[發(fā)明專利]一種基于多模型融合實現(xiàn)預(yù)測的方法及裝置

在審

• 申請?zhí)枺?/td>: 201911422778.0
• 申請日: 2019-12-31
• 公開（公告）號: CN111178639A
• 公開（公告）日: 2020-05-19
• 發(fā)明（設(shè)計）人: 鮑紅飛;王道廣;袁燦;于政
• 申請（專利權(quán)）人: 北京明略軟件系統(tǒng)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q40/04;G06K9/62
• 代理公司: 北京安信方達知識產(chǎn)權(quán)代理有限公司 11262
• 代理人: 胡艷華;栗若木

1.一種基于多模型融合實現(xiàn)預(yù)測的方法，包括：

從交易所的歷史交易數(shù)據(jù)中提取特征生成特征集合，根據(jù)模型算法類型從所述特征集合中選取特征生成所述模型算法類型對應(yīng)的多個特征子集，基于所述歷史交易數(shù)據(jù)為每一種模型算法類型構(gòu)建訓(xùn)練模型用的訓(xùn)練數(shù)據(jù)集合，從所述訓(xùn)練數(shù)據(jù)集合中選取數(shù)據(jù)生成多個訓(xùn)練數(shù)據(jù)子集；

基于每一種模型算法類型對應(yīng)的特征子集構(gòu)建所述模型算法類型的模型組，使用所述模型算法類型對應(yīng)的訓(xùn)練數(shù)據(jù)子集訓(xùn)練所述模型組的每一個模型；其中，所述模型組中的任意兩個模型對應(yīng)的特征子集不同和/或?qū)?yīng)的訓(xùn)練數(shù)據(jù)子集不同；

在每一種模型算法類型的模型組中挑選部分滿足模型融合條件的模型作為目標(biāo)模型，使用所有模型算法類型的目標(biāo)模型分別對待預(yù)測對象進行預(yù)測，將所有目標(biāo)模型的預(yù)測結(jié)果進行加權(quán)平均得到最終的預(yù)測結(jié)果。

2.如權(quán)利要求1所述的方法，其特征在于：

所述根據(jù)模型算法類型從所述特征集合中選取特征生成所述模型算法類型對應(yīng)的多個特征子集，包括：

當(dāng)所述模型算法類型是線性回歸算法或多項式回歸算法時，將所述特征集合中的每一個特征與預(yù)測對象之間進行相關(guān)性分析，按照相關(guān)性的高低將所述特征集合中的特征劃分為三個特征組：高相關(guān)性特征組、中相關(guān)性特征組和低相關(guān)性特征組；

對高相關(guān)性特征組中的特征進行相關(guān)性計算，挑選相關(guān)性最低的a個特征作為備選特征；對中相關(guān)性特征組中的特征進行相關(guān)性計算，挑選相關(guān)性最低的b個特征作為備選特征；

生成多個特征子集，其中任意一個特征子集采用以下方式生成：從高相關(guān)性特征組的備選特征中選擇不少于c1％高相關(guān)性備選特征總數(shù)的特征，從中相關(guān)性特征組的備選特征中選擇不多于50％中相關(guān)性備選特征總數(shù)的特征，從低相關(guān)性特征組中選擇不多于c2％低相關(guān)性特征總數(shù)的特征，由選出的特征構(gòu)成特征子集；其中，c1％大于50％，c2％小于50％；任意兩個特征子集至少有一個特征不同。

3.如權(quán)利要求1所述的方法，其特征在于：

所述根據(jù)模型算法類型從所述特征集合中選取特征生成所述模型算法類型對應(yīng)的多個特征子集，包括：

當(dāng)所述模型算法類型是樹類集成算法時，將所述特征集合劃分為M種類型的特征集；對每一種類型的特征集，分別計算所述特征集中的特征的重要性并按照重要性高低對特征進行排序；

生成多個特征子集，其中任意一個特征子集采用以下方式生成：從第i種類型的特征集中挑選重要性最高的N_i個特征，由選出的特征構(gòu)成特征子集；1≤i≤M；任意兩個特征子集至少有一個特征不同。

4.如權(quán)利要求3所述的方法，其特征在于：

M種類型的特征集包括以下至少一種類型的特征集合：原始特征集合、組合特征集合、排序特征集合、離散特征集合。

5.如權(quán)利要求1所述的方法，其特征在于：

所述根據(jù)模型算法類型從所述特征集合中選取特征生成所述模型算法類型對應(yīng)的多個特征子集，包括：

當(dāng)所述模型算法類型是支持向量機SVM算法時，生成多個特征子集，其中任意一個特征子集采用以下方式生成：從所述特征集合中隨機抽取d個特征，由抽取出的特征構(gòu)成特征子集。

6.如權(quán)利要求1所述的方法，其特征在于：

在任意一種模型算法類型的模型組中挑選部分滿足模型融合條件的模型作為目標(biāo)模型包括：

基于所述歷史交易數(shù)據(jù)為所述模型算法類型構(gòu)建評價模型用的測試數(shù)據(jù)集合；

評估所述模型算法類型的模型組中的每一個模型在所述測試數(shù)據(jù)集合上的預(yù)測性能指標(biāo)，將性能指標(biāo)達到要求的模型作為候選模型，由所有的候選模型生成候選模型集合；

將所述候選模型集合中所有模型在所述測試數(shù)據(jù)集合上的全部預(yù)測結(jié)果進行相關(guān)性計算，得到所述候選模型集合中相關(guān)性最低的N個候選模型作為參與模型融合的目標(biāo)模型。

7.如權(quán)利要求6所述的方法，其特征在于：

所述相關(guān)性計算包括：基于最大信息系數(shù)MIC的相關(guān)性計算。