程:商家交易即時監控模組106高頻率地對當天交易資料進行監控,以確定是否有對應的商戶活動。在一種實現方式中,上述監控過程可以為:高頻率地根據當天交易資料,統計如下資料:實際交易量、實際交易筆數以及實際交易客單價等。同理,根據歷史交易資料,統計如下資料:歷史同期交易量、歷史交易筆數以及歷史客單價等。然後可以分別將實際交易量與歷史同期交易量、實際交易筆數與歷史交易筆數、實際交易客單價與歷史客單價進行比對。當任意兩者差異較大(如,大於預設臨限值或者小於預設臨限值)時,發出對應的商戶活動警報資訊。如,在大於預設臨限值時,發出商戶活動驟升警報資訊。在小於預設臨限值時,發出商戶活動驟減警報資訊。
通過對當天交易資料進行監控,可以準確地識別出商戶活動資訊。從而可以在預測交易量時,綜合考慮商戶活動資訊,由此來進一步提高預測的交易量的準確性。
在得到當天的交易量之後,商家交易即時監控模組106可以將識別出的商戶活動警報資訊輸入到異常檢測模組107中。從而由異常檢測模組107結合上述商戶活動警報資訊,來對當天的總交易量進行異常檢測,並在檢測到異常時,對當天的總交易量進行調節。在一種實現方式中,上述異常檢測以及調節過程可以為:根據歷史交易資料,統計如下資料:上周同期交易量、本周平均交易量以及昨日交易量等。然後分別將當天的總交易量與上周同期交易量、本周平均交易量以及昨日交易量進行一一比較。若當天的總交易量高於上述任一指定倍數(如,1.5倍),且沒有對應的商戶活動驟升警報資訊,則確定當天的總交易量存在異常。或者,若當天的總交易量低於上述任一指定倍數(如,0.5倍),且沒有對應的商戶活動驟減警報資訊,則確定當天的總交易量存在異常。在存在異常時,可以將存在異常的當天的總交易量乘以調節係數(可以根據上述指定倍數確定,如,1.5和0.5),從而保證預測的當天的總交易量在可靠範圍內。
當然,在實際應用中,也可以通過其它方式來對當天的總交易量進行異常檢測,如,可以通過箱線法來進行異常檢測,本說明書對此不作限定。
在另一種實現方式中,還可以由外部策略決策模組108收集與交易相關的策略。以當天的總交易量用於確定外匯的需求量的場景為例來說,與交易相關的策略可以為外匯交易策略。該外匯交易策略可以為:本次購買的外匯只覆蓋60%倉位或者整體交易量低於真實交易量等等。
之後,外部策略決策模組108可以將收集的與交易相關的策略輸入到輔助決策模組109中。輔助決策模組109可以結合與交易相關的策略,對當天的總交易量進行調節。如前述例子,假設與交易相關的策略為:整體交易量低於真實交易量,則可以將當天的總交易量乘以懲罰函數。從而來保證得到最優的交易量。
在再一種實現方式中,輔助決策模組109還可以結合前交易趨勢、歷史交易趨勢以及業務關鍵績效指標(Key Performance Indicator,KPI)等資訊,對當天的總交易量進行調節。當前交易趨勢可以是根據當天交易資料所確定的。上述歷史交易趨勢以及業務KPI可以是根據歷史交易資料所確定的。以根據當前交易趨勢對當天的總交易量進行調節為例來說,如果當前交易趨勢是上升趨勢,那麼當天的總交易量會按照預設比例放大,反之同理。上述預設比例可以根據目前交易量(根據當天過去時刻的交易資料確定)與日常交易量的比例確定。
需要說明的是,由於線上海外購,線下當面付業務的迅猛發展,支付寶支撐商戶,買家之間不同貨幣的支付與收款。支付寶每個工作日都購買相應的外匯以應對業務需求,因此,在預測的交易量的準確性提高的情況下,可以減少業務風險以及提高資金利用率。
綜上,本說明書的上述實施例可以實現在有商戶活動干擾的情況下,準確地對當天的總交易量進行預測。
與上述交易量的預測方法對應地,本說明書的一個實施例還提供的一種交易量的預測裝置,如圖3所示,該裝置包括:
獲取單元301,用於獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料。
預處理單元302,用於對獲取單元301獲取的第一交易資料、第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料。預設的影響資料是指預先估計的會對交易量產生影響的資料。
預測單元303,用於將預處理單元302預處理後的資料輸入預測模型,以預測當天的總交易量。預測模型是根據經典時間序列預測演算法或者機器學習演算法、當天之前的第二交易資料、第二輿情資料以及預設的影響資料獲得的。預測模型用於根據歷史資料來預測未來發展變化趨勢。
預測單元303具體可以用於:
根據預處理後的第一輿情資料,選擇對應的子模型。
將預處理後的資料輸入選擇的子模型,得到當天的總交易量。
或者,將預處理後的資料分別輸入到多個子模型中,得到多個預測交易量。
將多個預測交易量進行融合,得到當天的總交易量。
需要說明的是,上述獲取單元301可以由圖1中的爬蟲模組101和即時資料同步模組102來實現。預處理單元302可以由圖1中的資料預處理模組104來實現,預測單元303可以由圖1中的預測模組105來實現。
可選地,該裝置還可以包括:比較單元304和發送單元305。
獲取單元301,還用於週期性根據第二交易資料,獲取第一交易資料的歷史同期交易資料。
比較單元304,用於將第一交易資料與獲取單元301獲取的歷史同期交易資料進行比較。
發送單元305,用於當比較單元304比較第一交易資料與歷史同期交易資料的差異較大時,發出相應的商戶活動警報資訊。
需要說明的是,上述比較單元304和發送單元305可以由圖1中的商家交易即時監控模組106來實現。
可選地,該裝置還可以包括:
檢測單元306,用於對當天的總交易量進行異常檢測。
調節單元307,用於當檢測單元306檢測到當天的總交易量存在異常時,對當天的總交易量進行調節。
可選地,檢測單元306具體可以用於:
根據第二交易資料,統計當天的總交易量的歷史同期交易量。
將歷史同期交易量與當天的總交易量進行比較。
當歷史同期交易量與當天的總交易量的相差倍數大於臨限值且沒有相應的商戶活動警報資訊時,確定當天的總交易量存在異常。
調節單元307具體可以用於:
根據相差倍數,確定相應的調節係數。
根據調節係數,調節當天的總交易量。
可選地,該裝置還可以包括:
需要說明的是,上述檢測單元306和調節單元307可以由異常檢測模組107來實現。
確定單元308,用於根據第一交易資料,確定當前交易趨勢。
調節單元307,用於根據確定單元308確定的當前交易趨勢,調節當天的總交易量。
和/或,
確定單元308,用於根據第二交易資料,確定歷史交易趨勢。
調節單元307,用於根據確定單元308確定的歷史交易趨勢,調節當天的總交易量。
和/或,
獲取單元301,還用於獲取外部交易策略.
調節單元307,用於根據獲取單元301獲取的外部交易策略,調節當天的總交易量。
需要說明的是,上述確定單元308可以由圖1中的輔助決策模組109來實現。
本說明書的上述實施例裝置的各功能模組的功能,可以通過上述方法實施例的各步驟來實現,因此,本說明書的一個實施例提供的裝置的具體工作過程,在此不復贅述。
本說明書的一個實施例提供的交易量的預測裝置,獲取單元301獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料。預處理單元302對第一交易資料、第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料。預測單元303將預處理後的資料輸入預測模型,以預測當天的總交易量。由此,可以預測的交易量的準確性。
本領域技術人員應該可以意識到,在上述一個或多個示例中,本說明書所描述的功能可以用硬體、軟體、韌體或它們的任意組合來實現。當使用軟體實現時,可以將這些功能儲存在電腦可讀媒體中或者作為電腦可讀媒體上的一個或多個指令或程式碼進行傳輸。
以上所述的具體實施方式,對本說明書的目的、技術方案和有益效果進行了進一步詳細說明,所應理解的是,以上所述僅為本說明書的具體實施方式而已,並不用於限定本說明書的保護範圍,凡在本說明書的技術方案的基礎之上,所做的任何修改、等同替換、改進等,均應包括在本說明書的保護範圍之內。
101‧‧‧爬蟲模組
102‧‧‧即時資料同步模組
103‧‧‧業務資料同步模組
104‧‧‧資料預處理模組
105‧‧‧預測模組
106‧‧‧商家交易即時監控模組
107‧‧‧異常檢測模組
108‧‧‧外部策略決策模組
109‧‧‧輔助決策模組
S210, S220, S230‧‧‧步驟
301‧‧‧獲取單元
302‧‧‧預處理單元
303‧‧‧預測單元
304‧‧‧比較單元
305‧‧‧發送單元
306‧‧‧檢測單元
307‧‧‧調節單元
308‧‧‧確定單元
為了更清楚地說明本說明書的實施例的技術方案,下面將對實施例描述中所需要使用的圖式作簡單地介紹,顯而易見地,下面描述中的圖式僅僅是本說明書的一些實施例,對於本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據這些圖式獲得其它的圖式。
圖1為本說明書提供的預測系統的示意圖;
圖2為本說明書的一個實施例提供的交易量的預測方法流程圖;
圖3為本說明書的一個實施例提供的交易量的預測裝置示意圖。
Claims (12)
- 一種交易量的預測方法,其特徵在於,包括: 獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料; 對所述第一交易資料、所述第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料;所述預設的影響資料是指預先估計的會對交易量產生影響的資料; 將所述預處理後的資料輸入預測模型,以預測當天的總交易量;所述預測模型是根據經典時間序列預測演算法或者機器學習演算法、當天之前的第二交易資料、第二輿情資料以及所述預設的影響資料獲得的;所述預測模型用於根據歷史資料來預測未來發展變化趨勢。
- 根據申請專利範圍第1項所述的方法,其中,還包括: 週期性根據所述第二交易資料,獲取所述第一交易資料的歷史同期交易資料; 將所述第一交易資料與歷史同期交易資料進行比較; 當所述第一交易資料與歷史同期交易資料的差異較大時,發出相應的商戶活動警報資訊。
- 根據申請專利範圍第1項所述的方法,其中,在得到當天的總交易量之後,還包括: 對當天的總交易量進行異常檢測; 當檢測到當天的總交易量存在異常時,對當天的總交易量進行調節。
- 根據申請專利範圍第3項所述的方法,其中,所述對當天的總交易量進行異常檢測,包括: 根據所述第二交易資料,統計當天的總交易量的歷史同期交易量; 將歷史同期交易量與當天的總交易量進行比較; 當歷史同期交易量與當天的總交易量的相差倍數大於臨限值且沒有相應的商戶活動警報資訊時,確定當天的總交易量存在異常; 所述對當天的總交易量進行調節,包括: 根據所述相差倍數,確定相應的調節係數; 根據所述調節係數,調節當天的總交易量。
- 根據申請專利範圍第1項所述的方法,其中,在所述得到當天的總交易量之後,還包括: 根據所述第一交易資料,確定當前交易趨勢; 根據所述當前交易趨勢,調節當天的總交易量; 和/或,根據所述第二交易資料,確定歷史交易趨勢; 根據所述歷史交易趨勢,調節當天的總交易量; 和/或,獲取外部交易策略; 根據所述外部交易策略,調節當天的總交易量。
- 根據申請專利範圍第1-5項中任一項所述的方法,其中,所述預測模型包括多個子模型,所述子模型與所述第一輿情資料相對應; 所述將所述預處理後的資料輸入預測模型,以預測當天的總交易量,包括: 根據預處理後的第一輿情資料,選擇對應的子模型; 將所述預處理後的資料輸入選擇的子模型,得到當天的總交易量; 或者,將所述預處理後的資料分別輸入到所述多個子模型中,得到多個預測交易量; 將所述多個預測交易量進行融合,得到當天的總交易量。
- 一種交易量的預測裝置,其特徵在於,包括: 獲取單元,用於獲取當天過去時刻的第一交易資料以及與當天的交易相關的第一輿情資料; 預處理單元,用於對所述獲取單元獲取的所述第一交易資料、所述第一輿情資料以及預設的影響資料進行預處理,得到預處理後的資料;所述預設的影響資料是指預先估計的會對交易量產生影響的資料; 預測單元,用於將所述預處理單元預處理後的資料輸入預測模型,以預測當天的總交易量;所述預測模型是根據經典時間序列預測演算法或者機器學習演算法、當天之前的第二交易資料、第二輿情資料以及所述預設的影響資料獲得的;所述預測模型用於根據歷史資料來預測未來發展變化趨勢。
- 根據申請專利範圍第7項所述的裝置,其中,還包括:比較單元和發送單元; 所述獲取單元,還用於週期性根據所述第二交易資料,獲取所述第一交易資料的歷史同期交易資料; 所述比較單元,用於將所述第一交易資料與所述獲取單元獲取的所述歷史同期交易資料進行比較; 發送單元,用於當所述比較單元比較所述第一交易資料與歷史同期交易資料的差異較大時,發出相應的商戶活動警報資訊。
- 根據申請專利範圍第7項所述的裝置,其中,還包括: 檢測單元,用於對當天的總交易量進行異常檢測; 調節單元,用於當所述檢測單元檢測到當天的總交易量存在異常時,對當天的總交易量進行調節。
- 根據申請專利範圍第9項所述的裝置,其中, 所述檢測單元具體用於: 根據所述第二交易資料,統計當天的總交易量的歷史同期交易量; 將歷史同期交易量與當天的總交易量進行比較; 當歷史同期交易量與當天的總交易量的相差倍數大於臨限值且沒有相應的商戶活動警報資訊時,確定當天的總交易量存在異常; 所述調節單元具體用於: 根據所述相差倍數,確定相應的調節係數; 根據所述調節係數,調節當天的總交易量。
- 根據申請專利範圍第7項所述的裝置,其中,還包括: 確定單元,用於根據所述第一交易資料,確定當前交易趨勢; 調節單元,用於根據所述確定單元確定的所述當前交易趨勢,調節當天的總交易量; 和/或, 確定單元,用於根據所述第二交易資料,確定歷史交易趨勢; 調節單元,用於根據所述確定單元確定的所述歷史交易趨勢,調節當天的總交易量; 和/或, 所述獲取單元,還用於獲取外部交易策略; 調節單元,用於根據所述獲取單元獲取的所述外部交易策略,調節當天的總交易量。
- 根據申請專利範圍第7-11項中任一項所述的裝置,其中,所述預測模型包括多個子模型,所述子模型與所述第一輿情資料相對應; 所述預測單元具體用於: 根據預處理後的第一輿情資料,選擇對應的子模型; 將所述預處理後的資料輸入選擇的子模型,得到當天的總交易量; 或者,將所述預處理後的資料分別輸入到所述多個子模型中,得到多個預測交易量; 將所述多個預測交易量進行融合,得到當天的總交易量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231588.XA CN108550047A (zh) | 2018-03-20 | 2018-03-20 | 交易量的预测方法及装置 |
??201810231588.X | 2018-03-20 | ||
CN201810231588.X | 2018-03-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201941120A true TW201941120A (zh) | 2019-10-16 |
TWI690865B TWI690865B (zh) | 2020-04-11 |
Family
ID=63516846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108100360A TWI690865B (zh) | 2018-03-20 | 2019-01-04 | 交易量的預測方法及裝置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN108550047A (zh) |
TW (1) | TWI690865B (zh) |
WO (1) | WO2019179223A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI758676B (zh) * | 2020-01-03 | 2022-03-21 | 華南商業銀行股份有限公司 | 金融交易量警示系統 |
TWI765847B (zh) * | 2020-01-03 | 2022-05-21 | 華南商業銀行股份有限公司 | 具有優惠訊息推播功能的金融交易警示系統 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550047A (zh) * | 2018-03-20 | 2018-09-18 | 阿里巴巴集团控股有限公司 | 交易量的预测方法及装置 |
CN109615449A (zh) * | 2018-10-25 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种预测方法及装置、一种计算设备及存储介质 |
CN109672795B (zh) * | 2018-11-14 | 2022-03-11 | 平安科技(深圳)有限公司 | 呼叫中心资源管理方法及装置、电子设备、存储介质 |
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及系统 |
CN110188793B (zh) * | 2019-04-18 | 2024-02-09 | 创新先进技术有限公司 | 数据异常分析方法及装置 |
CN110210645A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 一种发展趋势数据获取方法、装置及可读存储介质 |
CN111598699A (zh) * | 2020-05-20 | 2020-08-28 | 嘉联支付有限公司 | 一种基于集群的分润系统 |
CN111709532B (zh) * | 2020-05-26 | 2023-09-22 | 重庆大学 | 基于与模型无关局部解释的在线购物代表性样本选择系统 |
CN112651785B (zh) * | 2020-12-31 | 2023-12-08 | 中国农业银行股份有限公司 | 交易量实时监测方法与系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8015454B1 (en) * | 2008-06-02 | 2011-09-06 | Quest Software, Inc. | Computer systems and methods for predictive performance management of data transactions |
CN103577413B (zh) * | 2012-07-20 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 搜索结果排序方法及系统、搜索结果排序优化方法及系统 |
CN104424598A (zh) * | 2013-09-06 | 2015-03-18 | 株式会社日立制作所 | 现金需求量预测装置与方法 |
CN104408558B (zh) * | 2014-11-18 | 2017-08-25 | 南方电网科学研究院有限责任公司 | 一种财务运营仿真模拟模型体系 |
CN104778622A (zh) * | 2015-04-29 | 2015-07-15 | 清华大学 | Tps交易事件阈值的预测方法及预测系统 |
TWI578242B (zh) * | 2015-11-13 | 2017-04-11 | 財團法人資訊工業策進會 | 技術趨勢預測方法及系統及非暫態電腦可讀取記錄媒體 |
CN107067283B (zh) * | 2017-04-21 | 2021-05-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
CN108550047A (zh) * | 2018-03-20 | 2018-09-18 | 阿里巴巴集团控股有限公司 | 交易量的预测方法及装置 |
-
2018
- 2018-03-20 CN CN201810231588.XA patent/CN108550047A/zh active Pending
-
2019
- 2019-01-04 TW TW108100360A patent/TWI690865B/zh active
- 2019-01-16 WO PCT/CN2019/071874 patent/WO2019179223A1/zh active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI758676B (zh) * | 2020-01-03 | 2022-03-21 | 華南商業銀行股份有限公司 | 金融交易量警示系統 |
TWI765847B (zh) * | 2020-01-03 | 2022-05-21 | 華南商業銀行股份有限公司 | 具有優惠訊息推播功能的金融交易警示系統 |
Also Published As
Publication number | Publication date |
---|---|
WO2019179223A1 (zh) | 2019-09-26 |
CN108550047A (zh) | 2018-09-18 |
TWI690865B (zh) | 2020-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI690865B (zh) | 交易量的預測方法及裝置 | |
CN108764863B (zh) | 一种数据转移方法、装置、服务器和存储介质 | |
CN107103548A (zh) | 网络行为数据的监控方法和系统以及风险监控方法和系统 | |
CN111932268B (zh) | 企业风险识别方法及装置 | |
CN111008896A (zh) | 金融风险预警方法、装置、电子设备及存储介质 | |
US20120016808A1 (en) | Business Review and Volume Optimizer (BRAVO) | |
KR20210001243A (ko) | 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템 | |
CN109685651A (zh) | 仓单质押的信贷风险监控方法及装置 | |
CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
WO2023114637A1 (en) | Computer-implemented system and method of facilitating artificial intelligence based lending strategies and business revenue management | |
US11741036B2 (en) | Unified smart connector | |
CN115545909A (zh) | 一种审批方法、装置、设备及存储介质 | |
CN114358359A (zh) | 基于电力市场发展态势感知的电费回收风险预警方法 | |
TWI720638B (zh) | 存款利率議價調整系統及其方法 | |
CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
CN112613986A (zh) | 一种资金回流的识别方法、装置及设备 | |
CN111899093A (zh) | 一种违约损失率的预测方法及装置 | |
CA3171885A1 (en) | Systems, computer-implemented methods and computer programs for capital management | |
CN114493822A (zh) | 一种基于迁移学习的用户违约预测定价方法和系统 | |
TWI634498B (zh) | 企業營運問題分析系統及其方法 | |
CN110930237A (zh) | 一种基于sagwo算法的中小企业信用预测分类方法 | |
KR102662354B1 (ko) | 딥러닝 기반의 투자가치 분석 장치 및 방법 | |
KR102620000B1 (ko) | 재무 지표 분석 기반 투자 가치 평가 서비스 제공 방법 및 장치 | |
US20230054609A1 (en) | Recurrent neural network based predictions | |
TWI760254B (zh) | 使用類神經網路的自動儲蓄方法 |