[發明專利]一種數據預測方法、裝置、設備及計算機可讀存儲介質

在審

• 申請號: 202011023479.2
• 申請日: 2020-09-25
• 公開（公告）號: CN112184301A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 周天;范淵
• 申請（專利權）人: 杭州安恒信息技術股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 侯珊

1.一種數據預測方法，其特征在于，包括：

對接收到的數據預測請求進行解析，確定目標對象；

調取所述目標對象的各歷史交易數據；

獲取各所述歷史交易數據分別對應的關注度；

將各所述歷史交易數據和各所述關注度輸入到預測模型中；

利用所述預測模型預測得到所述目標對象的目標交易數據。

2.根據權利要求1所述的數據預測方法，其特征在于，獲取各所述歷史交易數據分別對應的關注度，包括：

通過selenium自動化測試工具獲取各所述歷史交易數據分別對應的搜索指數數據；

將各所述歷史交易數據和各所述關注度輸入到預測模型中，包括：

將各所述歷史交易數據和各所述搜索指數數據輸入到所述預測模型中。

3.根據權利要求1或2所述的數據預測方法，其特征在于，在獲取各所述歷史交易數據分別對應的關注度之后，將各所述歷史交易數據和各所述關注度輸入到預測模型中之前，還包括：

對各所述歷史交易數據及各所述關注度進行正態分布標準化處理。

4.根據權利要求3所述的數據預測方法，其特征在于，在獲取各所述歷史交易數據分別對應的關注度之后，對各所述歷史交易數據及各所述關注度進行正態分布標準化處理之前，還包括：

對各所述關注度進行過濾操作。

5.根據權利要求1所述的數據預測方法，其特征在于，所述預測模型的訓練過程包括：

獲取預設數量的各樣本數據組；

將各所述樣本數據組輸入到BP神經網絡模型；

利用梯度下降算法對所述BP神經網絡模型進行權重及偏置迭代更新，得到所述預測模型。

6.根據權利要求5所述的數據預測方法，其特征在于，利用梯度下降算法對所述BP神經網絡模型進行權重及偏置迭代更新，得到所述預測模型，包括：

獲取所述BP神經網絡模型輸出的各所述樣本數據組分別對應的預測輸出數據；

獲取各所述樣本數據組分別對應的期望輸出數據；

根據各所述預測輸出數據和各所述期望輸出數據計算各所述樣本數據組分別對應的樣本組誤差；

根據各所述樣本組誤差計算全局誤差；

判斷所述全局誤差是否在預設精度范圍內；

若是，則將當前BP神經網絡模型確定為所述預測模型；

若否，則基于所述全局誤差對當前BP神經網絡模型進行權重及偏置迭代更新，并重復執行所述獲取預設數量的各樣本數據組的步驟，直至所述全局誤差滿足所述預設精度范圍。

7.一種數據預測裝置，其特征在于，包括：

對象確定模塊，用于對接收到的數據預測請求進行解析，確定目標對象；

數據調取模塊，用于調取所述目標對象的各歷史交易數據；

關注度獲取模塊，用于獲取各所述歷史交易數據分別對應的關注度；

輸入模塊，用于將各所述歷史交易數據和各所述關注度輸入到預測模型中；

數據預測模塊，用于利用所述預測模型預測得到所述目標對象對應的目標交易數據。

8.根據權利要求7所述的數據預測裝置，其特征在于，所述關注度獲取模塊具體為通過selenium自動化測試工具獲取各所述歷史交易數據分別對應的搜索指數數據的模塊；

所述輸入模塊具體為將各所述歷史交易數據和各所述搜索指數數據輸入到所述預測模型中的模塊。

9.一種數據預測設備，其特征在于，包括：

存儲器，用于存儲計算機程序；

處理器，用于執行所述計算機程序時實現如權利要求1至6任一項所述數據預測方法的步驟。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至6任一項所述數據預測方法的步驟。